首页 >> 新闻动态 >>最新推荐 >> BOIN12：I/II 期联合剂量探索设计的理论与实践

新闻动态

详细内容

BOIN12：I/II 期联合剂量探索设计的理论与实践

临床试验统计方法 · 深度解析

从 MTD 到 OBD——靶向与免疫治疗时代的剂量优化新范式

PART 01

为什么需要 BOIN12？

靶向治疗与免疫治疗时代，传统 I 期设计面临根本性挑战

📌 传统范式（细胞毒化疗）

假设：剂量↑ → 毒性↑ → 疗效↑
目标：找最大耐受剂量（MTD）
流程：I期（找MTD）→ CE → II期

⚠️ 新型药物的三大挑战

疗效随剂量增加出现平台期
PD-1抑制剂等毒性极低，MTD根本无法到达
免疫治疗高剂量时疗效反而可能下降

💡 关键证据（来自原文）：系统检索 2018.1—2019.9 发表的靶向/免疫治疗 I/II 期试验，共纳入 13 项，结果显示全部 13/13（100%） 仍使用 MTD 传统范式——设计方法与药物特性之间存在根本性错配。

项被检索试验

项仍用 MTD 范式

项使用 OBD 导向设计

📊 图1：传统化疗 vs 靶向/免疫治疗的剂量-效应关系

核心矛盾：在靶向/免疫治疗中，高剂量带来的毒性增加并不能换来等比例的疗效提升。我们需要的不是"最大耐受剂量"，而是"最优生物剂量（OBD）"。

PART 02

什么情况下使用 BOIN12？

选对场景，才能用对工具

✅ 适用情形

药物类型：靶向小分子、PD-1/PD-L1、ADC、CAR-T
剂量-疗效关系非单调
毒性和疗效端点均为二元且可快速观测
希望 I/II 期无缝联合，节省样本量

❌ 不适用情形

经典细胞毒化疗（用标准 BOIN）
端点有明显延迟（用 TITE-BOIN12）
多药联合（用 BOIN-combo）
患者高度异质（分亚组独立运行）

🌳 图2：I期设计选择决策树

PART 03

BOIN 基础回顾

理解 BOIN12 之前，先掌握 BOIN 的核心逻辑

BOIN（贝叶斯最优区间设计）的核心思想：设定目标毒性率 φ_T，构造最优决策区间，用观测到的 DLT 率驱动剂量升降决策。

📊 图3：BOIN 三区间决策可视化（以 φT = 0.30 为例）

φT（目标毒性率）	λe（升剂量边界）	λd（降剂量边界）
0.20	0.157	0.238
0.25	0.197	0.298
0.30	0.236	0.359
0.35	0.276	0.419
0.40	0.316	0.480

BOIN 的最大优势：所有决策边界可在试验开始前预先生成为"决策表"，放入方案附录，全程查表决策，无需实时统计计算，监管友好度极高。

BOIN 的局限：完全由毒性数据驱动，即使收集了疗效数据，也完全不参与决策——对靶向/免疫治疗而言，这意味着系统性地"找错了剂量"。

PART 04

BOIN12 设计详解

效用框架 + 区间决策 + 两步 OBD 选择

4.1 效用矩阵：把临床价值判断量化

每个患者有四种可能结局，通过效用评分（Utility Score）综合毒性与疗效信息：

有疗效 (E=1)

无疗效 (E=0)

无毒性 (T=0)

100u₁ 最理想

40u₂ 临床设定

有毒性 (T=1)

