というNBER論文をアンドリュー・ローらが書いている。原題は「Bayesian Adaptive Clinical Trials for Anti-Infective Therapeutics during Epidemic Outbreaks」で、著者はShomesh Chaudhuri（QLS Advisors*1）、Andrew W. Lo（MIT）、Danying Xiao（同）、Qingyang Xu（同）。
以下はその要旨。
In the midst of epidemics such as COVID-19, therapeutic candidates are unlikely to be able to complete the usual multiyear clinical trial and regulatory approval process within the course of an outbreak. We apply a Bayesian adaptive patient-centered model—which minimizes the expected harm of false positives and false negatives—to optimize the clinical trial development path during such outbreaks. When the epidemic is more infectious and fatal, the Bayesian-optimal sample size in the clinical trial is lower and the optimal statistical significance level is higher. For COVID-19 (assuming a static R0 – 2 and initial infection percentage of 0.1%), the optimal significance level is 7.1% for a clinical trial of a nonvaccine anti-infective therapeutic and 13.6% for that of a vaccine. For a dynamic R0 decreasing from 3 to 1.5, the corresponding values are 14.4% and 26.4%, respectively. Our results illustrate the importance of adapting the clinical trial design and the regulatory approval process to the specific parameters and stage of the epidemic.
（拙訳）
COVID-19のような疫病の最中においては、疫病が流行している間に候補治療薬について通常の複数年に亘る臨床試験と規制当局の承認手続きプロセスを完了できる可能性は低い。我々は、偽陽性と偽陰性から予想される損害を最小化するベイジアン適応的患者中心モデルを適用し、そうした流行時における臨床試験の推移経路を最適化した。疫病の感染力と致死率が高い時、臨床試験でベイズ的に最適なサンプルサイズは小さくなり、最適な統計的有意水準は高くなる。（静的なR0が2で当初の感染率が0.1%であると仮定した場合）COVID-19における最適な有意水準は、ワクチン以外の抗感染薬の臨床試験については7.1%、ワクチンについては13.6%となる。3から1.5に低下する動的なR0では、それぞれ14.4%と26.4%となる。我々の結果は、疫病の特定のパラメータと段階に応じて臨床試験の設計と規制当局の承認プロセスを変更することの重要性を物語っている。
以下は導入部からの引用。
For severe diseases with no curative treatments, such as pancreatic cancer, patients tend to tolerate a higher Type I error of accepting an ineffective therapy in exchange for a lower Type II error of rejecting an effective therapy as well as expedited approvals of potentially effective treatments. Based on this observation, a patient-centered Bayesian protocol was proposed (Isakov et al., 2019; Montazerhodjat et al., 2017) that incorporates patient values into clinical trial design and identifies the optimal balance between the possibilities of false positives (Type I error) and false negatives (Type II error). For more severe diseases, this protocol sets a tolerated Type I error rate much larger than the traditional 5% threshold, which leads to higher rates of approvals and expedited approval decisions.
However, the original Bayesian adaptive RCT framework does not take into account patient risk preferences. To address this gap, Chaudhuri and Lo (2018) developed an adaptive version of the Bayesian patient-centered model that achieves an optimal balance between Type I and Type II error rates, significantly reducing the number of subjects needed in trials to achieve a statistically significant conclusion. A key feature of this model is the time
evolution of the loss function of the Bayesian decision algorithm. This mechanism favors the expedited approval of diagnostic or therapeutic candidates that show early positive effects, since patients place a lower value on delayed approval of an effective diagnostic or therapy.
（拙訳）
すい臓がんのような治療法の無い深刻な病気について患者は、効果的な治療を棄却する第二種の過誤を小さくし、効果を持つ可能性のある治療の承認を促進するために、効果の無い治療を受ける第一種の過誤が大きくなるのを容認する傾向にある。この観測に基づき、臨床試験の設計に患者の価値観を織り込み、偽陽性（第一種の過誤）と偽陰性（第二種の過誤）の可能性の最適バランスを特定する患者中心ベイジアンプロトコルが提案された（Isakov et al., 2019*2; Montazerhodjat et al., 2017*3）。深刻な病気についてこのプロトコルは、容認される第一種の過誤の比率を通常の5%の閾値よりかなり大きく設定し、承認および早められた承認決定の割合を高める。
しかし、元のベイジアン適応的RCTの枠組みは、患者のリスク選好を考慮していない。そのギャップを埋めるため、Chaudhuri＝Lo（2018）は、ベイジアン患者中心モデルの適応的バージョンを開発した。そのモデルでは、第一種と第二種の過誤の比率の最適バランスを達成し、統計的に有意な結論に到達するために必要な件数を大きく削減する。このモデルの主な特徴は、ベイズ的意思決定アルゴリズムの損失関数の時間推移である。このメカニズムでは、早期に効能を示す診断ないし治療候補の承認が早まることを選好する。これは、患者が効果的な診断ないし治療の承認の遅れに低い価値を置くからである。
