Adaptive Designs in der Onkologie: Doppelte Erfolgsrate, aber keine Zeitersparnis
by 21Stable Team
Adaptive Studiendesigns gelten als die Zukunft der klinischen Forschung. Sie erlauben präspezifizierte Design-Modifikationen auf Basis akkumulierter Daten — von Fallzahlanpassungen über Interimsanalysen mit Stopp-Regeln bis hin zu Seamless-Übergängen zwischen den Phasen. Die Erwartung: schnellere, effizientere Studien, die seltener scheitern. Eine im April 2026 im *Journal of the National Cancer Institute* (JNCI) publizierte Querschnittsanalyse von 421 onkologischen Phase-III-Studien liefert nun die bislang umfassendste empirische Evidenz zu dieser Frage — mit einem überraschenden Ergebnis[1].
Die Studie: 421 Phase-III-Studien unter der Lupe
Purja et al. analysierten alle zwischen 2000 und 2020 initiierten randomisierten Phase-III-Studien zu Lungen- und Mammakarzinom aus der AACT-Datenbank (Aggregate Analysis of ClinicalTrials.gov, Stand April 2025). Einschlusskriterien: Time-to-Event als primärer Endpunkt, abgeschlossen oder terminiert. Von 421 geeigneten Studien setzten 210 ein adaptives Design (AD) ein — mit steigender Tendenz über die zwei Dekaden. Das häufigste adaptive Element waren **Gruppen-sequentielle Designs** mit präspezifizierten Interimsanalysen[1].
Die Autoren untersuchten zwei Endpunkte: (1) die **primäre Abschlusszeit** (primary completion time) mittels Kaplan-Meier-Kurven und multivariabler Cause-Specific-Cox-Regression sowie (2) den **primären Endpunkterfolg** mittels multivariabler logistischer Regression.
Das zentrale Ergebnis: Mehr Erfolg, nicht mehr Geschwindigkeit
Das Ergebnis ist auf den ersten Blick paradox: Adaptive Studien zeigten in der unadjustierten Analyse zwar eine kürzere primäre Abschlusszeit, dieser Unterschied verschwand jedoch nach multivariabler Adjustierung. Anders formuliert: **Adaptive Designs beschleunigen Phase-III-Studien nicht signifikant.**
Dafür ist der Effekt auf die Erfolgswahrscheinlichkeit umso deutlicher. Von 396 Studien mit verfügbaren Ergebnissen erreichten 163 ihren primären Endpunkt. Die Erfolgsrate adaptiver Studien lag bei **66,26%** gegenüber **33,74%** bei nicht-adaptiven Studien — eine adjustierte Odds Ratio von **2,36** (95%-KI: 1,49–3,78; p < 0,001)[1].
Die Mechanismen hinter diesem Effekt sind aufschlussreich: Adaptive Studien hatten eine signifikant höhere Hazard für einen **frühzeitigen Abbruch wegen Wirksamkeit oder Futilität** und eine niedrigere Hazard für **administrative Termination**. Mit anderen Worten: Adaptive Designs führen zu mehr datengetriebenen Entscheidungen — sie stoppen aussichtslose Studien früher und liefern bei positiven Signalen belastbarere Evidenz.
Warum keine Zeitersparnis?
Dass adaptive Designs nicht schneller sind, mag enttäuschen — ist aber bei genauer Betrachtung plausibel. Die Autoren nennen mehrere Erklärungen:
Einordnung: Was bedeutet das für die Praxis?
Die Studie von Purja et al. ist die bislang größte empirische Analyse adaptiver Designs in der bestätigenden Onkologie. Ihre Stärke liegt in der systematischen, datenbankbasierten Methodik; ihre Limitation in der Beschränkung auf Lungen- und Mammakarzinom-Studien sowie der retrospektiven Klassifikation adaptiver Elemente anhand von ClinicalTrials.gov-Einträgen.
Für die klinische Forschung ergeben sich drei Implikationen:
1. Adaptiv heißt nicht automatisch schneller. Sponsoren und Förderer sollten adaptive Designs primär als Instrument zur Erhöhung der Erfolgswahrscheinlichkeit betrachten, nicht als Beschleuniger. Der Return on Investment liegt in der Vermeidung negativer Phase-III-Studien — bei durchschnittlichen Kosten von über 50 Millionen US-Dollar pro Phase-III-Studie ein erheblicher Hebel.
2. Gruppen-sequentielle Designs sind das Arbeitspferd. Die Dominanz dieses einfachsten adaptiven Elements unterstreicht, dass nicht jede Studie ein komplexes Seamless- oder Plattform-Design benötigt. Eine gut geplante Interimsanalyse mit O'Brien-Fleming-Grenzen kann bereits den entscheidenden Unterschied machen.
