الانتقال إلى المحتوى
العودة إلى نتائج البحث

تحليل المخاطر المتنافسة التكيفي

قدّمه
Fine & Gray (subdistribution hazard, 1999); adaptive extensions by Beyersmann, Schumacher and colleagues
السنة
1999 (foundational Fine-Gray model); adaptive extensions 2000s–2010s
النوع
Statistical survival analysis with adaptive interim monitoring
العائلة
Clinical / epidemiology

هذا النص ترجمة آلية ولم تتم مراجعته بعد. اقرأ النص الأصلي بالإنجليزية

حجم الخط

ماذا تفعل؟

يجمع تحليل المخاطر المتنافسة التكيفي بين إطار المخاطر الفرعية لـ Fine-Gray — الذي ينمذج التراكم التراكمي لسبب فشل واحد في وجود أسباب أخرى متعارضة — وقواعد المراقبة المؤقتة التكيفية أو المتسلسلة جماعياً. يتيح ذلك تعديل تجربة سريرية أو دراسة رصدية في منتصف الطريق (مثل إعادة تقييم حجم العينة، أو التوقف المبكر) بناءً على بيانات المخاطر المتنافسة المتراكمة مع الحفاظ على التحكم المحدد مسبقاً في خطأ النوع الأول.

الفكرة الحدسية وراء الطريقة

في العديد من الدراسات السريرية، يمكن أن يفشل المرضى لأكثر من سبب واحد: موت السرطان، والموت القلبي الوعائي، وانسحاب العلاج كلها نتائج ممكنة. لا يستطيع تحليل البقاء القياسي التمييز بين هذه الأسباب بشكل جيد؛ ينمذج تحليل المخاطر المتنافسة كل سبب على حدة عن طريق تقدير دالة التراكم التراكمي (CIF) بدلاً من مجرد منحنى البقاء العام. إضافة طبقة تكيفية تعني أنه بعد فحص البيانات المؤقتة، يمكن لفريق الدراسة تعديل حجم العينة أو حدود التوقف بطريقة صارمة إحصائياً — دون عمليات النظر غير المخطط لها التي تضخم معدلات الإيجابية الكاذبة. فكر في الأمر على أنه بناء خطة قابلة للتعديل في دراستك من البداية، مع حواجز تضمن بقاء النتيجة النهائية صالحة.

التاريخ

تعود الأسس النظرية لتحليل المخاطر المتنافسة في بيانات البقاء على قيد الحياة إلى علوم الاكتوارية، ولكن الإطار الإحصائي الحديث أسسه Fine و Gray في ورقتهما الرائدة عام 1999 في JASA، والتي قدمت نموذج مخاطر المخاطر الفرعية النسبية وإحصائية اختبار K-sample المرتبطة بها. تم تطوير امتدادات تكيفية ومتسلسلة جماعياً لإعدادات المخاطر المتنافسة لاحقاً بواسطة Beyersmann و Schumacher وزملائهم، مع مساهمات رئيسية أيضاً من Schmoor و Schwarzer. اكتسبت الطريقة زخماً في تجارب علم الأورام، وأبحاث نتائج القلب والأوعية الدموية، وطب زرع الأعضاء، حيث تكون أنواع الفشل المتعددة هي القاعدة السريرية وليست الاستثناء.

متى تُستخدم

استخدم تحليل المخاطر المتنافسة التكيفي عندما (1) تكون نقطة النهاية الأساسية هي نقطة نهاية الوقت حتى الحدث المعرض لأحداث متنافسة متعارضة (مثل، الوفاة المحددة بالمرض جنباً إلى جنب مع الوفيات لجميع الأسباب أو الأحداث غير المميتة)، (2) يجعل عدم اليقين في مرحلة التصميم التعديلات في منتصف الطريق قيّمة (مثل، معدلات الأحداث غير المؤكدة، حجم التأثير، أو التجميع)، و (3) تكون الدراسة كبيرة بما يكفي — عادةً تجربة عشوائية متعددة المواقع أو دراسة سجل — لتبرير البنية التحتية للمراقبة المؤقتة. لا تستخدم عندما تكون الأحداث المتنافسة ضئيلة أو الوفيات لجميع الأسباب هي نقطة النهاية الوحيدة (يكفي تحليل البقاء التكيفي القياسي)، (ب) تكون العينة صغيرة جداً بحيث لا تسفر المراقبة المؤقتة عن تقديرات قوة شرطية ذات مغزى، أو (ج) لا يمكن تحديد القواعد التكيفية مسبقاً وتثبيتها قبل كشف التعمية، مما يبطل التحكم في خطأ النوع الأول.

