Skip to content
Retour aux résultats

Analyse adaptative des risques concurrents

Introduite par
Fine & Gray (subdistribution hazard, 1999); adaptive extensions by Beyersmann, Schumacher and colleagues
Année
1999 (foundational Fine-Gray model); adaptive extensions 2000s–2010s
Type
Statistical survival analysis with adaptive interim monitoring
Famille
Clinical / epidemiology

Ce texte est une traduction automatique et n’a pas encore été relu. Lire l’original en anglais

Taille de police

À quoi sert-elle ?

L'analyse adaptative des risques concurrents combine le cadre du hasard de sous-distribution de Fine-Gray — qui modélise l'incidence cumulative d'une cause de défaillance en présence d'autres causes mutuellement exclusives — avec des règles de surveillance intermédiaire adaptatives ou séquentielles par groupe.

Cela permet de modifier un essai clinique ou une étude observationnelle en cours de route (par exemple, réévaluation de la taille de l'échantillon, arrêt précoce) sur la base des données accumulées sur les risques concurrents, tout en maintenant le contrôle de l'erreur de type I prédéfini.

L’intuition derrière la méthode

Dans de nombreuses études cliniques, les patients peuvent échouer pour plus d'une raison : décès dû au cancer, décès cardiovasculaire, et abandon du traitement sont tous des résultats possibles. L'analyse de survie standard ne peut pas bien les distinguer ; l'analyse des risques concurrents modélise chaque cause séparément en estimant la fonction d'incidence cumulative (FIC) plutôt que simplement la courbe de survie globale. L'ajout d'une couche adaptative signifie qu'après examen des données intermédiaires, l'équipe d'étude peut ajuster la taille de l'échantillon ou les limites d'arrêt d'une manière statistiquement rigoureuse — sans les inspections non planifiées qui gonflent les taux de faux positifs. Considérez cela comme l'intégration d'un plan ajustable dans votre étude dès le départ, avec des garde-fous qui garantissent que la réponse finale reste valide.

Histoire

Les fondements théoriques de l'analyse des risques concurrents dans les données de survie remontent à la science actuarielle, mais le cadre statistique moderne a été établi par Fine et Gray dans leur article de référence de 1999 dans JASA, qui a introduit le modèle de hasard proportionnels de sous-distribution et sa statistique de test K-échantillons associée. Des extensions adaptatives et séquentielles par groupe pour les contextes de risques concurrents ont été développées par la suite par Beyersmann, Schumacher et leurs collègues, avec des contributions clés également de Schmoor et Schwarzer. La méthode a gagné du terrain dans les essais en oncologie, la recherche sur les issues cardiovasculaires et la médecine de transplantation, où les multiples types de défaillance sont la norme clinique plutôt que l'exception.

Quand l’utiliser

Utiliser l'analyse adaptative des risques concurrents lorsque (1) l'issue primaire est un endpoint temps-à-événement sujet à des événements concurrents mutuellement exclusifs (par exemple, décès spécifique à la maladie aux côtés de la mortalité toutes causes confondues ou événements non fatals), (2) l'incertitude au stade de la conception rend les adaptations en cours de route précieuses (par exemple, taux d'événements, taille de l'effet ou recrutement incertains), et (3) l'étude est suffisamment grande — généralement un essai randomisé multi-sites ou une étude de cohorte — pour justifier l'infrastructure de surveillance intermédiaire. NE PAS utiliser lorsque (a) les événements concurrents sont négligeables ou que la mortalité toutes causes confondues est le seul endpoint (l'analyse de survie adaptative standard suffit), (b) l'échantillon est trop petit pour que la surveillance intermédiaire fournisse des estimations de puissance conditionnelle significatives, ou (c) les règles adaptatives ne peuvent pas être prédéfinies et verrouillées avant le démasquage, ce qui invaliderait le contrôle de l'erreur de type I.

Limites et points d’attention

  • Le rapport de hasard de sous-distribution du modèle de Fine-Gray n'a pas une interprétation biologique aussi directe que le rapport de hasard spécifique à la cause ; il mélange les effets des covariables sur l'occurrence et sur la survie des événements concurrents.
  • Nécessite la pré-spécification de toutes les règles adaptatives, fonctions de dépense alpha et calendriers d'analyses intermédiaires avant le démasquage des données — les adaptations post-hoc invalident l'inférence.
  • La revue des données intermédiaires par un statisticien non masqué ou un comité indépendant de surveillance des données ajoute une complexité logistique et réglementaire.
  • Les échantillons de petite à moyenne taille peuvent ne pas fournir une puissance conditionnelle suffisante lors des analyses intermédiaires pour rendre les décisions d'adaptation fiables.

