Saltar al contenido
Volver a los resultados

Análisis Adaptativo de Riesgos Competitivos

Propuesto por
Fine & Gray (subdistribution hazard, 1999); adaptive extensions by Beyersmann, Schumacher and colleagues
Año
1999 (foundational Fine-Gray model); adaptive extensions 2000s–2010s
Tipo
Statistical survival analysis with adaptive interim monitoring
Familia
Clinical / epidemiology

Este texto es una traducción automática y aún no se ha revisado. Leer el original en inglés

Tamaño de letra

¿Qué hace?

El análisis adaptativo de riesgos competitivos combina el marco de riesgos de subdistribución de Fine-Gray — que modela la incidencia acumulada de una causa de fallo en presencia de otras causas mutuamente excluyentes — con reglas de monitorización intermedia adaptativas o secuenciales por grupos.

Esto permite que un ensayo clínico u estudio observacional se modifique a mitad de camino (p. ej., reevaluación del tamaño muestral, detención temprana) basándose en datos acumulados de riesgos competitivos, manteniendo al mismo tiempo el control del error de tipo I preespecificado.

La intuición detrás del método

En muchos estudios clínicos, los pacientes pueden fallar por más de una razón: muerte por cáncer, muerte cardiovascular y abandono del tratamiento son todos resultados posibles. El análisis de supervivencia estándar no puede distinguir bien estas causas; el análisis de riesgos competitivos modela cada causa por separado estimando la función de incidencia acumulada (CIF) en lugar de solo la curva de supervivencia general. Añadir una capa adaptativa significa que, tras examinar los datos intermedios, el equipo del estudio puede ajustar el tamaño muestral o los límites de detención de una manera estadísticamente rigurosa — sin las miradas no planificadas que inflan las tasas de falsos positivos. Piénselo como la incorporación de un plan ajustable en su estudio desde el principio, con salvaguardas que garantizan que la respuesta final siga siendo válida.

Historia

La base teórica para el análisis de riesgos competitivos en datos de supervivencia se remonta a la ciencia actuarial, pero el marco estadístico moderno fue establecido por Fine y Gray en su influyente artículo de 1999 en JASA, que introdujo el modelo de riesgos proporcionales de subdistribución y su estadístico de prueba K-sample asociado. Las extensiones adaptativas y secuenciales por grupos para entornos de riesgos competitivos fueron desarrolladas posteriormente por Beyersmann, Schumacher y colegas, con contribuciones clave también de Schmoor y Schwarzer. El método ha ganado tracción en ensayos oncológicos, investigación de resultados cardiovasculares y medicina de trasplantes, donde múltiples tipos de fallo son la norma clínica en lugar de la excepción.

Cuándo usarlo

Utilizar el análisis adaptativo de riesgos competitivos cuando (1) el resultado primario es un punto final de tiempo hasta el evento sujeto a eventos competitivos mutuamente excluyentes (p. ej., muerte específica por la enfermedad junto con mortalidad por todas las causas o eventos no fatales), (2) la incertidumbre en la etapa de diseño hace que las adaptaciones a mitad de camino sean valiosas (p. ej., tasas de eventos inciertas, tamaño del efecto o reclutamiento), y (3) el estudio es lo suficientemente grande — típicamente un ensayo aleatorizado multicéntrico o un estudio de registro — para justificar la infraestructura para la monitorización intermedia. NO utilizar cuando (a) los eventos competitivos son insignificantes o la mortalidad por todas las causas es el único punto final (el análisis de supervivencia adaptativo estándar es suficiente), (b) la muestra es demasiado pequeña para que la monitorización intermedia proporcione estimaciones de potencia condicional significativas, o (c) las reglas adaptativas no se pueden prespecificar y bloquear antes de la desclasificación, lo que invalidaría el control del error de tipo I.

Limitaciones y consideraciones

  • La razón de riesgos de subdistribución del modelo de Fine-Gray no tiene una interpretación biológica tan directa como la razón de riesgos específica de causa; mezcla los efectos de los covariables en la ocurrencia y en la supervivencia del evento competitivo.
  • Requiere la prespecificación de todas las reglas adaptativas, funciones de gasto alfa y calendarios de miradas intermedias antes de la desclasificación de datos — las adaptaciones post-hoc invalidan la inferencia.
  • La revisión de datos intermedios por un estadístico no cegado o un comité de monitorización de datos independiente añade complejidad logística y regulatoria.
  • Los tamaños muestrales pequeños a moderados pueden no proporcionar suficiente potencia condicional en las miradas intermedias para que las decisiones de adaptación sean fiables.

