随着临床药物开发变得越来越复杂和资源密集，美国食品药品监督管理局(FDA)最近发布的关于在临床试验中使用贝叶斯统计方法的指南草案，标志着该机构正朝着更适应性的试验设计方法迈进，同时保持对安全性和有效性的严格标准。虽然贝叶斯建模可追溯至1763年，但由于可能导致偏见结论的风险，监管机构历史上一直不愿接受其在临床试验设计中的应用。随着贝叶斯方法日益普及，研究人员对该统计工具有了更深入的理解，加之计算技术和方法的进步使该方法更容易实施，贝叶斯方法的采用和接受度已显著提升。FDA推动使用贝叶斯方法的新举措，标志着该机构致力于消除药物开发障碍的更广泛演变，包括在试验设计替代方法至关重要的情况下。
对于患者群体较小的治疗领域，如某些类型的癌症或罕见疾病，该指南可能在试验速度、灵活性和效率方面支持取得实质性进展。在某些情况下，这可能影响试验的可行性，以及有前景的疗法最终能否惠及患者。
在试验过程中以不同方式学习
与传统频率统计方法不同——后者仅依赖于单个研究中产生的数据，贝叶斯方法则从现有信息中获取数据，如早期阶段的试验结果、外部数据集或真实世界数据。这使得研究人员能够在新数据出现时，更新他们对研究性疗法的安全性和有效性潜力以及成功预测的理解。他们可以对试验结果进行更动态的分析和解释，甚至在试验进行期间，而不是仅依靠在试验结束时使用预先确定的框架进行固定分析。实际上，贝叶斯建模反映了一种更迭代的学习方式，随着信息的积累，每个新数据点都在已知信息的背景下进行考量。
采用更适应性、更灵活和更高效的临床试验的理念并非新概念。但临床试验传统上遵循更固定的结构，假设、样本量、分析计划和其他因素在开始时定义并在研究完成过程中保持不变。传统方法有助于确保一致性、易于解释和消除偏见，但也限制了在进行中的研究中以有意义的方式纳入新信息的能力。贝叶斯方法论，当以计划和结构化的方式实施并在最佳环境中使用时，支持适应性试验设计，其中研究的某些要素可以根据需要演变。
为何贝叶斯方法直到现在才兴起
尽管具有潜在优势，但由于临床、后勤和监管方面的考虑，其采用一直受到限制。在研究中使用贝叶斯统计方法可能涉及更大的计算复杂性，需要大量工作，并且对于缺乏有效实施这些方法专业知识的临床团队来说可能令人生畏，相比之下传统统计框架则更为简单。贝叶斯概念，如后验概率，也不总是像p值或置信区间那样直观易懂。
监管不确定性同样是重要限制因素，包括在运行关键试验时应用贝叶斯统计，后者采用可能影响最终结果的信息性先验假设。如果没有与借用计划（即从外部来源借用数据）相关的完全透明度，或缺乏明确框架确定证据相对于正在进行试验分析的适当权重，贝叶斯方法的使用可能导致有偏见的结论。因此，许多赞助商继续使用已建立的试验框架和方法论，以确保监管一致性。但随着技术进步，临床研究人员和监管机构都对贝叶斯方法有了更好的理解，他们越来越支持更灵活的临床试验框架，允许决策随着证据的发展而演变。
FDA新指南的影响
FDA于2026年1月发布的这份指南草案，开始解决有关贝叶斯方法及其在临床试验中应用的历史担忧，包括指导设计要素和支撑主要推断。该指南强调了在纳入先验信息（如真实世界或历史试验数据）方面的透明度的重要性，以及证明假设合理性并确保结果稳健和可重复的必要性。虽然该指南尚未具有约束力，但它为监管机构在实践中如何评估贝叶斯方法提供了一个更清晰的框架。
这种额外的清晰度对于在临床开发通常复杂或迅速发展的治疗领域的赞助商尤其有益。例如，在肿瘤学领域，患者群体通常较小且异质性高，由多种因素定义，如生物标志物谱、既往治疗线和疾病阶段。在可靠框架内，能够纳入外部数据并随着证据积累更新先验假设或预测，可能会提供实质性优势。
该指南在实践中的变化
通过纳入来自早期阶段试验等外部来源的先验数据，赞助商可能能够减少样本量要求或调整患者在不同治疗组之间的分配。这可以改善试验的可行性，特别是在患者群体较小、招募具有挑战性且招募大量参与者通常不可行的适应症中。
在肿瘤学试验中，许多赞助商评估不同的药物组合方案，包括评估研究性疗法与标准治疗的组合。赞助商可能能够使用贝叶斯方法实时了解哪些治疗方案对特定生物标志物定义的群体最有效。在赞助商同时评估多种研究性疗法的情况下，贝叶斯模型可以获取患者结果数据并更新每种药物在未来试验中对特定生物标志物定义群体成功的概率。这种方法有可能使研究人员更快、更有效地从扩大的选项池中识别出有前景的药物-生物标志物组合，并淘汰无效的疗法。
虽然贝叶斯方法可以帮助实时优化决策并更快地推进有前景的疗法，但其实施需要仔细的规划和执行才能成功。
先验数据的选择和加权必须适当且有充分依据。必须明确定义假设以避免引入偏见。在确保整体研究保持科学合理性的同时，预先指定适应将如何发生变得更为重要。另一个关键考虑因素是操作准备。药物开发商必须具备规划、设计和有效执行使用贝叶斯方法的试验的专业知识和基础设施。他们还必须明智地识别何时不应采用这些方法。
最终，贝叶斯方法并非旨在取代临床试验中的传统统计方法，而是要在它们提供明显优势的情况下作为补充。
试验演变的更广泛转变
尽管FDA最近的指南仅为建议而非强制要求，但它们反映了生成和评估临床证据的新思维方式。对于赞助商而言，这些指南旨在创造机会，设计既严谨又更能响应新数据的创新试验。所有相关人员——包括赞助商、研究人员、试验调查员和监管机构——的共同目标是将创新、安全和有效的疗法带给急需的患者。贝叶斯方法在临床试验设计中的实施不会一蹴而就，也不应在每种情况下都使用这些方法，但FDA的指南为更广泛的采用和潜在益处提供了更清晰的路径。
Stacy R. Lindborg博士，IMUNON, Inc.总裁兼首席执行官，拥有近30年的制药和生物技术行业经验，专注于研发、监管事务、高级管理和战略开发。她设计、组建并领导全球团队，通过分析和创新的开发平台指导长期增长愿景，以提高生产力。在加入IMUNON之前，她曾担任BrainStorm Cell Therapeutics的执行副总裁兼联席首席执行官。她此前曾任Biogen的副总裁兼全球分析和数据科学负责人，并在礼来公司(Eli Lilly)开始了她的生物制药职业生涯。
Lindborg博士获得贝勒大学统计学硕士和博士学位，以及心理学和数学学士学位。她已发表200多场演讲和90篇同行评审期刊论文，其中包括20篇第一作者文章。她曾在国际生物计量学会和美国统计协会担任多个职位，并于2008年当选为院士。
【全文结束】