適応型競合リスク解析
- 提唱者
- Fine & Gray (subdistribution hazard, 1999); adaptive extensions by Beyersmann, Schumacher and colleagues
- 年
- 1999 (foundational Fine-Gray model); adaptive extensions 2000s–2010s
- 種類
- Statistical survival analysis with adaptive interim monitoring
- 系統
- Clinical / epidemiology
この文章は機械翻訳で、まだ確認されていません。 英語の原文を読む
何をする手法か?
適応型競合リスク解析は、Fine-Grayの副分布ハザードフレームワーク(他の相互排他的な原因が存在する中での1つのイベント原因の累積発生率をモデル化する)と、適応型または群逐次的な中間モニタリング規則を組み合わせたものです。これにより、臨床試験または観察研究は、事前に指定された第一種の誤差制御を維持しながら、蓄積される競合リスクデータに基づいて、途中で修正(例:サンプルサイズ再評価、早期中止)することが可能になります。
手法の背後にある直感
多くの臨床研究では、患者は複数の理由でイベント(失敗)に至る可能性があります。例えば、がん死、心血管死、治療中止などが考えられます。標準的な生存時間解析ではこれらのイベントを明確に区別することは困難ですが、競合リスク解析では、単なる全体生存曲線ではなく、累積発生率関数(CIF)を推定することにより、各原因を個別にモデル化します。適応型レイヤーを追加するということは、中間データを検査した後、研究チームが統計的に厳密な方法でサンプルサイズや中止境界を調整できることを意味します。これは、偽陽性率を増大させる計画外のデータ確認を避けるためのものです。研究開始時から調整可能な計画を組み込み、最終的な結果の妥当性を保証する安全策を講じると考えてください。
歴史学
生存時間データにおける競合リスク解析の理論的基盤は保険数理科学に遡りますが、現代的な統計的フレームワークは、比例副分布ハザードモデルとその関連するKサンプル検定統計量を導入した1999年のJASA論文でFineとGrayによって確立されました。競合リスク設定に対する適応型および群逐次的な拡張は、その後Beyersmann、Schumacherらによって開発され、SchmoorおよびSchwarzerからも重要な貢献がありました。この手法は、複数のイベントタイプが例外ではなく標準である腫瘍試験、心血管アウトカム研究、および移植医療で普及しています。
使うべき場面
適応型競合リスク解析は、(1) 主要なアウトカムが相互排他的な競合イベント(例:全原因死亡率や非致死性イベントと並行する疾患特異的死亡率)の対象となる時間対イベントエンドポイントであり、(2) 設計段階での不確実性により中間での適応が価値を持つ場合(例:イベント発生率、効果量、または募集に関する不確実性)、および(3) 中間モニタリングのためのインフラストラクチャを正当化するのに十分な大きさの研究(通常は多施設共同ランダム化試験またはレジストリ研究)である場合に、使用します。競合イベントが無視できる場合、または全原因死亡率のみがエンドポイントである場合(標準的な適応型生存時間解析で十分)、サンプルサイズが小さすぎて中間モニタリングが有意義な条件付き検出力推定値を提供できない場合、または適応型規則が非盲検化前に事前に指定して固定できない場合(これは第一種誤差制御を無効にする)、使用しないでください。
限界と注意点
- Fine-Grayモデルの副分布ハザード比は、原因特異的ハザード比ほど直接的な生物学的解釈を持ちません。共変量がイベント発生と競合イベント生存に及ぼす影響を混同します。
- すべての適応型規則、アルファ消費関数、および中間確認スケジュールをデータ非盲検化前に事前に指定する必要がある — 事後的な適応は推論を無効にします。
- 非盲検化された統計家または独立データモニタリング委員会による中間データレビューは、物流的および規制上の複雑さを増します。
- 小から中程度のサンプルサイズでは、中間確認での条件付き検出力が適応決定を信頼できるものにするのに十分でない場合があります。
出典に示された条件は、独立した科学的レビューや分析エンジンによる検証の代わりにはなりません。
強み
- 競合イベントを独立した打ち切りとして扱うことによって導入されるバイアスなしに、特定の原因からのイベント発生確率を正しくモデル化します。
- 適応型レイヤーにより、サンプルサイズの再評価または早期中止が可能になり、効率が向上し、参加者が劣った治療にさらされる時間が短縮されます。
- 研究デザインが途中で変更された場合でも、事前に指定されたアルファ消費関数を通じて厳密な第一種誤差制御を維持します。
- 臨床医の治療決定に、原因特異的ハザード比単独よりも直接的に役立つ、臨床的に解釈可能な出力(累積発生率関数)を生成します。
- ランダム化臨床試験とイベント時間データを伴う大規模観察レジストリ研究の両方に適用可能です。
応用
- 他の原因による死亡、感染症、または治療中止が存在する中でのがん特異的生存率を比較する腫瘍試験。
- 非心血管死の競合リスクと並行して、主要評価項目が主要心血管イベントである心血管アウトカム研究。
- 競合する移植関連死亡が存在する中での再発発生率をモデル化する骨髄移植研究。
- 患者が脱落したり他の原因で死亡したりする可能性がある場合の、薬剤関連有害事象を評価するレジストリベースのファーマコビジランス研究。
- 患者が早期退院したり、非呼吸器原因で死亡したりする可能性を考慮しながら、人工呼吸器装着までの時間をモニタリングするCOVID-19臨床試験。
使い方
使い方
関心のある主要な原因(例:がん特異的死亡率)を定義し、すべての競合イベント(例:他の原因による死亡、脱落)を列挙します。副分布ハザードモデルの共変量、中間確認の回数とタイミング、および適応型規則(サンプルサイズ再評価境界、無益性または優越性中止規則)を、ファミリーワイズ第一種誤差を制御するためのアルファ消費関数(例:O'Brien-Fleming)とともに事前に指定します。