Las condiciones de la fuente no sustituyen una revisión científica independiente ni la validación por un motor de análisis.

Fortalezas

  • Modela correctamente la probabilidad de fallo por una causa específica sin el sesgo introducido al tratar los eventos competitivos como censura independiente.
  • La capa adaptativa permite la reevaluación del tamaño muestral o la detención temprana, mejorando la eficiencia y reduciendo la exposición de los participantes a un tratamiento inferior.
  • Mantiene un estricto control del error de tipo I a través de funciones de gasto alfa preespecificadas, incluso cuando el diseño del estudio se modifica a mitad de camino.
  • Produce resultados clínicamente interpretables — funciones de incidencia acumulada — que informan directamente las decisiones de tratamiento mejor que las razones de riesgos específicas de causa por sí solas.
  • Aplicable tanto a ensayos clínicos aleatorizados como a grandes estudios de registro observacionales con datos de tiempo hasta el evento.

Aplicaciones

  • Ensayos oncológicos que comparan la supervivencia específica del cáncer en presencia de muertes por otras causas, infecciones o interrupción del tratamiento.
  • Estudios de resultados cardiovasculares donde el punto final primario son eventos cardíacos adversos mayores junto con riesgos competitivos de muerte no cardiovascular.
  • Investigación de trasplantes de médula ósea que modela la incidencia de recaídas en presencia de mortalidad competitiva relacionada con el trasplante.
  • Estudios de farmacovigilancia basados en registros que evalúan eventos adversos atribuibles a medicamentos cuando los pacientes pueden abandonar o morir por otras causas.
  • Ensayos clínicos de COVID-19 que monitorizan el tiempo hasta la ventilación mecánica teniendo en cuenta el alta temprana o la muerte por causas no respiratorias.

Cómo funciona

Cómo funciona

1

Definir la causa principal de interés (p. ej., mortalidad específica por cáncer) y enumerar todos los eventos competitivos (p. ej., muerte por otras causas, abandono). Prespecificar los covariables del modelo de riesgos de subdistribución, el número y el momento de las miradas intermedias, y las reglas adaptativas (límites de reevaluación del tamaño muestral, reglas de detención por futilidad o superioridad) junto con la función de gasto alfa (p. ej., O'Brien-Fleming) para controlar el error de tipo I familiar.

2

En cada análisis intermedio y final, estimar la función de incidencia acumulada para cada causa utilizando el modelo de riesgos proporcionales de subdistribución de Fine-Gray. Los sujetos que han experimentado un evento competitivo permanecen en el conjunto de riesgos para la causa de interés con un peso reducido a cero — una distinción clave de los modelos de riesgos específicos de causa. La razón de riesgos de subdistribución exp(β) cuantifica directamente los efectos de los covariables en la CIF.

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

Calcular estadísticas de prueba intermedias (p. ej., la prueba K-sample de Gray o estadísticas de puntuación del modelo de Fine-Gray) y compararlas con los límites de la función de gasto preespecificados. Evaluar si el alfa acumulado gastado hasta la fecha excede el límite de gasto para la detención temprana (superioridad o futilidad).

4

Si se cumplen las reglas adaptativas preespecificadas — por ejemplo, la potencia condicional cae por debajo de un umbral de futilidad o el tamaño del efecto intermedio sugiere que se necesita una muestra mayor — modificar el diseño en consecuencia. Las adaptaciones permitidas incluyen la reevaluación del tamaño muestral, la eliminación de brazos o revisiones de ajuste de covariables. Todas las adaptaciones deben seguir el plan pre-registrado para preservar la integridad del error de tipo I.

5

En el análisis final, calcular el valor p ajustado y el intervalo de confianza para la razón de riesgos de subdistribución utilizando la prueba combinada o el método de la normal inversa para tener en cuenta las modificaciones adaptativas. Reportar las CIF específicas de causa con bandas de confianza, y presentar tanto el punto final primario como las tasas de eventos competitivos para dar a los clínicos una imagen completa del perfil de beneficio-riesgo.