Les conditions de la source ne remplacent ni une revue scientifique indépendante ni la validation par un moteur d’analyse.

Points forts

  • Modélise correctement la probabilité d'échec d'une cause spécifique sans le biais introduit par le traitement des événements concurrents comme une censure indépendante.
  • La couche adaptative permet la réévaluation de la taille de l'échantillon ou l'arrêt précoce, améliorant l'efficacité et réduisant l'exposition des participants à un traitement inférieur.
  • Maintient un contrôle strict de l'erreur de type I grâce à des fonctions de dépense alpha prédéfinies, même lorsque la conception de l'étude est modifiée en cours de route.
  • Produit des résultats cliniquement interprétables — des fonctions d'incidence cumulative — qui éclairent directement les décisions de traitement mieux que les rapports de hasard spécifiques à la cause seuls.
  • Applicable aux essais cliniques randomisés et aux grandes études de cohortes observationnelles avec des données temps-à-événement.

Applications

  • Essais en oncologie comparant la survie spécifique au cancer en présence de décès d'autres causes, d'infections ou d'arrêt du traitement.
  • Études sur les issues cardiovasculaires où l'endpoint primaire est les événements cardiaques indésirables majeurs aux côtés des risques concurrents de décès non cardiovasculaire.
  • Recherche sur la transplantation de moelle osseuse modélisant l'incidence des rechutes en présence de mortalité liée à la transplantation concurrente.
  • Études de pharmacovigilance basées sur des registres évaluant les événements indésirables attribuables aux médicaments lorsque les patients peuvent abandonner ou mourir d'autres causes.
  • Essais cliniques COVID-19 surveillant le délai avant ventilation mécanique tout en tenant compte de la sortie précoce ou du décès pour des causes non respiratoires.

Comment ça marche

Comment ça marche

1

Définir la cause principale d'intérêt (par exemple, mortalité spécifique au cancer) et énumérer tous les événements concurrents (par exemple, décès d'autres causes, abandon). Pré-spécifier les covariables du modèle de hasard de sous-distribution, le nombre et le calendrier des inspections intermédiaires, et les règles adaptatives (limites de réévaluation de la taille de l'échantillon, règles d'arrêt pour futilité ou supériorité) ainsi que la fonction de dépense alpha (par exemple, O'Brien-Fleming) pour contrôler l'erreur de type I globale de la famille.

2

À chaque analyse intermédiaire et finale, estimer la fonction d'incidence cumulative pour chaque cause en utilisant le modèle de hasard proportionnels de sous-distribution de Fine-Gray. Les sujets qui ont subi un événement concurrent restent dans l'ensemble des risques pour la cause d'intérêt avec un poids réduit à zéro — une distinction clé par rapport aux modèles de hasard spécifiques à la cause. Le rapport de hasard de sous-distribution exp(β) quantifie directement les effets des covariables sur la FIC.

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

Calculer les statistiques de test intermédiaires (par exemple, le test K-échantillons de Gray ou les statistiques de score du modèle de Fine-Gray) et les comparer aux limites de la fonction de dépense prédéfinies. Évaluer si l'alpha cumulé dépensé à ce jour dépasse la limite de dépense pour un arrêt précoce (supériorité ou futilité).

4

Si les règles adaptatives prédéfinies sont remplies — par exemple, la puissance conditionnelle tombe en dessous d'un seuil de futilité ou la taille de l'effet intermédiaire suggère qu'un échantillon plus grand est nécessaire — modifier la conception en conséquence. Les adaptations permises comprennent la réévaluation de la taille de l'échantillon, l'abandon de bras, ou des révisions d'ajustement de covariables. Toutes les adaptations doivent suivre le plan pré-enregistré pour préserver l'intégrité de l'erreur de type I.

5

Lors de l'analyse finale, calculer la p-valeur ajustée et l'intervalle de confiance pour le rapport de hasard de sous-distribution en utilisant la méthode du test combiné ou de la loi normale inverse pour tenir compte des modifications adaptatives. Rapporter les FIC spécifiques à la cause avec des bandes de confiance, et présenter à la fois l'endpoint primaire et les taux d'événements concurrents pour donner aux cliniciens une image complète du profil bénéfice-risque.

