Skip to content
Kembali ke hasil pencarian

Analisis Risiko Bersaing Adaptif

Diperkenalkan oleh
Fine & Gray (subdistribution hazard, 1999); adaptive extensions by Beyersmann, Schumacher and colleagues
Tahun
1999 (foundational Fine-Gray model); adaptive extensions 2000s–2010s
Jenis
Statistical survival analysis with adaptive interim monitoring
Keluarga
Clinical / epidemiology

Teks ini adalah terjemahan mesin dan belum ditinjau. Baca versi asli dalam bahasa Inggris

Ukuran huruf

Apa fungsinya?

Analisis risiko bersaing adaptif menggabungkan kerangka kerja bahaya subdistribusi Fine-Gray — yang memodelkan insidensi kumulatif dari satu penyebab kegagalan di hadapan penyebab eksklusif lainnya — dengan aturan pemantauan sementara adaptif atau sekuensial kelompok.

Hal ini memungkinkan uji klinis atau studi observasional untuk dimodifikasi di tengah jalan (misalnya, penilaian ulang ukuran sampel, penghentian dini) berdasarkan data risiko bersaing yang terakumulasi sambil mempertahankan kontrol kesalahan tipe I yang telah ditentukan sebelumnya.

Intuisi di balik metode

Dalam banyak studi klinis, pasien dapat gagal karena lebih dari satu alasan: kematian akibat kanker, kematian kardiovaskular, dan penghentian pengobatan semuanya adalah hasil yang mungkin. Analisis kelangsungan hidup standar tidak dapat membedakan hal ini dengan baik; analisis risiko bersaing memodelkan setiap penyebab secara terpisah dengan memperkirakan fungsi insidensi kumulatif (CIF) daripada hanya kurva kelangsungan hidup keseluruhan. Penambahan lapisan adaptif berarti bahwa, setelah meninjau data sementara, tim studi dapat menyesuaikan ukuran sampel atau batas penghentian dengan cara yang ketat secara statistik — tanpa peninjauan yang tidak terencana yang meningkatkan tingkat positif palsu. Anggap saja sebagai membangun rencana yang dapat disesuaikan ke dalam studi Anda sejak awal, dengan pagar pengaman yang memastikan jawaban akhir tetap valid.

Sejarah

Landasan teoretis untuk analisis risiko bersaing dalam data kelangsungan hidup berasal dari ilmu aktuaria, tetapi kerangka kerja statistik modern didirikan oleh Fine dan Gray dalam makalah JASA penting mereka tahun 1999, yang memperkenalkan model bahaya subdistribusi proporsional dan statistik uji K-sampel terkait. Perluasan adaptif dan sekuensial kelompok untuk pengaturan risiko bersaing kemudian dikembangkan oleh Beyersmann, Schumacher, dan kolega, dengan kontribusi penting juga dari Schmoor dan Schwarzer. Metode ini telah mendapatkan daya tarik dalam uji coba onkologi, penelitian hasil kardiovaskular, dan kedokteran transplantasi, di mana berbagai jenis kegagalan adalah norma klinis daripada pengecualian.

Kapan digunakan

Gunakan analisis risiko bersaing adaptif ketika (1) hasil primer adalah titik akhir waktu-ke-kejadian yang tunduk pada kejadian bersaing yang saling eksklusif (misalnya, kematian spesifik penyakit bersama dengan mortalitas semua penyebab atau kejadian non-fatal), (2) ketidakpastian pada tahap desain membuat adaptasi di tengah jalan berharga (misalnya, tingkat kejadian, ukuran efek, atau akrual yang tidak pasti), dan (3) studi cukup besar — biasanya uji coba acak multi-situs atau studi registri — untuk membenarkan infrastruktur untuk pemantauan sementara. JANGAN gunakan ketika (a) kejadian bersaing dapat diabaikan atau mortalitas semua penyebab adalah satu-satunya titik akhir (analisis kelangsungan hidup adaptif standar sudah cukup), (b) sampel terlalu kecil untuk pemantauan sementara menghasilkan perkiraan kekuatan kondisional yang bermakna, atau (c) aturan adaptif tidak dapat ditentukan sebelumnya dan dikunci sebelum pengungkapan data, yang akan membatalkan kontrol kesalahan tipe I.

Batasan dan pertimbangan

  • Rasio bahaya subdistribusi dari model Fine-Gray tidak memiliki interpretasi biologis langsung seperti rasio bahaya spesifik penyebab; ia mencampur efek kovariat pada kejadian dan pada kelangsungan hidup kejadian bersaing.
  • Memerlukan penentuan awal semua aturan adaptif, fungsi pengeluaran alfa, dan jadwal peninjauan sementara sebelum data diungkapkan — adaptasi pasca-hoc membatalkan inferensi.
  • Peninjauan data sementara oleh ahli statistik yang tidak diungkapkan atau komite pemantauan data independen menambah kompleksitas logistik dan peraturan.
  • Ukuran sampel kecil hingga sedang mungkin tidak memberikan kekuatan kondisional yang cukup pada peninjauan sementara untuk membuat keputusan adaptasi dapat diandalkan.

