Zum Inhalt springen
Zurück zu den Suchergebnissen

Adaptive Analyse konkurrierender Risiken

Eingeführt von
Fine & Gray (subdistribution hazard, 1999); adaptive extensions by Beyersmann, Schumacher and colleagues
Jahr
1999 (foundational Fine-Gray model); adaptive extensions 2000s–2010s
Typ
Statistical survival analysis with adaptive interim monitoring
Familie
Clinical / epidemiology

Dieser Text ist eine maschinelle Übersetzung und wurde noch nicht geprüft. Original auf Englisch lesen

Schriftgröße

Was leistet sie?

Adaptive Competing Risks Analysis kombiniert den Fine-Gray-Subdistributions-Hazard-Rahmen – der die kumulative Inzidenz einer Ereignisursache bei Vorliegen anderer, sich gegenseitig ausschließender Ursachen modelliert – mit adaptiven oder gruppen-sequenziellen Interims-Überwachungsregeln.

Dies ermöglicht die Modifikation einer klinischen Studie oder Beobachtungsstudie im laufenden Betrieb (z. B. Neubewertung der Stichprobengröße, vorzeitige Beendigung) basierend auf akkumulierten Daten zu konkurrierenden Risiken unter Beibehaltung der vordefinierten Typ-I-Fehlerkontrolle.

Die Intuition hinter der Methode

In vielen klinischen Studien können Patienten aus mehr als einem Grund ausfallen: Krebstod, kardiovaskulärer Tod und Behandlungsabbruch sind mögliche Ergebnisse. Standard-Überlebenszeitanalysen können diese nicht gut unterscheiden; die Analyse konkurrierender Risiken modelliert jede Ursache separat, indem die kumulative Inzidenzfunktion (CIF) anstelle nur der Gesamtdauer der Überlebenskurve geschätzt wird. Das Hinzufügen einer adaptiven Schicht bedeutet, dass nach der Überprüfung von Interimsdaten das Studienteam die Stichprobengröße oder die Abbruchgrenzen auf statistisch rigorose Weise anpassen kann – ohne die ungeplanten Zwischenauswertungen, die falsch-positive Raten erhöhen. Betrachten Sie es als den Einbau eines verstellbaren Plans von Anfang an in Ihre Studie, mit Leitplanken, die sicherstellen, dass die endgültige Antwort gültig bleibt.

Geschichte

Die theoretische Grundlage für die Analyse konkurrierender Risiken in Überlebensdaten reicht bis in die Versicherungsmathematik zurück, aber der moderne statistische Rahmen wurde von Fine und Gray in ihrer wegweisenden JASA-Arbeit von 1999 etabliert, die das Proportional-Subdistributions-Hazard-Modell und die zugehörige K-Stichproben-Teststatistik einführte. Adaptive und gruppen-sequenzielle Erweiterungen für konkurrierende Risikosituationen wurden anschließend von Beyersmann, Schumacher und Kollegen entwickelt, mit wichtigen Beiträgen auch von Schmoor und Schwarzer. Die Methode hat in Onkologiestudien, der Forschung zu kardiovaskulären Ergebnissen und der Transplantationsmedizin an Bedeutung gewonnen, wo multiple Fehlertypen eher die klinische Norm als die Ausnahme darstellen.

Wann wird sie eingesetzt?

Verwenden Sie die adaptive Analyse konkurrierender Risiken, wenn (1) der primäre Endpunkt ein Zeit-zu-Ereignis-Endpunkt ist, der konkurrierenden, sich gegenseitig ausschließenden Ereignissen unterliegt (z. B. krankheitsspezifischer Tod neben der Gesamtmortalität oder nicht-tödlichen Ereignissen), (2) Unsicherheiten im Designstadium Anpassungen im Studienverlauf wertvoll machen (z. B. unsichere Ereignisraten, Effektgrößen oder Rekrutierung) und (3) die Studie groß genug ist – typischerweise eine multizentrische randomisierte Studie oder Registerstudie –, um die Infrastruktur für die Interims-Überwachung zu rechtfertigen. Verwenden Sie NICHT, wenn (a) konkurrierende Ereignisse vernachlässigbar sind oder die Gesamtmortalität der einzige Endpunkt ist (Standard-adaptive Überlebenszeitanalyse genügt), (b) die Stichprobe zu klein ist, als dass die Interims-Überwachung aussagekräftige bedingte Power-Schätzungen liefern könnte, oder (c) die adaptiven Regeln nicht vor der Entblindung vordefiniert und fixiert werden können, was die Typ-I-Fehlerkontrolle ungültig machen würde.