Errores comunes

  • Tratar los eventos competitivos como censura independiente en un modelo estándar de Kaplan-Meier o Cox — esto sobreestima la incidencia acumulada del evento primario e infla los beneficios aparentes del tratamiento.
  • Realizar análisis intermedios no planificados fuera del marco de gasto alfa preespecificado, lo que infla la tasa de error de tipo I y puede invalidar las presentaciones regulatorias.
  • Ignorar los eventos competitivos por completo al reportar resultados — un tratamiento que reduce la muerte por cáncer pero aumenta la muerte cardiovascular puede parecer beneficioso si solo se muestra un punto final.
  • Utilizar reglas adaptativas que dependen del efecto del tratamiento no cegado sin una prueba combinada apropiada, lo que lleva a valores p e intervalos de confianza inválidos en el análisis final.
  • Confundir las funciones de incidencia acumulada con los valores del estimador (1 − Kaplan-Meier); solo la CIF es el estimador correcto cuando existen riesgos competitivos.

Preguntas frecuentes

¿Cuál es la diferencia entre el modelo de Fine-Gray y un modelo de riesgos específico de causa?

El modelo de riesgos específico de causa estima la tasa instantánea de fallo de una causa específica entre aquellos que aún no han tenido el evento — los eventos competitivos se tratan como censura. El modelo de riesgos de subdistribución de Fine-Gray mantiene a los sujetos que experimentan un evento competitivo en el conjunto de riesgos (con peso decreciente), por lo que modela directamente la función de incidencia acumulada. Para predecir el riesgo absoluto en una población, la CIF de Fine-Gray es más apropiada; para comprender los mecanismos biológicos de un solo tipo de fallo, los riesgos específicos de causa pueden ser preferibles.

¿Cómo elijo la función de gasto alfa para la monitorización intermedia adaptativa?

La función de gasto O'Brien-Fleming es conservadora al principio y gasta más alfa al final — adecuada cuando la detención temprana por eficacia es poco probable. La función de gasto Pocock asigna alfa de manera más uniforme, facilitando la detención temprana por eficacia pero requiriendo un umbral final más bajo. La elección debe ser prespecificada en el protocolo y el plan de análisis estadístico; las agencias reguladoras (FDA, EMA) requieren esta prespecificación antes de cualquier análisis intermedio no cegado.

¿Puedo añadir covariables al modelo de Fine-Gray en un diseño adaptativo?

Sí. El ajuste de covariables en el modelo de Fine-Gray es común para desequilibrios basales, factores de estratificación pronóstica o para aumentar la precisión. En un diseño adaptativo, los covariables incluidos en el modelo deben ser prespecificados; añadir o eliminar covariables después de ver los datos intermedios requiere una regla de selección de covariables pre-planificada o se corre el riesgo de inflar el error de tipo I.

¿Es el análisis adaptativo de riesgos competitivos aceptado por las agencias reguladoras?

Los diseños de ensayos adaptativos en general son aceptados por la FDA (ver su guía de 2019 sobre diseños adaptativos para ensayos clínicos) y la EMA, siempre que las reglas adaptativas, las funciones de gasto alfa y las características operativas estén prespecificadas y el ensayo mantenga el cegamiento durante las revisiones intermedias por un comité de monitorización de datos independiente. Los puntos finales de riesgos competitivos también son estándar en las presentaciones oncológicas y cardiovasculares, aunque el plan de análisis debe aclarar si el punto final primario es la CIF o el riesgo específico de causa.

¿Qué software soporta el análisis adaptativo de riesgos competitivos?

El paquete R cmprsk implementa el modelo de Fine-Gray y la prueba de Gray. El paquete mstate soporta extensiones de múltiples estados. Para las características operativas del diseño adaptativo, gsDesign y rpact soportan marcos secuenciales por grupos; la combinación de estos con modelos de riesgos competitivos generalmente requiere código de simulación personalizado o paquetes diseñados específicamente como PASS (NCSS) para cálculos de tamaño muestral bajo riesgos competitivos.

Métodos relacionados

Fuentes

  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.

    Abrir referencia DOI
    Copiado.
  2. Beyersmann, J., Allignol, A., & Schumacher, M. (2012). Competing Risks and Multistate Models with R. Springer.

    ISBN: 978-1461420767
    Copiado.