中間解析および最終解析の各段階で、Fine-Gray比例副分布ハザードモデルを使用して、各原因の累積発生率関数を推定します。競合イベントを経験した被験者は、原因特異的ハザードモデルとは異なる重要な点として、関心のある原因のリスク集合に残りますが、重みはゼロに減少します。副分布ハザード比 exp(β) は、共変量効果をCIFに直接定量化します。
数式
\hat{F}_k(t) = 1 - \exp\!\left(-\int_0^t \exp(\beta^\top Z)\, d\Lambda_{0k}(s)\right)中間検定統計量(例:GrayのKサンプル検定またはFine-Grayモデルからのスコア統計量)を計算し、事前に指定された消費関数境界と比較します。早期中止(優越性または無益性)のために消費された累積アルファが、現在までに消費された境界を超えるかどうかを評価します。
事前に指定された適応型規則が満たされた場合、例えば、条件付き検出力が無益性閾値を下回った場合、または中間効果量がより大きなサンプルを必要とすることを示唆した場合、デザインをそれに応じて修正します。許可される適応には、サンプルサイズ再評価、アーム削除、または共変量調整の修正が含まれます。すべての適応は、第一種誤差の完全性を維持するために、事前に登録された計画に従う必要があります。
最終解析では、適応型修正を考慮するために、組み合わせ検定または逆正規化法を使用して、副分布ハザード比の調整済みp値および信頼区間を計算します。信頼区間付きの原因特異的CIFを報告し、主要評価項目と競合イベント発生率の両方を提示して、臨床医に便益-リスクプロファイルの完全な画像を提供します。
よくある落とし穴
- 競合イベントを標準的なKaplan-MeierまたはCoxモデルで独立した打ち切りとして扱うこと — これは主要イベントの累積発生率を過大評価し、治療効果を誇張します。
- 事前に指定されたアルファ消費フレームワーク外で計画外の中間解析を実施すること — これは第一種誤差率を増加させ、規制当局への申請を無効にする可能性があります。
- 結果の報告時に競合イベントを完全に無視すること — がん死を減少させるが心血管死を増加させる治療法は、1つのエンドポイントのみが表示された場合、有益に見える可能性があります。
- 非盲検化された治療効果に依存する適応型規則を、適切な組み合わせ検定なしに使用すること — これは最終解析での無効なp値と信頼区間につながります。
- 累積発生率関数と(1 - Kaplan-Meier)推定値の値を混同すること — 競合リスクが存在する場合、CIFのみが正しい推定値です。
よくある質問
Fine-Grayモデルと原因特異的ハザードモデルの違いは何ですか?
原因特異的ハザードモデルは、イベント未経験者の中から特定の原因によるイベント発生の瞬間的な率を推定します(競合イベントは打ち切りとして扱われます)。Fine-Gray副分布ハザードモデルは、競合イベントを経験した被験者をリスク集合に残します(重みは減少します)。したがって、累積発生率関数を直接モデル化します。集団における絶対リスクの予測にはFine-Gray CIFがより適切ですが、単一のイベントタイプの生物学的メカニズムを理解するには、原因特異的ハザードが好ましい場合があります。
適応型中間モニタリングのためのアルファ消費関数をどのように選択しますか?
O'Brien-Fleming消費関数は早期には保守的で、後期にアルファを多く消費します。早期の有効性中止は可能性が低い場合に適しています。Pocock消費関数はアルファをより均等に配分し、早期の有効性中止を容易にしますが、最終的な閾値は低くなります。選択はプロトコルと統計解析計画で事前に指定されるべきであり、規制当局(FDA、EMA)は非盲検化された中間解析の前にこの事前指定を要求します。
適応型デザインでFine-Grayモデルに共変量を追加できますか?
はい。Fine-Grayモデルにおける共変量調整は、ベースラインの不均衡、予後層別因子、または精度向上によく用いられます。適応型デザインでは、モデルに含まれる共変量は事前に指定されるべきです。中間データを閲覧した後に共変量を追加または削除するには、事前に計画された共変量選択規則が必要であり、それを怠ると第一種誤差が増大するリスクがあります。
適応型競合リスク解析は規制当局に受け入れられていますか?
適応型試験デザインは、適応型規則、アルファ消費関数、および運用特性が事前に指定されており、独立データモニタリング委員会による中間レビュー中に試験が盲検性を維持している限り、FDA(適応型臨床試験デザインに関する2019年のガイダンスを参照)およびEMAによって広く受け入れられています。競合リスクエンドポイントも腫瘍学および心血管系の申請では標準的ですが、解析計画では主要エンドポイントがCIFなのか原因特異的ハザードなのかを明確にする必要があります。
適応型競合リスク解析をサポートするソフトウェアは何ですか?
RパッケージcmprskはFine-GrayモデルとGrayの検定を実装しています。mstateパッケージは多状態拡張をサポートしています。適応型デザインの運用特性については、gsDesignとrpactが群逐次フレームワークをサポートしています。これらを競合リスクモデルと組み合わせるには、通常、カスタムシミュレーションコードまたはPASS(NCSS)のような目的指向パッケージ(競合リスク下でのサンプルサイズ計算用)が必要です。
関連する手法
参考文献
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 文献を開くコピーしました。Beyersmann, J., Allignol, A., & Schumacher, M. (2012). Competing Risks and Multistate Models with R. Springer.
ISBN:978-1461420767コピーしました。