Grenzen und Hinweise

  • Das Subdistributions-Hazard-Verhältnis aus dem Fine-Gray-Modell hat keine so direkte biologische Interpretation wie das ursachenspezifische Hazard-Verhältnis; es vermischt die Effekte von Kovariaten auf das Auftreten und auf das Überleben konkurrierender Ereignisse.
  • Erfordert die Vordefinition aller adaptiven Regeln, Alpha-Spending-Funktionen und Zeitpläne für Zwischenanalysen vor der Entblindung der Daten – Post-hoc-Anpassungen machen die Inferenz ungültig.
  • Die Interimsdatenprüfung durch einen unblindeten Statistiker oder ein unabhängiges Datenüberwachungskomitee erhöht die logistische und regulatorische Komplexität.
  • Kleine bis moderate Stichprobengrößen liefern möglicherweise keine ausreichende bedingte Power bei Zwischenanalysen, um Anpassungsentscheidungen zuverlässig zu treffen.

Die Bedingungen der Quelle ersetzen weder eine unabhängige wissenschaftliche Prüfung noch die Validierung durch eine Analyse-Engine.

Stärken

  • Modelliert korrekt die Wahrscheinlichkeit eines Versagens aus einer bestimmten Ursache ohne die Verzerrung, die durch die Behandlung konkurrierender Ereignisse als unabhängige Zensierungen entsteht.
  • Die adaptive Schicht ermöglicht die Neubewertung der Stichprobengröße oder die vorzeitige Beendigung, was die Effizienz verbessert und die Exposition von Teilnehmern gegenüber einer unterlegenen Behandlung reduziert.
  • Behält eine strenge Typ-I-Fehlerkontrolle durch vordefinierte Alpha-Spending-Funktionen bei, selbst wenn das Studiendesign im laufenden Betrieb modifiziert wird.
  • Erzeugt klinisch interpretierbare Ergebnisse – kumulative Inzidenzfunktionen –, die Behandlungsentscheidungen besser informieren als ursachenspezifische Hazard-Verhältnisse allein.
  • Anwendbar sowohl auf randomisierte klinische Studien als auch auf große Beobachtungsregisterstudien mit Ereigniszeitdaten.

Anwendungen

  • Onkologiestudien, die das tumorspezifische Überleben bei gleichzeitigem Auftreten von Todesfällen aus anderen Ursachen, Infektionen oder Behandlungsabbrüchen vergleichen.
  • Studien zu kardiovaskulären Ergebnissen, bei denen der primäre Endpunkt schwerwiegende kardiale Ereignisse (MACE) neben konkurrierenden Risiken von nicht-kardiovaskulären Todesfällen ist.
  • Forschung zur Knochenmarktransplantation, die die Rückfallinzidenz bei Vorliegen konkurrierender transplantationsbedingten Mortalitäten modelliert.
  • Registerbasierte Pharmakovigilanzstudien zur Bewertung arzneimittelbedingter unerwünschter Ereignisse, wenn Patienten abbrechen oder aus anderen Gründen sterben können.
  • Klinische Studien zu COVID-19, die die Zeit bis zur mechanischen Beatmung überwachen und gleichzeitig frühe Entlassungen oder Todesfälle aus nicht-respiratorischen Ursachen berücksichtigen.

