Skip to content
بازگشت به نتایج جست‌وجو

تحلیل بقای رقابتی تطبیقی

معرفی‌شده توسط
Fine & Gray (subdistribution hazard, 1999); adaptive extensions by Beyersmann, Schumacher and colleagues
سال
1999 (foundational Fine-Gray model); adaptive extensions 2000s–2010s
نوع
Statistical survival analysis with adaptive interim monitoring
خانواده
Clinical / epidemiology

این متن ترجمه ماشینی است و هنوز بازبینی نشده است. متن اصلی را به انگلیسی بخوانید

اندازه قلم

چه کاری انجام می‌دهد؟

تحلیل بقای رقابتی تطبیقی، چارچوب خطر فرعی (subdistribution hazard) فاین-گری (Fine-Gray) — که احتمال تجمعی وقوع یک علت شکست را در حضور علل انحصاری متقابل دیگر مدل‌سازی می‌کند — را با قوانین نظارت موقت تطبیقی یا گروهی-متوالی ترکیب می‌کند. این امر به یک کارآزمایی بالینی یا مطالعه مشاهده‌ای اجازه می‌دهد تا در میانه راه بر اساس داده‌های رقابتی انباشته‌شده اصلاح شود (مانند ارزیابی مجدد حجم نمونه، توقف زودهنگام) ضمن حفظ کنترل خطای نوع اول از پیش تعیین‌شده.

شهود پشت روش

در بسیاری از مطالعات بالینی، بیماران می‌توانند به دلایل متعددی دچار شکست شوند: مرگ ناشی از سرطان، مرگ قلبی-عروقی، و قطع درمان همگی پیامدهای ممکن هستند. تحلیل بقای استاندارد نمی‌تواند این موارد را به خوبی از هم تفکیک کند؛ تحلیل بقای رقابتی هر علت را به طور جداگانه با تخمین تابع احتمال تجمعی وقوع (CIF) به جای فقط منحنی بقای کلی، مدل‌سازی می‌کند. افزودن یک لایه تطبیقی به این معنی است که پس از بررسی داده‌های موقت، تیم مطالعه می‌تواند حجم نمونه یا مرزهای توقف را به شیوه‌ای از نظر آماری دقیق تنظیم کند — بدون بررسی‌های ناخواسته که نرخ مثبت کاذب را افزایش می‌دهند. این را می‌توان به عنوان ایجاد یک طرح قابل تنظیم از ابتدا در مطالعه خود در نظر گرفت، با حفاظ‌هایی که اطمینان حاصل می‌کنند پاسخ نهایی معتبر باقی می‌ماند.

تاریخ

بنیان نظری تحلیل بقای رقابتی در داده‌های بقا به علم بیمه عمر بازمی‌گردد، اما چارچوب آماری مدرن توسط فاین و گری (Fine and Gray) در مقاله برجسته سال ۱۹۹۹ خود در JASA تأسیس شد که مدل خطرهای فرعی متناسب و آماره آزمون K-نمونه مرتبط با آن را معرفی کرد. توسعه‌های تطبیقی و گروهی-متوالی برای تنظیمات بقای رقابتی متعاقباً توسط بایرسمان، شومیکر و همکارانشان (Beyersmann, Schumacher) توسعه یافت، با مشارکت‌های کلیدی از شومور و شوارتسر (Schmoor and Schwarzer). این روش در کارآزمایی‌های انکولوژی، تحقیقات پیامدهای قلبی-عروقی، و پزشکی پیوند، که در آن انواع شکست متعدد به جای استثنا، هنجار بالینی هستند، محبوبیت یافته است.

چه زمانی استفاده شود

از تحلیل بقای رقابتی تطبیقی زمانی استفاده کنید که (۱) پیامد اصلی یک نقطه پایانی زمان-تا-رویداد باشد که تحت تأثیر رویدادهای رقابتی انحصاری متقابل قرار دارد (مانند مرگ و میر ناشی از بیماری در کنار مرگ و میر به هر علت یا رویدادهای غیرکشنده)، (۲) عدم قطعیت در مرحله طراحی، سازگاری‌های میانه راه را ارزشمند می‌سازد (مانند نرخ رویداد نامشخص، اندازه اثر، یا میزان پذیرش)، و (۳) حجم نمونه به اندازه کافی بزرگ باشد — معمولاً یک کارآزمایی تصادفی چند مرکزی یا مطالعه ثبتی — تا زیرساخت نظارت موقت را توجیه کند. زمانی از آن استفاده نکنید که (الف) رویدادهای رقابتی ناچیز باشند یا مرگ و میر به هر علت تنها نقطه پایانی باشد (تحلیل بقای تطبیقی استاندارد کافی است)، (ب) حجم نمونه برای ارائه تخمین‌های توان شرطی معنی‌دار از طریق نظارت موقت خیلی کوچک باشد، یا (ج) قوانین تطبیقی نتوانند قبل از بازگشایی کد (unblinding) پیش‌تعیین و قفل شوند، که اعتبار کنترل خطای نوع اول را از بین می‌برد.