الحدود والاعتبارات

  • نسبة المخاطر الفرعية من نموذج Fine-Gray لا تمتلك تفسيراً بيولوجياً مباشراً مثل نسبة المخاطر المحددة السبب؛ فهي تخلط بين تأثيرات المتغيرات على حدوث الأحداث المتنافسة وعلى البقاء على قيد الحياة من الأحداث المتنافسة.
  • يتطلب التحديد المسبق لجميع القواعد التكيفية، ودوال إنفاق ألفا، وجداول النظر المؤقتة قبل كشف البيانات — التعديلات اللاحقة تبطل الاستدلال.
  • مراجعة البيانات المؤقتة من قبل إحصائي غير معمم أو لجنة مراقبة بيانات مستقلة تضيف تعقيداً لوجستياً وتنظيمياً.
  • قد لا توفر أحجام العينات الصغيرة إلى المتوسطة قوة شرطية كافية في عمليات النظر المؤقتة لاتخاذ قرارات التكيف بشكل موثوق.

لا تغني شروط المصدر عن المراجعة العلمية المستقلة أو التحقق بواسطة محرك تحليل.

نقاط القوة

  • ينمذج بشكل صحيح احتمالية الفشل لسبب معين دون التحيز الذي أدخلته معاملة الأحداث المتنافسة على أنها رقابة مستقلة.
  • تسمح الطبقة التكيفية بإعادة تقييم حجم العينة أو التوقف المبكر، مما يحسن الكفاءة ويقلل من تعرض المشاركين لعلاج أدنى.
  • يحافظ على تحكم صارم في خطأ النوع الأول من خلال دوال إنفاق ألفا المحددة مسبقاً حتى عند تعديل تصميم الدراسة في منتصف الطريق.
  • ينتج مخرجات قابلة للتفسير سريرياً — دوال التراكم التراكمي — التي توجه قرارات العلاج بشكل أفضل من نسب المخاطر المحددة السبب وحدها.
  • قابل للتطبيق على كل من التجارب السريرية العشوائية ودراسات السجلات الرصدية الكبيرة مع بيانات وقت الحدث.

التطبيقات

  • تجارب الأورام التي تقارن البقاء على قيد الحياة المحدد بالسرطان في وجود وفيات لأسباب أخرى، أو عدوى، أو انقطاع العلاج.
  • دراسات نتائج القلب والأوعية الدموية حيث تكون نقطة النهاية الأساسية هي الأحداث القلبية الوعائية الكبرى جنباً إلى جنب مع المخاطر المتنافسة للوفاة غير القلبية الوعائية.
  • أبحاث زرع نخاع العظام التي تنمذج الانتكاس في وجود مخاطر متنافسة للوفاة المتعلقة بالزرع.
  • دراسات التيقظ الدوائي القائمة على السجلات التي تقيم الأحداث الضارة المنسوبة للأدوية عندما يمكن للمرضى الانسحاب أو الموت لأسباب أخرى.
  • تجارب سريرية لـ COVID-19 تراقب الوقت حتى التهوية الميكانيكية مع مراعاة الخروج المبكر أو الوفاة لأسباب غير تنفسية.

كيف يعمل

كيف يعمل

1

حدد سبب الاهتمام الأساسي (مثل، الوفيات المحددة بالسرطان) وسرد جميع الأحداث المتنافسة (مثل، الوفاة لأسباب أخرى، الانسحاب). حدد مسبقاً المتغيرات في نموذج المخاطر الفرعية، وعدد وتوقيت عمليات النظر المؤقتة، والقواعد التكيفية (حدود إعادة تقييم حجم العينة، وقواعد التوقف عن العقم أو التفوق) جنباً إلى جنب مع دالة إنفاق ألفا (مثل، O'Brien-Fleming) للتحكم في خطأ النوع الأول العائلي.