Pièges courants

  • Traiter les événements concurrents comme une censure indépendante dans un modèle de Kaplan-Meier ou de Cox standard — cela surestime l'incidence cumulative de l'événement primaire et gonfle les bénéfices apparents du traitement.
  • Mener des analyses intermédiaires non planifiées en dehors du cadre de dépense alpha prédéfini, ce qui gonfle le taux d'erreur de type I et peut invalider les soumissions réglementaires.
  • Ignorer complètement les événements concurrents lors de la communication des résultats — un traitement qui réduit le décès par cancer mais augmente le décès cardiovasculaire peut sembler bénéfique si un seul endpoint est présenté.
  • Utiliser des règles adaptatives qui dépendent de l'effet du traitement non masqué sans un test combiné approprié, conduisant à des p-valeurs et des intervalles de confiance invalides lors de l'analyse finale.
  • Confondre les fonctions d'incidence cumulative avec les valeurs de l'estimateur (1 − Kaplan-Meier) ; seul le FIC est l'estimateur correct en présence de risques concurrents.

Questions fréquentes

Quelle est la différence entre le modèle de Fine-Gray et un modèle de hasard spécifique à la cause ?

Le modèle de hasard spécifique à la cause estime le taux instantané d'échec d'une cause spécifique parmi ceux qui sont encore sans événement — les événements concurrents sont traités comme censurés. Le modèle de hasard de sous-distribution de Fine-Gray maintient les sujets qui subissent un événement concurrent dans l'ensemble des risques (avec un poids décroissant), de sorte qu'il modélise directement la fonction d'incidence cumulative. Pour la prédiction du risque absolu dans une population, le FIC de Fine-Gray est plus approprié ; pour comprendre les mécanismes biologiques d'un seul type de défaillance, les hasards spécifiques à la cause peuvent être préférables.

Comment choisir la fonction de dépense alpha pour la surveillance intermédiaire adaptative ?

La fonction de dépense O'Brien-Fleming est conservatrice tôt et dépense plus d'alpha tard — adaptée lorsque l'arrêt précoce pour efficacité est peu probable. La fonction de dépense Pocock alloue l'alpha plus uniformément, facilitant l'arrêt précoce pour efficacité mais nécessitant un seuil final plus bas. Le choix doit être prédéfini dans le protocole et le plan d'analyse statistique ; les agences réglementaires (FDA, EMA) exigent cette pré-spécification avant toute analyse intermédiaire non masquée.

Puis-je ajouter des covariables au modèle de Fine-Gray dans une conception adaptative ?

Oui. L'ajustement des covariables dans le modèle de Fine-Gray est courant pour les déséquilibres de base, les facteurs de stratification pronostiques, ou pour augmenter la précision. Dans une conception adaptative, les covariables incluses dans le modèle doivent être prédéfinies ; ajouter ou supprimer des covariables après avoir consulté les données intermédiaires nécessite une règle de sélection de covariables pré-planifiée ou risque d'augmenter l'erreur de type I.

L'analyse adaptative des risques concurrents est-elle acceptée par les agences réglementaires ?

Les conceptions d'essais adaptatifs plus largement sont acceptées par la FDA (voir leur guide de 2019 sur les conceptions adaptatives pour les essais cliniques) et l'EMA, à condition que les règles adaptatives, les fonctions de dépense alpha et les caractéristiques opérationnelles soient prédéfinies et que l'essai maintienne le masquage lors des revues intermédiaires par un comité indépendant de surveillance des données. Les endpoints de risques concurrents sont également standard dans les soumissions en oncologie et cardiovasculaire, bien que le plan d'analyse doive clarifier si l'endpoint primaire est le FIC ou le hasard spécifique à la cause.

Quels logiciels prennent en charge l'analyse adaptative des risques concurrents ?

Le package R cmprsk implémente le modèle de Fine-Gray et le test de Gray. Le package mstate prend en charge les extensions multi-états. Pour les caractéristiques opérationnelles des conceptions adaptatives, gsDesign et rpact prennent en charge les cadres séquentiels par groupe ; la combinaison de ceux-ci avec des modèles de risques concurrents nécessite généralement du code de simulation personnalisé ou des packages dédiés tels que PASS (NCSS) pour les calculs de taille d'échantillon sous risques concurrents.

Méthodes associées

Sources

  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.

    Ouvrir la référence DOI
    Copié.
  2. Beyersmann, J., Allignol, A., & Schumacher, M. (2012). Competing Risks and Multistate Models with R. Springer.

    ISBN : 978-1461420767
    Copié.