محدودیت‌ها و ملاحظات

  • نسبت خطر فرعی از مدل Fine-Gray تفسیر بیولوژیکی مستقیمی مانند نسبت خطر علت-خاص ندارد؛ این نسبت اثرات کوواریت‌ها بر وقوع و بقا در رویداد رقابتی را با هم ترکیب می‌کند.
  • نیاز به پیش‌تعیین تمام قوانین تطبیقی، توابع هزینه آلفا، و برنامه‌های بررسی موقت قبل از بازگشایی کد داده‌ها دارد — سازگاری‌های پس از وقوع (post-hoc) اعتبار استنتاج را از بین می‌برد.
  • بررسی داده‌های موقت توسط یک آمارشناس بازگشایی‌شده (unblinded) یا کمیته نظارت مستقل داده‌ها، پیچیدگی لجستیکی و نظارتی را افزایش می‌دهد.
  • حجم نمونه‌های کوچک تا متوسط ممکن است توان شرطی کافی در بررسی‌های موقت برای تصمیم‌گیری‌های تطبیقی قابل اعتماد ارائه ندهند.

شرایط منبع جایگزین بررسی علمی مستقل یا اعتبارسنجی توسط موتور تحلیل نیست.

نقاط قوت

  • احتمال شکست ناشی از یک علت خاص را بدون سوگیری ناشی از رفتار رویدادهای رقابتی به عنوان سانسور مستقل، به درستی مدل‌سازی می‌کند.
  • لایه تطبیقی امکان ارزیابی مجدد حجم نمونه یا توقف زودهنگام را فراهم می‌کند و کارایی را بهبود می‌بخشد و قرار گرفتن شرکت‌کنندگان در معرض درمان نامناسب را کاهش می‌دهد.
  • کنترل دقیق خطای نوع اول را از طریق توابع هزینه آلفای از پیش تعیین‌شده حتی زمانی که طرح مطالعه در میانه راه اصلاح می‌شود، حفظ می‌کند.
  • خروجی‌های قابل تفسیر بالینی — توابع احتمال تجمعی وقوع — تولید می‌کند که تصمیم‌گیری‌های درمانی را بهتر از نسبت‌های خطر علت-خاص به تنهایی، مستقیماً آگاه می‌سازد.
  • هم برای کارآزمایی‌های بالینی تصادفی و هم برای مطالعات بزرگ ثبتی مشاهده‌ای با داده‌های زمان رویداد قابل اجرا است.

کاربردها

  • کارآزمایی‌های انکولوژی که بقای ناشی از سرطان را در حضور مرگ‌های ناشی از علل دیگر، عفونت‌ها، یا قطع درمان مقایسه می‌کنند.
  • مطالعات پیامدهای قلبی-عروقی که در آن نقطه پایانی اصلی رویدادهای قلبی-عروقی نامطلوب عمده در کنار رویدادهای رقابتی مرگ و میر غیر قلبی-عروقی است.
  • تحقیقات پیوند مغز استخوان که احتمال عود را در حضور مرگ و میر رقابتی مرتبط با پیوند مدل‌سازی می‌کند.
  • مطالعات فارماکوویژیلانس مبتنی بر ثبتی که رویدادهای جانبی ناشی از دارو را ارزیابی می‌کنند، در حالی که بیماران ممکن است انصراف دهند یا به دلایل دیگر فوت کنند.
  • کارآزمایی‌های بالینی COVID-19 که زمان تا تهویه مکانیکی را با در نظر گرفتن ترخیص زودهنگام یا مرگ ناشی از علل غیر تنفسی، پایش می‌کنند.