2

في كل تحليل مؤقت ونهائي، قم بتقدير دالة التراكم التراكمي لكل سبب باستخدام نموذج مخاطر المخاطر الفرعية النسبية لـ Fine-Gray. يبقى الأفراد الذين تعرضوا لحدث متنافس في مجموعة المخاطر للسبب محل الاهتمام بوزن مخفض إلى الصفر — وهو تمييز رئيسي عن نماذج المخاطر المحددة السبب. نسبة المخاطر الفرعية exp(β) تقيس تأثير المتغيرات على CIF مباشرة.

الصيغة
\hat{F}_k(t) = 1 - \exp\!\left(-\int_0^t \exp(\beta^\top Z)\, d\Lambda_{0k}(s)\right)
3

احسب إحصائيات الاختبار المؤقتة (مثل، اختبار Gray's K-sample أو إحصائيات الدرجات من نموذج Fine-Gray) وقارنها بالحدود المحددة مسبقاً لدالة الإنفاق. قم بتقييم ما إذا كانت ألفا المتراكمة المنفقة حتى الآن تتجاوز حد الإنفاق للتوقف المبكر (التفوق أو العقم).

4

إذا تم استيفاء القواعد التكيفية المحددة مسبقاً — على سبيل المثال، انخفضت القوة الشرطية دون حد العقم أو أشار حجم التأثير المؤقت إلى الحاجة إلى عينة أكبر — قم بتعديل التصميم وفقاً لذلك. تشمل التعديلات المسموح بها إعادة تقييم حجم العينة، أو إسقاط الذراع، أو مراجعات تعديل المتغيرات. يجب أن تتبع جميع التعديلات الخطة المسجلة مسبقاً للحفاظ على سلامة خطأ النوع الأول.

5

في التحليل النهائي، قم بحساب القيمة الاحتمالية المعدلة وفترة الثقة لنسبة المخاطر الفرعية باستخدام اختبار المجموع أو طريقة المقلوب الطبيعي لحساب التعديلات التكيفية. قم بالإبلاغ عن CIFs المحددة السبب مع نطاقات الثقة، وقدم كلاً من نقطة النهاية الأساسية ومعدلات الأحداث المتنافسة لإعطاء الأطباء صورة كاملة لملف المخاطر والمنافع.

الأخطاء الشائعة

  • معاملة الأحداث المتنافسة على أنها رقابة مستقلة في نموذج Kaplan-Meier أو Cox القياسي — هذا يبالغ في تقدير التراكم التراكمي للحدث الأساسي ويضخم فوائد العلاج الظاهرة.
  • إجراء تحليلات مؤقتة غير مخطط لها خارج إطار إنفاق ألفا المحدد مسبقاً، مما يضخم معدل خطأ النوع الأول ويمكن أن يبطل تقديمات الجهات التنظيمية.
  • تجاهل الأحداث المتنافسة تماماً عند الإبلاغ عن النتائج — قد يبدو العلاج الذي يقلل من وفيات السرطان ولكنه يزيد من وفيات القلب والأوعية الدموية مفيداً إذا تم عرض نقطة نهاية واحدة فقط.
  • استخدام قواعد تكيفية تعتمد على تأثير العلاج غير المعمم دون اختبار مجموع مناسب، مما يؤدي إلى قيم p وفترات ثقة غير صالحة في التحليل النهائي.
  • الخلط بين دوال التراكم التراكمي وقيم تقدير (1 - Kaplan-Meier)؛ فقط CIF هو التقدير الصحيح عند وجود مخاطر متنافسة.

