Przejdź do treści
Wróć do wyników wyszukiwania

Analiza adaptacyjna dla ryzyka konkurencyjnego

Autor metody
Fine & Gray (subdistribution hazard, 1999); adaptive extensions by Beyersmann, Schumacher and colleagues
Rok
1999 (foundational Fine-Gray model); adaptive extensions 2000s–2010s
Typ
Statistical survival analysis with adaptive interim monitoring
Rodzina
Clinical / epidemiology

Ten tekst jest tłumaczeniem maszynowym i nie został jeszcze sprawdzony. Przeczytaj oryginał po angielsku

Rozmiar czcionki

Do czego służy?

Analiza adaptacyjna dla ryzyka konkurencyjnego łączy ramy hazardu subdystrybucyjnego Fine'a-Graya — które modelują skumulowaną częstość jednego typu zgonu w obecności innych wzajemnie wykluczających się przyczyn — z adaptacyjnymi lub grupowo-sekwencyjnymi zasadami monitorowania tymczasowego.

Pozwala to na modyfikację badania klinicznego lub obserwacyjnego w trakcie jego trwania (np. ponowna ocena wielkości próby, wcześniejsze zakończenie) na podstawie gromadzonych danych dotyczących ryzyka konkurencyjnego, przy jednoczesnym zachowaniu wstępnie określonej kontroli błędu pierwszego rodzaju.

Intuicja stojąca za metodą

W wielu badaniach klinicznych pacjenci mogą umrzeć z więcej niż jednego powodu: śmierć nowotworowa, śmierć sercowo-naczyniowa i przerwanie leczenia to możliwe wyniki. Standardowa analiza przeżycia nie potrafi dobrze rozróżnić tych przyczyn; analiza ryzyka konkurencyjnego modeluje każdą przyczynę oddzielnie, szacując skumulowaną funkcję częstości (CIF) zamiast tylko ogólnej krzywej przeżycia. Dodanie warstwy adaptacyjnej oznacza, że po analizie danych tymczasowych zespół badawczy może dostosować wielkość próby lub granice zatrzymania w sposób statystycznie rygorystyczny — bez nieplanowanych analiz, które zwiększają wskaźniki fałszywie pozytywnych wyników. Pomyśl o tym jak o wbudowaniu od początku regulowanego planu w badanie, z zabezpieczeniami zapewniającymi ważność ostatecznego wyniku.

Historia

Podstawy teoretyczne analizy ryzyka konkurencyjnego w danych przeżycia sięgają nauk aktuarialnych, ale nowoczesne ramy statystyczne zostały ustanowione przez Fine'a i Graya w ich przełomowym artykule w JASA z 1999 roku, który wprowadził model proporcjonalnych hazardów subdystrybucyjnych i powiązany z nim statystyk testowy K-próbowy. Rozszerzenia adaptacyjne i grupowe-sekwencyjne dla ustawień ryzyka konkurencyjnego zostały następnie opracowane przez Beyersmanna, Schumachera i współpracowników, z kluczowymi wkładami również ze strony Schmoora i Schwarzer. Metoda zyskała na popularności w badaniach onkologicznych, badaniach wyników sercowo-naczyniowych i medycynie transplantacyjnej, gdzie wiele typów zgonów jest normą, a nie wyjątkiem.

Kiedy stosować

Stosuj analizę adaptacyjną dla ryzyka konkurencyjnego, gdy (1) pierwotny wynik jest punktem końcowym typu czas-do-zdarzenia, któremu podlegają wzajemnie wykluczające się zdarzenia konkurencyjne (np. śmierć specyficzna dla nowotworu obok śmiertelności z wszystkich przyczyn lub zdarzeń nie-śmiertelnych), (2) niepewność na etapie projektowania sprawia, że modyfikacje w trakcie badania są cenne (np. niepewne wskaźniki zdarzeń, wielkość efektu lub akrecja), i (3) badanie jest wystarczająco duże — zazwyczaj wieloośrodkowe badanie randomizowane lub badanie rejestrowe — aby uzasadnić infrastrukturę do monitorowania tymczasowego. NIE stosuj, gdy (a) zdarzenia konkurencyjne są nieistotne lub śmiertelność z wszystkich przyczyn jest jedynym punktem końcowym (wystarczy standardowa adaptacyjna analiza przeżycia), (b) próba jest zbyt mała, aby monitorowanie tymczasowe przyniosło znaczące oszacowania mocy warunkowej, lub (c) zasady adaptacyjne nie mogą być wstępnie określone i zablokowane przed odtajnieniem, co unieważniłoby kontrolę błędu pierwszego rodzaju.