Syarat dari sumber tidak menggantikan tinjauan ilmiah independen atau validasi oleh mesin analisis.

Kelebihan

  • Memodelkan probabilitas kegagalan dari penyebab tertentu dengan benar tanpa bias yang diperkenalkan dengan memperlakukan kejadian bersaing sebagai sensor independen.
  • Lapisan adaptif memungkinkan penilaian ulang ukuran sampel atau penghentian dini, meningkatkan efisiensi dan mengurangi paparan peserta terhadap pengobatan yang inferior.
  • Mempertahankan kontrol kesalahan tipe I yang ketat melalui fungsi pengeluaran alfa yang telah ditentukan sebelumnya bahkan ketika desain studi dimodifikasi di tengah jalan.
  • Menghasilkan keluaran yang dapat diinterpretasikan secara klinis — fungsi insidensi kumulatif — yang secara langsung menginformasikan keputusan pengobatan lebih baik daripada rasio bahaya spesifik penyebab saja.
  • Berlaku untuk uji coba klinis acak dan studi registri observasional besar dengan data waktu kejadian.

Penerapan

  • Uji coba onkologi yang membandingkan kelangsungan hidup spesifik kanker di hadapan kematian dari penyebab lain, infeksi, atau penghentian pengobatan.
  • Studi hasil kardiovaskular di mana titik akhir primer adalah kejadian kardiovaskular utama bersama dengan risiko bersaing kematian non-kardiovaskular.
  • Penelitian transplantasi sumsum tulang yang memodelkan kekambuhan insidensi di hadapan mortalitas terkait transplantasi yang bersaing.
  • Studi farmakovigilans berbasis registri yang menilai kejadian buruk yang disebabkan oleh obat ketika pasien dapat keluar atau meninggal karena penyebab lain.
  • Uji coba klinis COVID-19 yang memantau waktu ke ventilasi mekanis sambil memperhitungkan pemulangan dini atau kematian karena penyebab non-pernapasan.

Cara kerjanya

Cara kerjanya

1

Definisikan penyebab utama yang diminati (misalnya, mortalitas spesifik kanker) dan uraikan semua kejadian bersaing (misalnya, kematian karena penyebab lain, penghentian). Tentukan terlebih dahulu kovariat model bahaya subdistribusi, jumlah dan waktu peninjauan sementara, dan aturan adaptif (batas penilaian ulang ukuran sampel, aturan penghentian karena kesia-siaan atau superioritas) bersama dengan fungsi pengeluaran alfa (misalnya, O'Brien-Fleming) untuk mengontrol kesalahan tipe I keluarga.

2

Pada setiap analisis sementara dan final, perkirakan fungsi insidensi kumulatif untuk setiap penyebab menggunakan model bahaya subdistribusi proporsional Fine-Gray. Subjek yang mengalami kejadian bersaing tetap berada dalam himpunan risiko untuk penyebab yang diminati dengan bobot yang dikurangi menjadi nol — perbedaan utama dari model bahaya spesifik penyebab. Rasio bahaya subdistribusi exp(β) mengukur efek kovariat pada CIF secara langsung.

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

Hitung statistik uji sementara (misalnya, uji K-sampel Gray atau statistik skor dari model Fine-Gray) dan bandingkan dengan batas fungsi pengeluaran yang telah ditentukan sebelumnya. Nilai apakah alfa kumulatif yang dihabiskan hingga saat ini melebihi batas pengeluaran untuk penghentian dini (superioritas atau kesia-siaan).

4

Jika aturan adaptif yang telah ditentukan sebelumnya terpenuhi — misalnya, kekuatan kondisional jatuh di bawah ambang batas kesia-siaan atau ukuran efek sementara menunjukkan perlunya sampel yang lebih besar — modifikasi desain sesuai kebutuhan. Adaptasi yang diizinkan mencakup penilaian ulang ukuran sampel, penghentian lengan, atau revisi penyesuaian kovariat. Semua adaptasi harus mengikuti rencana yang terdaftar sebelumnya untuk mempertahankan integritas kesalahan tipe I.

5

Pada analisis final, hitung nilai p yang disesuaikan dan interval kepercayaan untuk rasio bahaya subdistribusi menggunakan metode uji gabungan atau invers normal untuk memperhitungkan modifikasi adaptif. Laporkan CIF spesifik penyebab dengan pita kepercayaan, dan sajikan baik titik akhir primer maupun tingkat kejadian bersaing untuk memberikan gambaran lengkap profil manfaat-risiko kepada dokter.