3. Die regulatorische Landschaft reift. Mit ICH E20 (Step 2b, 2025), der FDA Master Protocol Guidance (2022) und dem FDA Bayesian Guidance Draft (2026) existiert ein kohärenter regulatorischer Rahmen für adaptive Designs[2,3,4]. Die STAMPEDE-Plattform-Studie beim Prostatakarzinom — deren jüngste Post-hoc-Analyse in *The Lancet Oncology* den prädiktiven Wert von On-Treatment-PSA für das Gesamtüberleben demonstrierte — zeigt, wie Plattform-Protokolle über Jahre hinweg multiple Fragestellungen unter einem Dach bündeln können[5].
Fazit
Adaptive Designs sind kein Allheilmittel, aber ein präzises Werkzeug. Sie machen onkologische Phase-III-Studien nicht schneller — aber sie machen sie **besser**. Eine Verdopplung der Erfolgswahrscheinlichkeit (OR 2,36) ist ein Argument, das kein Sponsor ignorieren kann. Die Herausforderung für Biostatistiker und klinische Forscher besteht darin, das richtige adaptive Element für die richtige Fragestellung zu wählen — und die operative Infrastruktur bereitzustellen, die adaptive Designs benötigen, um ihr volles Potenzial zu entfalten.
---
Key Findings
Adaptive clinical trial designs are widely regarded as the future of clinical research. They allow prespecified design modifications based on accumulated data—from sample size re-estimation and interim analyses with stopping rules to seamless phase transitions. The expectation: faster, more efficient trials that fail less often. A cross-sectional analysis of 421 oncology phase III trials, published in April 2026 in the *Journal of the National Cancer Institute* (JNCI), now provides the most comprehensive empirical evidence to date on this question—with a surprising result[1].
The Study: 421 Phase III Trials Under the Microscope
Purja et al. analyzed all randomized phase III lung and breast cancer trials initiated between 2000 and 2020 from the AACT database (Aggregate Analysis of ClinicalTrials.gov, downloaded April 2025). Inclusion criteria: time-to-event primary endpoints, completed or terminated. Of 421 eligible trials, 210 employed an adaptive design (AD)—with increasing adoption over the two decades. The most common adaptive element was **group-sequential designs** with prespecified interim analyses[1].
The authors examined two endpoints: (1) **primary completion time** using Kaplan-Meier curves and multivariable cause-specific Cox regression, and (2) **primary endpoint success** using multivariable logistic regression.
The Central Finding: More Success, Not More Speed
The result appears paradoxical at first glance: adaptive trials showed shorter primary completion times in unadjusted analysis, but this difference disappeared after multivariable adjustment. In other words: **adaptive designs do not significantly accelerate phase III trials.**
The effect on success probability, however, is all the more striking. Of 396 trials with available results, 163 achieved their primary endpoint. The success rate for adaptive trials was **66.26%** compared to **33.74%** for non-adaptive trials—an adjusted odds ratio of **2.36** (95% CI: 1.49–3.78; p < 0.001)[1].
The mechanisms behind this effect are revealing: adaptive trials had a significantly higher hazard for **early stopping due to efficacy or futility** and a lower hazard for **administrative termination**. In other words: adaptive designs lead to more data-driven decisions—they stop futile trials earlier and deliver more robust evidence when signals are positive.
Why No Time Savings?
That adaptive designs are not faster may be disappointing—but is plausible on closer inspection. The authors offer several explanations:
Context: What Does This Mean for Practice?
The study by Purja et al. is the largest empirical analysis of adaptive designs in confirmatory oncology to date. Its strength lies in the systematic, database-driven methodology; its limitation in the restriction to lung and breast cancer trials and the retrospective classification of adaptive elements based on ClinicalTrials.gov entries.
Three implications emerge for clinical research:
1. Adaptive does not automatically mean faster. Sponsors and funders should view adaptive designs primarily as a tool to increase the probability of success, not as an accelerator. The return on investment lies in avoiding negative phase III trials—at average costs exceeding $50 million per phase III trial, a substantial lever.
2. Group-sequential designs are the workhorse. The dominance of this simplest adaptive element underscores that not every trial needs a complex seamless or platform design. A well-planned interim analysis with O'Brien-Fleming boundaries can already make the decisive difference.
3. The regulatory landscape is maturing. With ICH E20 (Step 2b, 2025), the FDA Master Protocol Guidance (2022), and the FDA Bayesian Guidance Draft (2026), a coherent regulatory framework for adaptive designs exists[2,3,4]. The STAMPEDE platform trial in prostate cancer—whose recent post-hoc analysis in *The Lancet Oncology* demonstrated the predictive value of on-treatment PSA for overall survival—shows how platform protocols can bundle multiple questions under one infrastructure over many years[5].
Conclusion
Adaptive designs are not a panacea, but a precision tool. They do not make oncology phase III trials faster—but they make them **better**. A doubling of the probability of success (OR 2.36) is an argument no sponsor can ignore. The challenge for biostatisticians and clinical researchers is to select the right adaptive element for the right question—and to provide the operational infrastructure that adaptive designs need to realize their full potential.
---