So funktioniert es

So funktioniert es

1

Definieren Sie die primäre Ursache von Interesse (z. B. tumorspezifische Mortalität) und listen Sie alle konkurrierenden Ereignisse auf (z. B. Tod aus anderen Ursachen, Abbruch). Spezifizieren Sie im Voraus die Kovariaten des Subdistributions-Hazard-Modells, die Anzahl und den Zeitpunkt der Zwischenanalysen sowie die adaptiven Regeln (Grenzen für die Neubewertung der Stichprobengröße, Regeln für die Beendigung wegen Futility oder Überlegenheit) zusammen mit der Alpha-Spending-Funktion (z. B. O'Brien-Fleming), um den familienweiten Typ-I-Fehler zu kontrollieren.

2

Bei jeder Interims- und Endanalyse wird die kumulative Inzidenzfunktion für jede Ursache unter Verwendung des Fine-Gray-Proportional-Subdistributions-Hazard-Modells geschätzt. Personen, die ein konkurrierendes Ereignis erlebt haben, verbleiben in der Risikogruppe für die Ursache von Interesse mit einem auf Null reduzierten Gewicht – ein wichtiger Unterschied zu ursachenspezifischen Hazard-Modellen. Das Subdistributions-Hazard-Verhältnis exp(β) quantifiziert Kovariaten-Effekte auf die CIF direkt.

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

Berechnen Sie Interims-Teststatistiken (z. B. Gray's K-Stichproben-Test oder Score-Statistiken aus dem Fine-Gray-Modell) und vergleichen Sie diese mit den vordefinierten Grenzen der Spending-Funktion. Bewerten Sie, ob das kumulativ aufgewendete Alpha bis zu diesem Zeitpunkt die Spending-Grenze für eine vorzeitige Beendigung (Überlegenheit oder Futility) überschreitet.

4

Wenn vordefinierte adaptive Regeln erfüllt sind – zum Beispiel, wenn die bedingte Power unter einen Futility-Schwellenwert fällt oder die Interims-Effektgröße eine größere Stichprobe nahelegt – modifizieren Sie das Design entsprechend. Zulässige Anpassungen umfassen die Neubewertung der Stichprobengröße, das Verwerfen von Studienarmen oder Überarbeitungen der Kovariatenanpassung. Alle Anpassungen müssen dem vorregistrierten Plan folgen, um die Integrität des Typ-I-Fehlers zu wahren.

5

Bei der Endanalyse berechnen Sie den adjustierten p-Wert und das Konfidenzintervall für das Subdistributions-Hazard-Verhältnis unter Verwendung der Kombinations-Test- oder Invers-Normal-Methode, um adaptive Modifikationen zu berücksichtigen. Berichten Sie ursachenspezifische CIFs mit Konfidenzbändern und präsentieren Sie sowohl den primären Endpunkt als auch die Raten der konkurrierenden Ereignisse, um Klinikern ein vollständiges Bild des Nutzen-Risiko-Profils zu vermitteln.

Häufige Fallstricke

  • Behandlung konkurrierender Ereignisse als unabhängige Zensierung in einem Standard-Kaplan-Meier- oder Cox-Modell – dies überschätzt die kumulative Inzidenz des primären Ereignisses und erhöht scheinbare Behandlungsvorteile.
  • Durchführung ungeplanter Interimsanalysen außerhalb des vordefinierten Alpha-Spending-Rahmens, was die Typ-I-Fehlerrate erhöht und Zulassungsanträge ungültig machen kann.
  • Ignorieren der konkurrierenden Ereignisse bei der Berichterstattung von Ergebnissen – eine Behandlung, die den Krebstod reduziert, aber Herz-Kreislauf-Todesfälle erhöht, kann vorteilhaft erscheinen, wenn nur ein Endpunkt gezeigt wird.
  • Verwendung adaptiver Regeln, die vom unblindeten Behandlungseffekt abhängen, ohne einen geeigneten Kombinationstest, was zu ungültigen p-Werten und Konfidenzintervallen in der Endanalyse führt.
  • Verwechslung von kumulativen Inzidenzfunktionen mit (1 − Kaplan-Meier)-Schätzern; nur die CIF ist der korrekte Schätzer bei Vorhandensein konkurrierender Risiken.

