贝叶斯最优区间（BOIN）方法是一种用于I期临床试验的创新方法，旨在确定新药或治疗的最大耐受剂量（MTD）。I期试验的主要目标是确定后续试验阶段中最安全且最有效的剂量，重点在于在保持治疗效果的同时最大限度地减少毒性。
BOIN方法的关键概念
：
1. 贝叶斯框架：
-
BOIN在贝叶斯统计框架下运行，结合先验知识或信念（如果有），并随着试验中收集的数据进行更新。这种方法为剂量探索提供了灵活且自适应的方法。
2. 基于区间的决策：
-
BOIN方法将可能的剂量水平划分为多个区间，基于剂量限制性毒性（DLT）的概率。这些区间指导是否升级、降级或维持当前剂量的决策。
3. 目标毒性率：
- 该方法以预先设定的目标毒性率为中心，表示可接受的DLT水平。通常，这一目标设定在20-30%左右，意味着目标是在约20-30%的患者中发现DLT的剂量水平。
4. 决策边界：
-
BOIN基于目标毒性率建立了两个关键的决策边界：
- 升级边界：如果当前剂量水平的观察到的毒性率低于此边界，试验将升级至更高的剂量。
- 降级边界：如果观察到的毒性率超过此边界，试验将降级至较低的剂量。
5. 简洁性和透明性：
-
BOIN方法的主要优点之一是其简洁性。决策规则简单明了，易于实施，使其能够为临床医生和研究人员所接受，而无需深入的统计专业知识。
6. 自适应设计：
-
BOIN方法是自适应的，意味着随着新数据的获得，它可以不断更新其剂量推荐。这种灵活性使得试验过程中MTD的识别更加准确。
7. 伦理考虑：
- 通过使用预先定义的决策边界，BOIN确保患者在剂量水平上得到伦理上可接受的治疗。它尽量减少了患者暴露于潜在不安全剂量的风险，这是早期试验中的关键考虑因素。
8. 性能与效率：
- 研究表明，BOIN方法在性能上与传统的剂量探索方法（如3+3设计）和其他基于模型的方法（如CRM - 连续重新评估方法）相当或更优。它也更加高效，通常需要更少的患者来确定MTD。
BOIN设计和3+3
设计都是在I期临床试验中用于确定药物最大耐受剂量（MTD）的方法。然而，它们在方法论、灵活性、效率和统计严谨性上存在显著差异。以下是
两者的比较：
1. 方法论
- BOIN设计：
- 贝叶斯框架：BOIN基于贝叶斯统计框架，它可以结合先验知识，并随着试验进展更新数据。
- 基于区间的决策：BOIN使用预先设定的毒性概率区间来决定是否升级、降级或维持当前剂量。决策规则基于观察到的毒性率与这些区间的比较。
- 3+3设计：
- 规则驱动的方法：3+3设计是一种传统的、非贝叶斯的规则驱动方法。试验通常从一个小组患者（通常为3人）开始，如果少于三分之一的患者出现剂量限制性毒性（DLT），剂量会升级。
- 固定升级：如果3名患者中0人出现DLT，则剂量升级。如果1人出现DLT，则在相同剂量下再招募3名患者。如果2人或更多出现DLT，则剂量会降级或试验停止。
2. 灵活性
- BOIN设计：
- 自适应：BOIN是自适应的，意味着它可以根据累积数据不断调整，从而更灵活地、更准确地识别MTD。
- 有针对性：BOIN明确以预设的毒性率为目标（例如20-30%），并根据观察到的数据调整剂量决策，导致更精确的剂量发现。
- 3+3设计：
- 固定规则：3+3设计遵循一套固定的规则，无法根据累积的数据进行调整。它不使用特定的目标毒性率。
- 缺乏精确性：由于其刚性结构，该设计可能过于保守，可能导致对MTD的低估或高估。
3. 统计严谨性
- BOIN设计：
- 基于统计驱动：BOIN在决策过程中采用了概率理论，统计上更加严谨。它考虑了数据中的不确定性和变异性。
- 更准确的MTD：由于BOIN不断优化其剂量估计，它往往提供更准确和统计上更健全的MTD估计。
- 3+3设计：
- 较少统计基础：3+3设计缺乏坚实的统计基础。它简单但不考虑数据的全部变异性，也不使用概率来指导决策。
- 二元结果：在3+3设计中，决策是基于二元结果（是否出现DLT）作出的，而不考虑毒性率的整体分布。
4. 效率