الأسئلة الشائعة

ما هو الفرق بين نموذج Fine-Gray ونموذج المخاطر المحدد السبب؟

يقدر نموذج المخاطر المحدد السبب المعدل اللحظي للفشل لسبب معين بين أولئك الذين ما زالوا خاليين من الأحداث — يتم التعامل مع الأحداث المتنافسة على أنها رقابة. نموذج المخاطر الفرعية لـ Fine-Gray يبقي الأفراد الذين يتعرضون لحدث متنافس في مجموعة المخاطر (بوزن متناقص)، لذلك فهو ينمذج دالة التراكم التراكمي مباشرة. للتنبؤ بالمخاطر المطلقة في مجموعة سكانية، فإن CIF لـ Fine-Gray أكثر ملاءمة؛ لفهم الآليات البيولوجية لنوع فشل واحد، قد تكون المخاطر المحددة السبب مفضلة.

كيف أختار دالة إنفاق ألفا للمراقبة المؤقتة التكيفية؟

دالة إنفاق O'Brien-Fleming محافظة في البداية وتنفق المزيد من ألفا في وقت لاحق — مناسبة عندما يكون التوقف المبكر للفعالية غير مرجح. دالة إنفاق Pocock تخصص ألفا بشكل أكثر توازناً، مما يسهل التوقف المبكر للفعالية ولكنه يتطلب حداً نهائياً أقل. يجب تحديد الاختيار مسبقاً في البروتوكول وخطة التحليل الإحصائي؛ تتطلب الهيئات التنظيمية (FDA، EMA) هذا التحديد المسبق قبل أي تحليل مؤقت غير معمم.

هل يمكنني إضافة متغيرات إلى نموذج Fine-Gray في تصميم تكيفي؟

نعم. يعد تعديل المتغيرات في نموذج Fine-Gray شائعاً لعدم توازن خط الأساس، أو عوامل التنبؤ بالتشخيص، أو زيادة الدقة. في تصميم تكيفي، يجب تحديد المتغيرات المدرجة في النموذج مسبقاً؛ إضافة أو إزالة المتغيرات بعد مشاهدة البيانات المؤقتة يتطلب قاعدة محددة مسبقاً لاختيار المتغيرات أو يخاطر بتضخيم خطأ النوع الأول.

هل يتم قبول تحليل المخاطر المتنافسة التكيفي من قبل الهيئات التنظيمية؟

يتم قبول تصميمات التجارب التكيفية بشكل أوسع من قبل إدارة الغذاء والدواء الأمريكية (انظر دليلهم لعام 2019 بشأن التصميمات التكيفية للتجارب السريرية) ووكالة الأدوية الأوروبية، شريطة أن يتم تحديد القواعد التكيفية، ودوال إنفاق ألفا، وخصائص التشغيل مسبقاً وأن تحافظ التجربة على التعمية أثناء المراجعات المؤقتة من قبل لجنة مراقبة بيانات مستقلة. نقاط نهاية المخاطر المتنافسة قياسية أيضاً في تقديمات علم الأورام والقلب والأوعية الدموية، على الرغم من أن خطة التحليل يجب أن توضح ما إذا كانت نقطة النهاية الأساسية هي CIF أو المخاطر المحددة السبب.

ما هو البرنامج الذي يدعم تحليل المخاطر المتنافسة التكيفي؟

تنفذ حزمة R cmprsk نموذج Fine-Gray واختبار Gray. تدعم حزمة mstate امتدادات متعددة الحالات. بالنسبة لخصائص تشغيل التصميم التكيفي، تدعم gsDesign و rpact أطر العمل المتسلسلة جماعياً؛ الجمع بين هذه النماذج ونماذج المخاطر المتنافسة يتطلب عادةً رمز محاكاة مخصص أو حزم مصممة خصيصاً مثل PASS (NCSS) لحسابات حجم العينة في ظل المخاطر المتنافسة.

طرق ذات صلة

المصادر

  1. Fine, J. P., & Gray, R. J. (1999). A proportional hazards model for the subdistribution of a competing risk. Journal of the American Statistical Association, 94(446), 496–509.

    افتح مرجع DOI
    تم النسخ.
  2. Beyersmann, J., Allignol, A., & Schumacher, M. (2012). Competing Risks and Multistate Models with R. Springer.

    ردمك: 978-1461420767
    تم النسخ.