Ograniczenia i uwagi

  • Hazard subdystrybucyjny z modelu Fine'a-Graya nie ma tak bezpośredniej interpretacji biologicznej jak hazard specyficzny dla przyczyny; miesza on efekty kowariantów na występowanie zdarzenia i na przeżycie przy zdarzeniu konkurencyjnym.
  • Wymaga wstępnego określenia wszystkich zasad adaptacyjnych, funkcji wydatkowania alfa i harmonogramów analiz tymczasowych przed odtajnieniem danych — adaptacje post-hoc unieważniają wnioskowanie.
  • Przegląd danych tymczasowych przez odtajnionego statystyka lub niezależny komitet ds. monitorowania danych dodaje złożoności logistycznej i regulacyjnej.
  • Małe i średnie wielkości prób mogą nie zapewniać wystarczającej mocy warunkowej na etapach analiz tymczasowych, aby decyzje adaptacyjne były wiarygodne.

Warunki podane w źródle nie zastępują niezależnego przeglądu naukowego ani walidacji przez silnik analityczny.

Mocne strony

  • Poprawnie modeluje prawdopodobieństwo zgonu z określonej przyczyny bez błędu wprowadzanego przez traktowanie zdarzeń konkurencyjnych jako niezależnego cenzurowania.
  • Warstwa adaptacyjna pozwala na ponowną ocenę wielkości próby lub wcześniejsze zakończenie, poprawiając efektywność i zmniejszając narażenie uczestników na mniej skuteczny lek.
  • Utrzymuje ścisłą kontrolę błędu pierwszego rodzaju poprzez wstępnie określone funkcje wydatkowania alfa, nawet gdy projekt badania jest modyfikowany w trakcie jego trwania.
  • Produkuje klinicznie interpretowalne wyniki — skumulowane funkcje częstości — które bezpośrednio informują o decyzjach terapeutycznych lepiej niż same hazardy specyficzne dla przyczyny.
  • Ma zastosowanie zarówno w randomizowanych badaniach klinicznych, jak i w dużych obserwacyjnych badaniach rejestrowych z danymi czas-do-zdarzenia.

Zastosowania

  • Badania onkologiczne porównujące przeżycie specyficzne dla nowotworu w obecności zgonów z innych przyczyn, infekcji lub przerwania leczenia.
  • Badania wyników sercowo-naczyniowych, w których pierwotnym punktem końcowym są poważne zdarzenia sercowo-naczyniowe obok ryzyka konkurencyjnego zgonu z przyczyn niezwiązanych z sercem.
  • Badania nad przeszczepami szpiku kostnego modelujące częstość nawrotów w obecności konkurencyjnego ryzyka zgonu związanego z przeszczepem.
  • Badania farmakowigilancji oparte na rejestrach oceniające zdarzenia niepożądane przypisywane lekom, gdy pacjenci mogą przerwać leczenie lub umrzeć z innych przyczyn.
  • Badania kliniczne dotyczące COVID-19 monitorujące czas do wentylacji mechanicznej, uwzględniając jednocześnie wczesne wypisy lub zgony z przyczyn niezwiązanych z układem oddechowym.

Jak to działa

Jak to działa

1

Zdefiniuj główną przyczynę zainteresowania (np. śmiertelność specyficzna dla nowotworu) i wymień wszystkie zdarzenia konkurencyjne (np. śmierć z innych przyczyn, przerwanie leczenia). Wstępnie określ kowarianty modelu hazardu subdystrybucyjnego, liczbę i czas analiz tymczasowych oraz zasady adaptacyjne (granice ponownej oceny wielkości próby, zasady zatrzymania z powodu braku skuteczności lub przewagi) wraz z funkcją wydatkowania alfa (np. O'Brien-Fleming) w celu kontrolowania rodzinnego błędu pierwszego rodzaju.