60u₃ 临床设定

0u₄ 最差

默认值：u₁=100, u₂=40, u₃=60, u₄=0

💡 关键逻辑

u₁=100 和 u₄=0 为固定锚点
u₃ > u₂ (60 > 40)：说明患者愿以承担毒性换取疗效
u₂、u₃ 由临床医生主观给分，体现疾病特征和患者意愿

📐 期望效用公式

ū(d) = (1-pT)(1-pE)·u₂ + pT(1-pE)·u₄
       + (1-pT)pE·u₁ + pT·pE·u₃

📊 图4：效用框架验证——同样疗效，哪个剂量更好？

4.2 剂量升降决策规则

每个队列结束后，按以下三步执行决策（BOIN 边界 λe、λd 保持不变）：

Step 1

检查安全性：若 Pr[pT(d) > φT | 数据] > 0.95 → 触发毒性淘汰，降剂量（若已在最低剂量则停止试验）

Step 2

计算观测 DLT 率 p̂T = nT/n，与 BOIN 边界比较：

情形	条件	行动
情形 A	p̂T ≥ λd	直接降剂量
情形 B	λe < p̂T < λd 且 n ≥ 6	RDS 比较当前剂量与下方剂量，选高者
情形 C	p̂T ≤ λe，或情形B但 n < 6	RDS 比较邻近三个剂量，选最高者

特殊

剂量探索规则：若当前剂量入组 >8 人、p̂T < λd、且更高剂量从未入组 → 强制升剂量（防止局部最优陷阱）

4.3 RDS 表：BOIN12 的核心操作工具

RDS（Rank-based Desirability Score）：基于准 Beta-二项模型预先计算，将毒性与疗效的联合信息转化为排名分数（0-100）。使用方法：数 n、nT、nE → 查表 → 比较 RDS → 选分高的剂量

患者数 n	DLT 数 nT	有效数 nE	RDS 分数	含义
3	0	3	94	极佳
3	0	2	76	很好
3	0	1	55	一般
3	0	0	32	较差
3	1	2	64	尚可
3	1	1	44	偏差
3	1	0	22	很差
3	2	0	13	极差
3	3	任意	E（淘汰）	毒性过高，永久淘汰
6	0	6	100	完美
6	4	任意	E（淘汰）	毒性过高，永久淘汰

注：RDS 表在试验开始前由 trialdesign.org 自动生成，随效用权重不同而变化。"E"表示该剂量应永久淘汰。

4.4 最终 OBD 选择：两步程序

达到最大样本量 N 后，执行以下两步选择最终推荐剂量：

所有测试剂量（d₁ ~ d₅）

▼

第一步：等渗回归（PAVA）
对毒性概率做单调约束估计
选毒性估计最接近 φT 的剂量 = MTD

▼

第二步：效用排序（≤ MTD 范围内）
在安全剂量集中，选效用估计值最高者 = OBD ★

核心设计哲学：安全性优先，在安全保障下追求最优获益。
MTD 设定安全上限，OBD 在这个约束下寻找效用最大的剂量。即使某个高剂量在本次试验中疗效数据好看，只要它的毒性超过 MTD，就不会被选为 OBD。

PART 05

BOIN12 的优势与局限

客观评估：为什么选择 BOIN12，以及它的适用边界

✅ 四大优势

统计最优：OBD 正确选择率 52.3%，同类设计最高
无模型假设：不依赖剂量-效应函数形式，稳健性强
操作简便：预制 RDS 表，全程查表决策
安全保障：双重淘汰机制 + 两步 OBD 约束
监管友好：决策完全透明，可预先公示

⚠️ 主要局限

端点延迟：要求毒性和疗效可快速观测（延迟→TITE-BOIN12）
端点类型：标准版仅针对二元端点
权重主观：效用矩阵依赖临床医生判断，需敏感性分析
患者异质：不考虑亚群差异，若异质性高需分组

PART 06

BOIN12 vs U-BOIN

单阶段 vs 两阶段——为什么 BOIN12 效率更高？

★ BOIN12（2020）

单阶段设计

从第一个队列开始就综合毒性+疗效
全程利用效用信息
信息利用率 100%
trialdesign.org 网页支持
监管接受度更高

U-BOIN（2019）

两阶段设计

第一阶段仅用毒性（与 BOIN 相同）
第二阶段才引入疗效
第一阶段疗效数据被浪费
主要以 R 包实现
对传统团队过渡成本低

"U-BOIN 是两阶段设计，第一阶段仅基于毒性进行剂量爬坡，只有第二阶段才使用毒性-疗效权衡。相比之下，BOIN12 是单阶段设计，在整个试验过程中始终使用毒性-疗效权衡，因此在寻找 OBD 方面效率更高。"

