Bayesian Dose-Findung in der Onkologie: BOIN, CRM & FDA Project Optimus

Einleitung

Seit Jahrzehnten dominiert das 3+3-Design die Dosisfindung in Phase-I-Onkologiestudien. Es ist einfach, intuitiv und überall bekannt. Aber es ist auch statistisch naiv, ineffizient und führt systematisch zur Unterdosierung von Wirkstoffen — ein Problem, das die FDA mit **Project Optimus** ab 2023 explizit adressiert. Die aktuelle Lösung: Bayesian model-basierte Designs, insbesondere das **Bayesian Optimal Interval (BOIN)** Design und das **Continual Reassessment Method (CRM)**.

Kernerkenntnis

Bayesian Dosisfindungsdesigns wählen die richtige Dosis mit **höherer Wahrscheinlichkeit** und exponieren **weniger Patienten** subtherapeutischen oder toxischen Dosen als das klassische 3+3-Design. Der fundamentale Unterschied: Sie aktualisieren nach jeder Kohorte die Wahrscheinlichkeitsverteilung der Toxizitätsraten und treffen datengetriebene Entscheidungen — anstatt starr vorgegebene Regeln zu befolgen.

FDA Commissioner Robert Califf bezeichnete Project Optimus als „Regulatorische Initiative zur Transformation der Dosisfindung in der Onkologie"[1]. Die Kernforderung: **Optimale biologische Dosis statt maximal tolerierter Dosis als Entscheidungsgrundlage.**

Forschungsmethodik

Das **BOIN Design** (Liu & Yuan, MD Anderson Cancer Center) minimiert die Wahrscheinlichkeit falscher Dosisentscheidungen durch optimale Escalation- und De-escalation-Grenzen[2]:

Target-Toxizitätsrate φ: Typischerweise 0.20–0.30, definiert die akzeptable DLT-Rate (Dose-Limiting Toxicity)

Escalation-Grenze λₑ = log[(1-φ)/(1-φₑ)] / log[φ(1-φₑ)/φₑ(1-φ)] (~ 0.6 × φ)

De-escalation-Grenze λ_d = log(φ_d/φ) / log[(1-φ_d)φ_d/(1-φ)φ] (~ 1.4 × φ)

Entscheidungsregel: Escalate wenn p̂ < λₑ, de-escalate wenn p̂ > λ_d, sonst retain

Das **CRM** (O'Quigley, Pepe & Fisher, 1990) modelliert die Dosis-Toxizitäts-Kurve mittels eines working models und aktualisiert die Posterior-Verteilung nach jeder Kohorte[3]. Im Gegensatz zu BOIN verwendet CRM ein vollständiges parametrisches Modell — präziser, aber komplexer in der Kommunikation gegenüber Klinikern und Regulatoren.

Vergleich der Designs

Simulationen zeigen, dass BOIN eine der korrekten MTD-Selektionsraten (**PCS**) von 50–60% erreicht — verglichen mit nur 35–40% beim 3+3-Design[4]. Gleichzeitig werden deutlich weniger Patienten Dosen ausgesetzt, die entweder stark untertherapeutisch oder stark toxisch sind.

Klinische Relevanz

FDA Project Optimus: Warum die alte Methode nicht mehr reicht

Project Optimus (2023) entstand aus der Erkenntnis, dass viele zugelassene Onkologika **nicht optimal dosiert** sind. Die FDA forderte ab 2023 in Phase-II-Studien mindestens **zwei Dosisstufen** zu evaluieren, begleitet durch dose-response-Analysen[1].

Bayesian designs liefern hierfür die methodische Basis:

**Schnellere MTD-Identifikation:** BOIN und CRM benötigen durchschnittlich 10–20% weniger Patienten als 3+3 bei gleicher Präzision.

**Bessere Patienten-Safety:** Durch kontinuierliche Modellaktualisierung werden Dosis-Escalationen gestoppt, bevor inakzeptable Toxizitätsraten auftreten — im Gegensatz zum 3+3-Design, das erst nach 3–6 Patienten reagiert.

**Flexibilität für Kombinationstherapien:** Moderne Onkologie-Studien prüfen zunehmend Kombinationen von Immuntherapien und zielgerichteten Wirkstoffen. Bayesian platform designs wie das **Backfill BOIN** oder **iBOIN** erlauben parallele Dosisfindung in mehreren Kombinationsarmen.

**Project-Optimus-konform:** Bayesian designs generieren dose-response-Daten entlang der gesamten untersuchten Dosispalette — genau das, was die FDA unter Project Optimus einfordert.

Praxisbeispiel: BOIN im Einsatz

In einer typischen Phase-I-Studie mit 5 Dosisstufen (Target-Toxizität φ = 0.25):

Kohorte 1 (Dosis 1, 3 Patienten): 0 DLTs → Escalate nach BOIN-Regel (p̂ = 0.00 < 0.149)

Kohorte 2 (Dosis 2, 3 Patienten): 1 DLT → Escalate (p̂ = 0.33, aber Grenze bei 0.357)

Kohorte 3 (Dosis 3, 3 Patienten): 1 DLT → Retain (p̂ = 0.33, zwischen 0.149 und 0.357)

Kohorte 4 (Dosis 3, 3 weitere Patienten): 2 DLTs → De-escalate (p̂ = 0.50 > 0.357)

Die MTD wird als **Dosis 2** empfohlen — mit einer isotonischen Schätzung der Toxizitätsrate von 25%, was exakt dem Target entspricht.