Häufig gestellte Fragen

Was ist der Unterschied zwischen dem Fine-Gray-Modell und einem ursachenspezifischen Hazard-Modell?

Das ursachenspezifische Hazard-Modell schätzt die momentane Rate des Versagens aus einer bestimmten Ursache unter denjenigen, die noch ereignisfrei sind – konkurrierende Ereignisse werden als zensiert behandelt. Das Fine-Gray-Subdistributions-Hazard-Modell behält Personen, die ein konkurrierendes Ereignis erleben, in der Risikogruppe (mit abnehmendem Gewicht), sodass es direkt die kumulative Inzidenzfunktion modelliert. Für die Vorhersage des absoluten Risikos in einer Population ist die Fine-Gray-CIF geeigneter; für das Verständnis biologischer Mechanismen eines einzelnen Fehlertyps können ursachenspezifische Hazards vorzuziehen sein.

Wie wähle ich die Alpha-Spending-Funktion für die adaptive Interims-Überwachung aus?

Die O'Brien-Fleming-Spending-Funktion ist früh konservativ und gibt später mehr Alpha aus – geeignet, wenn eine frühe Beendigung wegen Wirksamkeit unwahrscheinlich ist. Die Pocock-Spending-Funktion weist Alpha gleichmäßiger zu, was eine frühe Beendigung wegen Wirksamkeit erleichtert, aber einen niedrigeren Endschwellenwert erfordert. Die Wahl sollte im Protokoll und im statistischen Analyseplan vordefiniert werden; Zulassungsbehörden (FDA, EMA) verlangen diese Vordefinition vor jeder unblindeten Interimsanalyse.

Kann ich Kovariaten zum Fine-Gray-Modell in einem adaptiven Design hinzufügen?

Ja. Kovariatenanpassung im Fine-Gray-Modell ist üblich für Baseline-Ungleichgewichte, prognostische Stratifizierungsfaktoren oder zur Erhöhung der Präzision. In einem adaptiven Design sollten die im Modell enthaltenen Kovariaten vordefiniert sein; das Hinzufügen oder Entfernen von Kovariaten nach Ansicht von Interimsdaten erfordert eine vorab geplante Regel zur Kovariatenwahl oder birgt das Risiko einer Erhöhung des Typ-I-Fehlers.

Wird die adaptive Analyse konkurrierender Risiken von Zulassungsbehörden akzeptiert?

Adaptive Studiendesigns im Allgemeinen werden von der FDA (siehe deren Leitfaden von 2019 zu adaptiven Designs für klinische Studien) und der EMA akzeptiert, vorausgesetzt, die adaptiven Regeln, Alpha-Spending-Funktionen und Betriebseigenschaften sind vordefiniert und die Studie behält die Verblindung während der Interimsüberprüfungen durch ein unabhängiges Datenüberwachungskomitee bei. Endpunkte mit konkurrierenden Risiken sind auch in Zulassungsanträgen für Onkologie und Herz-Kreislauf-Erkrankungen Standard, obwohl der Analyseplan klären sollte, ob der primäre Endpunkt die CIF oder das ursachenspezifische Hazard ist.

Welche Software unterstützt die adaptive Analyse konkurrierender Risiken?

Das R-Paket cmprsk implementiert das Fine-Gray-Modell und den Gray-Test. Das mstate-Paket unterstützt Multistate-Erweiterungen. Für die Betriebseigenschaften adaptiver Designs unterstützen gsDesign und rpact gruppen-sequenzielle Rahmenwerke; die Kombination dieser mit Modellen für konkurrierende Risiken erfordert typischerweise benutzerdefinierte Simulationscodes oder speziell entwickelte Pakete wie PASS (NCSS) für Stichprobengrößenberechnungen unter konkurrierenden Risiken.

Verwandte Methoden

Quellen

  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.

    DOI-Referenz öffnen
    Kopiert.
  2. Beyersmann, J., Allignol, A., & Schumacher, M. (2012). Competing Risks and Multistate Models with R. Springer.

    ISBN: 978-1461420767
    Kopiert.