چگونه کار می‌کند

چگونه کار می‌کند

1

تعریف علت اصلی مورد علاقه (مانند مرگ و میر ناشی از سرطان) و شمارش تمام رویدادهای رقابتی (مانند مرگ ناشی از علل دیگر، انصراف). پیش‌تعیین کوواریت‌های مدل خطر فرعی، تعداد و زمان‌بندی بررسی‌های موقت، و قوانین تطبیقی (مرزهای ارزیابی مجدد حجم نمونه، قوانین توقف بی‌ثمری یا برتری) همراه با تابع هزینه آلفا (مانند O'Brien-Fleming) برای کنترل خطای نوع اول در سطح کل خانواده.

2

در هر تحلیل موقت و نهایی، تابع احتمال تجمعی وقوع برای هر علت با استفاده از مدل خطرهای فرعی متناسب فاین-گری (Fine-Gray proportional subdistribution hazards model) تخمین زده می‌شود. افراد دارای رویداد رقابتی در مجموعه خطر برای علت مورد نظر باقی می‌مانند اما وزن آن‌ها به صفر کاهش می‌یابد — این تمایز کلیدی با مدل‌های خطر علت-خاص است. نسبت خطر فرعی exp(β) اثرات کوواریت‌ها را مستقیماً بر CIF کمی‌سازی می‌کند.

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

محاسبه آماره‌های آزمون موقت (مانند آزمون K-نمونه Gray یا آماره‌های امتیاز از مدل Fine-Gray) و مقایسه آن‌ها با مرزهای از پیش تعیین‌شده تابع هزینه. ارزیابی اینکه آیا آلفای تجمعی مصرف‌شده تا به امروز از مرز هزینه برای توقف زودهنگام (برتری یا بی‌ثمری) فراتر می‌رود یا خیر.

4

اگر قوانین تطبیقی از پیش تعیین‌شده برآورده شوند — به عنوان مثال، توان شرطی زیر آستانه بی‌ثمری قرار گیرد یا اندازه اثر موقت نشان‌دهنده نیاز به حجم نمونه بزرگتر باشد — طرح را مطابق با آن اصلاح کنید. سازگاری‌های مجاز شامل ارزیابی مجدد حجم نمونه، حذف بازو، یا اصلاحات تعدیل کوواریت است. تمام سازگاری‌ها باید از طرح از پیش ثبت‌شده پیروی کنند تا تمامیت خطای نوع اول حفظ شود.

5

در تحلیل نهایی، محاسبه مقدار p تعدیل‌شده و فاصله اطمینان برای نسبت خطر فرعی با استفاده از آزمون ترکیبی یا روش نرمال معکوس برای در نظر گرفتن اصلاحات تطبیقی. گزارش توابع احتمال تجمعی علت-خاص همراه با باندهای اطمینان، و ارائه هر دو شاخص پیامد اصلی و نرخ رویداد رقابتی برای ارائه تصویری کامل از پروفایل سود-زیان به پزشکان.

دام‌های رایج

  • رفتار رویدادهای رقابتی به عنوان سانسور مستقل در مدل استاندارد کاپلان-مایر یا کاکس — این امر احتمال تجمعی وقوع رویداد اصلی را بیش از حد تخمین می‌زند و مزایای ظاهری درمان را افزایش می‌دهد.
  • انجام تحلیل‌های موقت ناخواسته خارج از چارچوب هزینه آلفای از پیش تعیین‌شده، که نرخ خطای نوع اول را افزایش می‌دهد و می‌تواند ارسالی‌های نظارتی را نامعتبر سازد.
  • نادیده گرفتن کامل رویدادهای رقابتی هنگام گزارش نتایج — درمانی که مرگ و میر ناشی از سرطان را کاهش می‌دهد اما مرگ و میر قلبی-عروقی را افزایش می‌دهد، ممکن است در صورت نمایش تنها یک شاخص، مفید به نظر برسد.
  • استفاده از قوانین تطبیقی که به اثر درمان بازگشایی‌شده (unblinded) بدون آزمون ترکیبی مناسب بستگی دارند، منجر به مقادیر p و فواصل اطمینان نامعتبر در تحلیل نهایی می‌شود.
  • اشتباه گرفتن توابع احتمال تجمعی وقوع با مقادیر تخمین‌گر (۱ - کاپلان-مایر)؛ تنها CIF تخمین‌گر صحیح در حضور رویدادهای رقابتی است.