Fazit

Die FDA-Bewegung weg vom „Maximum Tolerated Dose"-Denken hin zur „Optimal Biological Dose" (Project Optimus) macht Bayesian Dosisfindungsdesigns nicht nur empfehlenswert, sondern praktisch unverzichtbar für moderne Onkologie-Entwicklung.

Für Biostatistiker bedeutet das:

**BOIN als Werkzeug der Wahl:** Das BOIN Design bietet die beste Balance aus statistischer Präzision und praktischer Umsetzbarkeit — besonders für Sponsoren, die erstmals von 3+3 auf model-basierte Designs umsteigen.

**Frühe regulatorische Abstimmung:** Die FDA hat im Januar 2026 ihre Draft Guidance zu Bayesianischen Methoden veröffentlicht, die explizit Dosisfindungsstudien in der Onkologie adressieren[5]. Sponsoren sollen das Design vor Studienbeginn mit der FDA besprechen.

**Software-Infrastruktur:** Das BOIN-Paket in R (verfügbar über CRAN) und die MD Anderson BOIN Shiny App[6] ermöglichen die direkte Implementierung ohne aufwendige eigene Programmierung.

Die statistische Evidenz ist klar: Bayesian Dosisfindungsdesigns sind überlegen — sicherer, effizienter, und regulatorisch zunehmend erwartet.

---

Key Findings

The FDA's **Project Optimus** initiative (2023) marked a paradigm shift in oncology dose-finding: away from the legacy **3+3 design** and toward **optimal biological dose** determination[1]. Bayesian model-based designs — particularly **BOIN** and **CRM** — are the methodological foundation for this transition.

Core Insight

BOIN (Bayesian Optimal Interval) designs achieve **50–60% correct MTD selection rates** compared to 35–40% for 3+3, while exposing fewer patients to subtherapeutic doses[4]. The key innovation is pre-computed optimal escalation/de-escalation boundaries that minimize decision errors while remaining clinically interpretable.

Methodology

BOIN Design (Liu & Yuan, MD Anderson): Uses optimal interval boundaries (λₑ ≈ 0.6 × φ, λ_d ≈ 1.4 × φ) to guide dose decisions after each cohort[2]

CRM (O'Quigley et al., 1990): Full parametric model of the dose-toxicity curve with Bayesian updating[3]

Simulation evidence: Both designs consistently outperform 3+3 across diverse dose-toxicity scenarios

Clinical Relevance

Practical Implications

**Faster MTD identification:** 10–20% fewer patients needed than 3+3

**Improved safety:** Earlier detection of unacceptable toxicity rates

**Combination therapy support:** Extensions like Backfill BOIN and iBOIN handle multi-arm dose-finding

**Project Optimus alignment:** Bayesian designs generate dose-response data across the full dose range — exactly what FDA now requires

Implementation

The BOIN R package (CRAN) and the MD Anderson BOIN Shiny App[6] provide ready-to-use tools for sponsors transitioning from 3+3 designs.

Conclusion

Project Optimus makes Bayesian dose-finding designs not just preferable but increasingly **expected** by regulators. The FDA's January 2026 draft guidance on Bayesian methods explicitly highlights dose-escalation studies in oncology[5]. With mature software infrastructure and overwhelming evidence of superiority over 3+3, there is little reason to continue using algorithm-based designs for new Phase I oncology trials.

---

References

FDA Oncology Center of Excellence (2023). *Project Optimus: Optimizing Dose in Oncology Drug Development*. U.S. Food and Drug Administration. https://www.fda.gov/about-fda/oncology-centers-excellence/project-optimus

Liu S, Yuan Y (2015). Bayesian optimal interval designs for phase I clinical trials. *Journal of the Royal Statistical Society: Series C (Applied Statistics)*, 64(3):507–523. https://doi.org/10.1111/rssc.12089

O'Quigley J, Pepe M, Fisher L (1990). Continual reassessment method: a practical design for phase 1 clinical trials in cancer. *Biometrics*, 46(1):33–48. https://doi.org/10.2307/2531628

Liu S, Yuan Y (2017). A comparative study of Bayesian optimal interval (BOIN) design with interval 3+3 (i3+3) design for phase I oncology dose-finding trials. *BMC Medical Research Methodology*, 17:51. https://doi.org/10.1186/s12874-017-0332-5

FDA (2026). *Use of Bayesian Methodology in Clinical Trials of Drug and Biological Products: Draft Guidance*. U.S. Food and Drug Administration. https://www.fda.gov/drugs/guidances-drugs/guidance-recap-podcast-use-bayesian-methodology-clinical-trials-drug-and-biological-products

MD Anderson Cancer Center. *BOIN Shiny App*. https://biostatistics.mdanderson.org/shinyapps/BOIN/