在之前的文章中，有临来雅团队详细解读了BOIN设计在寻找最大耐受剂量（MTD）上的高效表现，以及BF-BOIN设计如何在剂量探索中兼顾早期的疗效信号。这些方法通过模型辅助设计，极大地提升了I期临床试验的安全性探索效率。

然而，随着靶向药物和免疫疗法的普及，我们面临一个新的挑战：“最安全”或“最高”的剂量，真的就是“最好”的吗？

对于这类新型药物，剂量的增加并不意味着疗效的线性提升，甚至可能带来不必要的毒性风险。此时，传统的MTD往往不再适用，我们需要寻找一个最优生物剂量（OBD）——即在获益与风险之间达到最佳平衡的点。为此，我们需要引入BOIN家族的“高阶版本”——U-BOIN（Utility-based Bayesian Optimal Interval）设计。

一、 进阶逻辑：从“单一维度”到“多维权衡”

如果说BOIN关注的是“毒性红线”，BF-BOIN开始关注“疗效信号”，那么U-BOIN则实现了质的飞跃：它引入了“效用函数”，将毒性和疗效进行量化权衡，不再单纯追求剂量爬得有多高，而是致力于寻找综合获益最大的OBD。

其核心优势在于：

1. 操作简便： 继承了BOIN家族“模型辅助”的优良基因，无需复杂计算，查表即可执行。
2. 联合建模： 采用多项式-狄利克雷模型对毒性和疗效进行联合建模，比单一维度分析更稳健。
3. 应对延迟： 针对免疫治疗常见的疗效延迟问题，可通过扩展方法利用短期指标辅助决策。

二、 实战案例：某靶向药的剂量抉择困境

假设某药企正在研发一款新型靶向药物，预设了4个剂量水平（DL1-DL4）。按照传统思路，试验可能会一路爬坡至DL4。

传统设计的潜在风险：

• 场景推演： DL4的剂量限制性毒性（DLT）率未超标，但患者出现了严重的非DLT级别皮疹，生活质量显著下降，且疗效并未较DL2提升。
• 结果： 传统设计可能推荐DL4作为RP2D，但这并非临床最优解。

U-BOIN设计的破局之道：
U-BOIN通过两阶段策略解决了这一难题：

1. 第一阶段（安全探路）：
   继承BOIN规则（详见BOIN设计相关文章）， 快速排除过高毒性剂量。研究者在DL1、DL2未观察到过度毒性，快速递增。在DL3确认安全后，划定安全剂量集合（如DL1-DL3）， 为第二阶段筛选做准备。
2. 第二阶段（精准画像）：
   随着患者数据的累积，U-BOIN开始计算各剂量的综合效用。系统采用多项式-狄利克雷模型对毒性和疗效进行联合建模，动态更新后验估计：
   • DL1：疗效一般，毒性低。效用评分：60分。
   • DL2：疗效明显提升，毒性可控。效用评分：85分（最高）。
   • DL3：疗效持平，毒性增加。效用评分：70分。
   • DL4：疗效未增，副作用大。效用评分：40分。

根据决策规则，系统将后续入组的患者优先分配给效用最高的DL2，避免了更多患者暴露在DL3和DL4的风险中。

最终结论： 试验结束时，U-BOIN推荐DL2作为OBD。这不仅是统计学的最优解，更是伦理和临床价值的最优解——既保证了疗效，又最大程度降低了毒性负担。

三、 落地工具：从理论到实践

通过 http://www.trialdesign.org 或 http://trialdesign.cn/ 平台，研究者可一键生成U-BOIN决策表。但在实际试验设计中，如何科学设定效用函数、定义可接受毒性范围，仍需专业团队的加持。

有临来雅拥有经验丰富的数统团队。能够为申办方提供从统计设计规划到数据管理与统计分析的全流程服务，确保方案的科学性与合规性，助力新药研发企业高效决策。

四、 结语

从BOIN到U-BOIN，不仅是方法学的迭代，更是新药研发理念的升级。有临来雅将持续关注前沿设计方法（如BOIN12等），以专业的数统服务助力新药研发企业高效锁定最佳剂量。让患者在获益中承受最小的代价。

参考文献：
[1] 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. Stat Med. 2019 Dec 10;38(28):5299-5316. doi: 10.1002/sim.8361.