—— Lin R et al., JCO Precision Oncology, 2020

对比维度	BOIN12	U-BOIN
设计阶段	单阶段	两阶段
疗效引入时机	第一队列起	第二阶段才引入
信息利用效率	全程利用	第一阶段浪费疗效数据
软件支持	trialdesign.org（网页）	R 包为主
监管接受度	★★★★	★★★

PART 07

模拟研究：数字说话

9 种场景 × 10,000 次模拟 —— BOIN12 全面领先

原文设计了涵盖 9 种剂量-效应场景的蒙特卡洛模拟（5个剂量，N=36，10,000次/场景），与 3+3+CE、EffTox、TEPI 进行全面比较。

📊 图5：OBD 正确选择率对比（平均值，来自原文 Fig 3A）

★ BOIN1252.3%

52.3%

TEPI47.3%

47.3%

EffTox45.7%

45.7%

3+3+CE（传统方法）25.3%

25.3%

* BOIN12 正确率是 3+3+CE 的 2.07 倍；在 Scenario 3（疗效早期平台）中，EffTox 仅 13.2%，BOIN12 高达 73.1%

📊 图6：不良分配风险（越低越好，来自原文 Fig 3D）

★ BOIN1236.3%

36.3%（最低）

TEPI49.1%

49.1%

EffTox65.6%

65.6%

3+3+CE（传统方法）74.2%

74.2%（最高）

* 不良分配风险：试验中 OBD 处患者数量不足的比例。3+3+CE 超过 3/4 的试验都存在此问题。

52.3%

BOIN12 正确选择率

25.3%

3+3+CE 正确选择率

36.3%

BOIN12 不良分配风险（最低）

PART 08

案例演示：逐队列走一遍 BOIN12

基于 Patil VM et al., J Clin Oncol, 2019 的演示案例

📋 试验参数设定

φT = 0.35

φE = 0.25

效用：100/40/60/0

λe = 0.276

λd = 0.419

每队列 3 人

剂量 d₁~d₅

最大 N = 36

起始 d₁

📊 图7：BOIN12 逐队列决策过程可视化

关键对比：如果使用 3+3，会在 d₃ 发现 MTD 并推荐该剂量。BOIN12 通过效用分析，发现 d₂ 的综合获益（效用 59.7 > d₃ 的 52.1）更优，且毒性率仅约 12%（vs d₃ 的约 27%）。相同疗效，毒性负担降低 55%。

PART 09

软件实现：trialdesign.org

免费、开放、10 分钟完成一个 BOIN12 设计

🌐 平台信息

地址：www.trialdesign.org（MD Anderson Cancer Center 开发）
完全免费，无需注册，支持 BOIN12、BOIN、TITE-BOIN 等全系列
输出：RDS 决策表（PDF/Excel）+ 模拟报告 + 方案语言模板
原文 Reference 37 直接引用此平台

进入 BOIN12 模块

打开 trialdesign.org → 顶部导航选择 "BOIN12"

输入临床参数

设定 φT（如 0.35）、φE（如 0.25）；填写效用矩阵（默认 100/40/60/0）

设置试验规模

剂量水平数（如 5）、每队列人数（如 3）、最大样本量 N（如 36）

生成 RDS 决策表

点击 "Get Boundary" → 立即生成完整 RDS 查找表，可导出 PDF/Excel 作为方案附录

运行模拟验证

点击 "Run Simulation" → 系统自动运行 10,000 次蒙特卡洛模拟，输出 Operating Characteristics 报告

下载方案模板

获取英文方案标准描述语言，可直接嵌入 IND 申请材料

向 IRB/DSMB 解释 BOIN12 的三句话：
① "和 BOIN 一样，我们有一张决策表，全程查表决策，完全透明可预先公示"
② "与 BOIN 的区别是同时考虑了疗效——综合效用最高的剂量才是推荐剂量"
③ "MD Anderson 开发，有大量文献支撑，10,000 次模拟证明其性能优于传统方法"