Kesalahan umum

  • Memperlakukan kejadian bersaing sebagai sensor independen dalam model Kaplan-Meier atau Cox standar — ini melebih-lebihkan insidensi kumulatif dari kejadian primer dan meningkatkan manfaat pengobatan yang tampak.
  • Melakukan analisis sementara yang tidak direncanakan di luar kerangka kerja pengeluaran alfa yang telah ditentukan sebelumnya, yang meningkatkan tingkat kesalahan tipe I dan dapat membatalkan pengajuan peraturan.
  • Mengabaikan kejadian bersaing sama sekali ketika melaporkan hasil — pengobatan yang mengurangi kematian akibat kanker tetapi meningkatkan kematian kardiovaskular mungkin tampak bermanfaat jika hanya satu titik akhir yang ditampilkan.
  • Menggunakan aturan adaptif yang bergantung pada efek pengobatan yang tidak diungkapkan tanpa uji gabungan yang sesuai, yang mengarah pada nilai p dan interval kepercayaan yang tidak valid pada analisis final.
  • Mencampuradukkan fungsi insidensi kumulatif dengan nilai estimator (1 − Kaplan-Meier); hanya CIF yang merupakan estimator yang benar ketika risiko bersaing ada.

Pertanyaan yang sering diajukan

Apa perbedaan antara model Fine-Gray dan model bahaya spesifik penyebab?

Model bahaya spesifik penyebab memperkirakan laju kegagalan seketika dari penyebab tertentu di antara mereka yang masih bebas kejadian — kejadian bersaing diperlakukan sebagai sensor. Model bahaya subdistribusi Fine-Gray menjaga subjek yang mengalami kejadian bersaing dalam himpunan risiko (dengan bobot yang menurun), sehingga secara langsung memodelkan fungsi insidensi kumulatif. Untuk memprediksi risiko absolut dalam suatu populasi, CIF Fine-Gray lebih sesuai; untuk memahami mekanisme biologis dari satu jenis kegagalan, bahaya spesifik penyebab mungkin lebih disukai.

Bagaimana cara memilih fungsi pengeluaran alfa untuk pemantauan sementara adaptif?

Fungsi pengeluaran O'Brien-Fleming bersifat konservatif di awal dan menghabiskan lebih banyak alfa di akhir — cocok ketika penghentian dini karena kemanjuran tidak mungkin terjadi. Fungsi pengeluaran Pocock mengalokasikan alfa lebih merata, membuat penghentian dini karena kemanjuran lebih mudah tetapi membutuhkan ambang batas akhir yang lebih rendah. Pilihan harus ditentukan sebelumnya dalam protokol dan rencana analisis statistik; badan pengatur (FDA, EMA) memerlukan penentuan awal ini sebelum analisis sementara yang tidak diungkapkan.

Bisakah saya menambahkan kovariat ke model Fine-Gray dalam desain adaptif?

Ya. Penyesuaian kovariat dalam model Fine-Gray umum untuk ketidakseimbangan dasar, faktor stratifikasi prognostik, atau peningkatan presisi. Dalam desain adaptif, kovariat yang dimasukkan dalam model harus ditentukan sebelumnya; menambahkan atau menghapus kovariat setelah melihat data sementara memerlukan aturan pemilihan kovariat yang telah direncanakan sebelumnya atau berisiko meningkatkan kesalahan tipe I.

Apakah analisis risiko bersaing adaptif diterima oleh badan pengatur?

Desain uji coba adaptif secara lebih luas diterima oleh FDA (lihat panduan 2019 mereka tentang desain adaptif untuk uji coba klinis) dan EMA, asalkan aturan adaptif, fungsi pengeluaran alfa, dan karakteristik operasi telah ditentukan sebelumnya dan uji coba mempertahankan penyamaran selama tinjauan sementara oleh komite pemantauan data independen. Titik akhir risiko bersaing juga standar dalam pengajuan onkologi dan kardiovaskular, meskipun rencana analisis harus mengklarifikasi apakah titik akhir primer adalah CIF atau bahaya spesifik penyebab.

Perangkat lunak apa yang mendukung analisis risiko bersaing adaptif?

Paket R cmprsk mengimplementasikan model Fine-Gray dan uji Gray. Paket mstate mendukung ekstensi multistate. Untuk karakteristik operasi desain adaptif, gsDesign dan rpact mendukung kerangka kerja sekuensial kelompok; menggabungkan ini dengan model risiko bersaing biasanya memerlukan kode simulasi khusus atau paket yang dibuat khusus seperti PASS (NCSS) untuk perhitungan ukuran sampel di bawah risiko bersaing.

Metode terkait

Sumber

  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.

    Buka referensi DOI
    Disalin.
  2. Beyersmann, J., Allignol, A., & Schumacher, M. (2012). Competing Risks and Multistate Models with R. Springer.

    ISBN: 978-1461420767
    Disalin.