贝叶斯设计入局:临床试验统计的下一站
当 FDA 开始给贝叶斯“正名”,还在死守传统频率学派设计的团队,可能要掉队了。
“样本量算出来要 800 例,我们根本入不起。”
“II 期结果看着不错,但 III 期一做就失败,钱全打了水漂。”
“罕见病总共就 300 个患者,传统设计根本做不了。”
如果你在小型 biotech 或创新药企做过临床设计,这些话一定不陌生。传统的频率学派统计方法,像一把刻度精确的尺子,但在一些场景下,它太“费钱”、太“死板”、太“不近人情”。
2026 年 1 月,FDA 发布了一份重磅文件——贝叶斯方法在临床试验中应用的草案指南。这标志着贝叶斯设计正式从“边缘工具”进入了“主流舞台”。
今天这篇文章,我们把这件事讲透:贝叶斯到底和频率学派有什么不同?FDA 指南给了哪些“通行证”?小型 biotech 如何借势降本增效?

01 频率学派 vs 贝叶斯:两种“看待证据”的世界观
很多非统计背景的人一听到“贝叶斯”三个字就头疼。我们用一个生活化的例子来说清楚。
频率学派:只看“眼前的数据”
假设你要判断一枚硬币是否公平。频率学派的做法是:抛 100 次,如果正面朝上 55 次,计算 P 值,看这个结果是否“足够极端”来拒绝“硬币公平”的假设。它只关心你现在看到的数据,不关心你之前对硬币有任何了解。
在临床试验里,频率学派的问题是:每个试验都被当成“孤立事件”。II 期做完了,数据不能直接用于 III 期的统计推断。III 期样本量必须重新算,而且通常很大,因为要“从头积累证据”。
贝叶斯:把“已知”和“新证据”加起来
贝叶斯的方法,在抛硬币前会先问:“你之前觉得这枚硬币公平吗?”如果你说“我觉得大概率公平”,贝叶斯就把这个先验信息作为一个起点。抛了 100 次后,再用新数据更新这个信念,得到一个后验概率。
核心公式(不吓人版):先验信念 + 当前数据 = 更新后的信念
在临床试验里,这意味着:
- II 期的疗效数据,可以作为 III 期设计的先验信息;
- 历史对照数据、真实世界证据,都可以“借用”来减少需要的样本量;
- 试验过程中可以根据累积数据调整策略,而不是傻等最后揭盲。
简单说:频率学派把每次试验当“孤岛”,贝叶斯把知识当“河流”。

02 FDA 指南放出了什么信号?
FDA 的草案指南不是空喊口号,它明确说了:贝叶斯方法可以用于主要疗效推断,而不只是探索性分析。
这等于给了贝叶斯设计一张“注册级”的入场券。指南重点覆盖了三个领域:
1. 罕见病和儿科:小样本的“救星”
传统设计需要大样本量,但罕见病和儿科患者本来就稀缺。指南明确鼓励在这些领域使用贝叶斯方法,通过借用外部数据(如自然病史登记、历史研究)来降低对当前试验样本量的需求。
一个典型案例思路:某罕见病新药试验,传统设计需要 80 例患者,但通过借用历史对照数据,贝叶斯设计可能只需要 40 例。省下的不仅是钱,更是宝贵的时间。
2. 自适应设计:让试验“聪明”起来
贝叶斯和自适应设计是天然搭档。指南明确支持:
- 中期分析时调整样本量:如果数据已经很强,可以提前停止或减少后续入组;如果数据不够,可以增加样本量。
- 调整随机化比例:如果某个剂量组看起来更好,可以在后续入组中把更多患者分配到该组。
- 选择更有希望的子群体:如果发现某类患者对药物反应更好,可以聚焦继续入组。
这些操作在传统频率学派框架下很难做,因为需要严格的 Alpha 消耗校正。而贝叶斯在框架上更灵活。
3. 历史数据借用:前提是“先验要合理”
指南花了很大篇幅强调:借用外部数据不是“免费午餐”。
你必须证明:
- 先验信息与当前试验人群是可交换的(相似到可以互相替代);
- 先验的设定有科学依据,不能拍脑袋选一个“好看”的先验;
- 操作特征(Operating Characteristics)经过充分模拟:在不同情境下(有效、无效、中等效果),设计犯错的概率是多少?必须有量化的证据。
如果先验设定不合理,可能“借用”来的是偏差,反而误导结论。FDA 对这一块盯得很紧。

03 对小型 biotech 的机遇:用贝叶斯“花小钱办大事”
对于资源有限的小型 biotech,贝叶斯设计的吸引力是巨大的。
机遇一:样本量“瘦身”,预算压力骤减
通过合理借用历史数据,样本量可能减少 20%-40%。在单个受试者成本动辄几十万甚至上百万的试验里,这节省的是真金白银。
机遇二:更快做“继续/停止”决策
贝叶斯自适应设计可以在早期就判断“这个药到底行不行”。如果中期分析显示疗效概率很低,可以果断止损,把钱投到更有希望的管线。试错成本更小,决策速度更快。
机遇三:适应“精准医疗”趋势
篮子试验、伞式试验、平台试验,这些需要灵活调整的设计,贝叶斯是“标配”。小型 biotech 如果专注特定突变或亚群,用贝叶斯设计可以在更小样本里得到更有说服力的证据。
但机遇背后是门槛
贝叶斯设计不是“随便写个先验”就能用。它需要:
- 专业的统计师参与,进行大量模拟和操作特征评估;
- 与 FDA 提前沟通,获得监管认可的设计方案;
- 更复杂的数据管理和统计计算支持。
如果你的团队里只有传统频率学派的统计师,贸然上贝叶斯可能适得其反。
04 监管沟通建议:别把 FDA 当成“评审”,当成“合伙人”
FDA 指南本身就说:鼓励申办方在试验设计阶段就与 FDA 沟通。
对于计划采用贝叶斯设计的团队,建议沟通时准备以下材料:
- 先验设定依据:你打算用什么先验?基于哪些数据?为什么说这些数据与你的试验人群可交换?
- 模拟结果:在不同疗效假设下,设计的操作特征是什么?I 类错误率、Power、样本量分布都要有。
- 适应性规则:如果设计包含中期调整,触发规则是什么?调整幅度上限是多少?
- 敏感性分析:如果先验设定有偏差,结论的稳健性如何?换一种先验,结果会变吗?
核心原则:把“为什么这么设计”讲清楚,比设计本身是否“新颖”更重要。
FDA 不会因为你用贝叶斯就另眼相看,但如果你的设计有扎实的模拟和逻辑支撑,通过的可能性就高很多。
写在最后
贝叶斯不是“新潮玩具”,它是临床试验统计方法演进的必然方向。FDA 的指南,等于给这个方向盖了一个“官方认可”的章。
对小型 biotech 来说,这是降本增效的窗口期。谁先掌握贝叶斯设计的落地能力,谁就能在有限的资源里跑出更快的管线。
但对统计团队来说,这也是能力升级的挑战。只会套样本量公式已经不够了,你需要理解先验、模拟、操作特征这些概念,并能在监管沟通中守住科学底线。
下一个弯道,可能就来自一张贝叶斯设计的方案。
📌 转发给统计、医学、注册团队,让设计思维跟上监管步伐。
*本文基于 FDA 公开草案指南进行解读,不构成统计或监管建议。具体试验设计请咨询专业生物统计学团队。*
总经理-覃冬梅