PART 10

六大设计横向比较

在关键维度上的全面评估

设计	端点	类型	复杂度	OBD 准确率	软件	监管接受
3+3	T	规则型	★☆☆	25.3%	Excel	★★★★★
BOIN	T	模型辅助	★★☆	MTD	Web	★★★★★
CRM	T	模型型	★★★★	中	R/SAS	★★★☆☆
EffTox	T+E	模型型	★★★★	45.7%（不稳）	R	★★★☆☆
TEPI	T+E	模型辅助	★★★☆	47.3%	R	★★★☆☆
U-BOIN	T+E	两阶段	★★★☆	中	R	★★★☆☆
★ BOIN12	T+E	单阶段辅助	★★☆（最简）	52.3%（最优）	Web	★★★★☆

T=毒性，E=疗效；OBD 准确率来自原文模拟研究（9场景平均值）

PART 11

五个核心 Takeaways

今天最重要的收获

认知更新：OBD ≠ MTD

靶向/免疫治疗时代，高剂量不等于最优剂量。传统 MTD 范式已不适合新型治疗，需要寻找真正的"最优生物剂量"。

方法本质：BOIN + 疗效 = BOIN12

效用矩阵把临床医生的价值判断量化；RDS 表把贝叶斯计算预先浓缩；查表即决策，兼顾精准与简便。

安全优先：两步 OBD 选择法

最终 OBD 选择不是"效用最高就选"——先用等渗回归定 MTD 安全上限，再在安全范围内选效用最高者。安全性始终优先。

数据支撑：模拟验证全面领先

9 种场景 × 10,000 次模拟：OBD 正确率 52.3%（3+3 的 2 倍），不良分配风险 36.3%（全场最低），过量毒性暴露最少。

实践零门槛：trialdesign.org 一站搞定

免费网页工具，10 分钟生成决策表 + 模拟报告 + 方案模板。推广 BOIN12 的最大障碍是认知，而非技术。

参考文献

核心参考文献

⭐ [1] Lin R, Zhou Y, Yan F, Li D, Yuan Y. BOIN12: Bayesian Optimal Interval Phase I/II Trial Design for Utility-Based Dose Finding in Immunotherapy and Targeted Therapies. JCO Precision Oncology. 2020;4:1393-1402. （主要参考文献）

[2] Liu SY, Yuan Y. Bayesian optimal interval designs for phase I clinical trials. Journal of the Royal Statistical Society: Series C. 2015;64(3):507-523.

[3] Yuan Y, Hess KR, Hilsenbeck SG, Gilbert MR. Bayesian optimal interval design: A simple and well-performing design for phase I oncology trials. Clinical Cancer Research. 2016;22(17):4291-4301.

[4] Zhou Y, Lee JJ, Yuan Y. A utility-based Bayesian optimal interval (U-BOIN) phase I/II design to identify the optimal biological dose for targeted and immune therapies. Statistics in Medicine. 2019;38(26):5299-5316.

[5] Yuan Y, Lee JJ, Hilsenbeck SG. Model-assisted designs for early-phase clinical trials: Simplicity meets superiority. JCO Precision Oncology. 2019;3:1-12.

[6] Patil VM, et al. Phase I/II study of palliative triple metronomic chemotherapy in platinum-refractory/early-failure oral cancer. Journal of Clinical Oncology. 2019;37(32):3032-3041. （案例参考）

下一篇贝叶斯方法临床试验指南：FDA和CDE双重发文详解