پرسش‌های متداول

تفاوت بین مدل Fine-Gray و مدل خطر علت-خاص چیست؟

مدل خطر علت-خاص، نرخ لحظه‌ای شکست برای یک علت خاص را در میان کسانی که هنوز بدون رویداد هستند، تخمین می‌زند — رویدادهای رقابتی به عنوان سانسور شده در نظر گرفته می‌شوند. مدل خطر فرعی Fine-Gray افرادی را که دچار رویداد رقابتی می‌شوند در مجموعه خطر نگه می‌دارد (با وزن کاهشی)، بنابراین مستقیماً تابع احتمال تجمعی وقوع را مدل‌سازی می‌کند. برای پیش‌بینی خطر مطلق در یک جمعیت، CIF مدل Fine-Gray مناسب‌تر است؛ برای درک مکانیسم‌های بیولوژیکی یک نوع شکست واحد، خطرهای علت-خاص ممکن است ارجح باشند.

چگونه تابع هزینه آلفا را برای نظارت موقت تطبیقی انتخاب کنم؟

تابع هزینه O'Brien-Fleming در ابتدا محافظه‌کارانه است و آلفای بیشتری را در اواخر صرف می‌کند — مناسب زمانی که توقف زودهنگام برای اثربخشی بعید است. تابع هزینه Pocock آلفا را به طور یکنواخت‌تری تخصیص می‌دهد و توقف زودهنگام برای اثربخشی را آسان‌تر می‌کند اما به آستانه نهایی پایین‌تری نیاز دارد. انتخاب باید در پروتکل و طرح تحلیل آماری از پیش تعیین شود؛ سازمان‌های نظارتی (FDA، EMA) این پیش‌تعیین را قبل از هرگونه تحلیل موقت بازگشایی‌شده (unblinded) الزامی می‌دانند.

آیا می‌توانم کوواریت‌ها را در مدل Fine-Gray در یک طرح تطبیقی اضافه کنم؟

بله. تعدیل کوواریت در مدل Fine-Gray برای عدم تعادل پایه، عوامل طبقه‌بندی پیش‌آگهی، یا افزایش دقت رایج است. در یک طرح تطبیقی، کوواریت‌های گنجانده شده در مدل باید از پیش تعیین شوند؛ افزودن یا حذف کوواریت‌ها پس از مشاهده داده‌های موقت نیاز به یک قانون از پیش برنامه‌ریزی‌شده انتخاب کوواریت دارد یا خطر افزایش خطای نوع اول را به همراه دارد.

آیا تحلیل بقای رقابتی تطبیقی توسط سازمان‌های نظارتی پذیرفته شده است؟

طرح‌های کارآزمایی تطبیقی به طور کلی توسط FDA (به راهنمای ۲۰۱۹ آنها در مورد طرح‌های تطبیقی برای کارآزمایی‌های بالینی مراجعه کنید) و EMA پذیرفته شده‌اند، مشروط بر اینکه قوانین تطبیقی، توابع هزینه آلفا، و ویژگی‌های عملیاتی از پیش تعیین شده باشند و کارآزمایی در طول بررسی‌های موقت توسط یک کمیته نظارت مستقل داده‌ها، کور (blinding) را حفظ کند. نقاط پایانی بقای رقابتی نیز در ارسالی‌های انکولوژی و قلبی-عروقی استاندارد هستند، اگرچه طرح تحلیل باید مشخص کند که آیا نقطه پایانی اصلی CIF است یا خطر علت-خاص.

چه نرم‌افزاری از تحلیل بقای رقابتی تطبیقی پشتیبانی می‌کند؟

بسته R cmprsk مدل Fine-Gray و آزمون Gray را پیاده‌سازی می‌کند. بسته mstate از توسعه‌های چندحالته پشتیبانی می‌کند. برای ویژگی‌های عملیاتی طرح تطبیقی، gsDesign و rpact از چارچوب‌های گروهی-متوالی پشتیبانی می‌کنند؛ ترکیب اینها با مدل‌های بقای رقابتی معمولاً نیاز به کد شبیه‌سازی سفارشی یا بسته‌های هدفمند مانند PASS (NCSS) برای محاسبات حجم نمونه تحت بقای رقابتی دارد.

روش‌های مرتبط

منابع

  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.

    باز کردن مرجع DOI
    کپی شد.
  2. Beyersmann, J., Allignol, A., & Schumacher, M. (2012). Competing Risks and Multistate Models with R. Springer.

    شابک: 978-1461420767
    کپی شد.