2

Na każdym etapie analizy tymczasowej i końcowej oszacuj skumulowaną funkcję częstości dla każdej przyczyny, używając modelu proporcjonalnych hazardów subdystrybucyjnych Fine'a-Graya. Osoby, które doświadczyły zdarzenia konkurencyjnego, pozostają w zbiorze ryzyka dla badanej przyczyny z wagą zredukowaną do zera — jest to kluczowe rozróżnienie w porównaniu z modelami hazardu specyficznego dla przyczyny. Stosunek hazardów subdystrybucyjnych exp(β) bezpośrednio kwantyfikuje wpływ kowariantów na CIF.

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

Oblicz tymczasowe statystyki testowe (np. test K-próbowy Graya lub statystyki oceny z modelu Fine'a-Graya) i porównaj je z wstępnie określonymi granicami funkcji wydatkowania. Oceń, czy skumulowana alfa wydatkowana do tej pory przekracza granicę wydatkowania dla wcześniejszego zatrzymania (przewaga lub brak skuteczności).

4

Jeśli zostaną spełnione wstępnie określone zasady adaptacyjne — na przykład moc warunkowa spadnie poniżej progu braku skuteczności lub wielkość efektu tymczasowego sugeruje potrzebę większej próby — odpowiednio zmodyfikuj projekt. Dozwolone adaptacje obejmują ponowną ocenę wielkości próby, eliminację ramienia badania lub rewizje dostosowania kowariantów. Wszystkie adaptacje muszą być zgodne z zarejestrowanym planem, aby zachować integralność błędu pierwszego rodzaju.

5

Na etapie analizy końcowej oblicz skorygowaną wartość p i przedział ufności dla stosunku hazardów subdystrybucyjnych, używając testu kombinowanego lub metody odwrotnego normalnego, aby uwzględnić modyfikacje adaptacyjne. Raportuj specyficzne dla przyczyny CIF-y z przedziałami ufności i przedstaw zarówno pierwotny punkt końcowy, jak i wskaźniki zdarzeń konkurencyjnych, aby zapewnić klinicystom pełny obraz profilu korzyści-ryzyka.

Częste pułapki

  • Traktowanie zdarzeń konkurencyjnych jako niezależnego cenzurowania w standardowym modelu Kaplana-Meiera lub Coxa — to przeszacowuje skumulowaną częstość pierwotnego zdarzenia i zawyża pozorne korzyści terapeutyczne.
  • Przeprowadzanie nieplanowanych analiz tymczasowych poza wstępnie określonymi ramami wydatkowania alfa, co zwiększa błąd pierwszego rodzaju i może unieważnić zgłoszenia regulacyjne.
  • Ignorowanie zdarzeń konkurencyjnych podczas raportowania wyników — leczenie, które zmniejsza śmiertelność z powodu raka, ale zwiększa śmiertelność sercowo-naczyniową, może wydawać się korzystne, jeśli pokazano tylko jeden punkt końcowy.
  • Stosowanie zasad adaptacyjnych, które zależą od odtajnionego efektu leczenia bez odpowiedniego testu kombinowanego, prowadzi do nieważnych wartości p i przedziałów ufności na etapie analizy końcowej.
  • Mylenie skumulowanych funkcji częstości z wartościami estymatora (1 − Kaplan-Meier); tylko CIF jest poprawnym estymatorem w obecności ryzyka konkurencyjnego.

Najczęściej zadawane pytania

Jaka jest różnica między modelem Fine'a-Graya a modelem hazardu specyficznego dla przyczyny?

Model hazardu specyficznego dla przyczyny szacuje chwilowe tempo zgonu z określonej przyczyny wśród osób, które jeszcze nie doświadczyły zdarzenia — zdarzenia konkurencyjne są traktowane jako ocenzurowane. Model hazardu subdystrybucyjnego Fine'a-Graya utrzymuje osoby, które doświadczyły zdarzenia konkurencyjnego, w zbiorze ryzyka (z malejącą wagą), dzięki czemu bezpośrednio modeluje skumulowaną funkcję częstości. W przypadku prognozowania ryzyka absolutnego w populacji, CIF Fine'a-Graya jest bardziej odpowiedni; w przypadku zrozumienia mechanizmów biologicznych pojedynczego typu zgonu, hazardy specyficzne dla przyczyny mogą być preferowane.

Jak wybrać funkcję wydatkowania alfa do adaptacyjnego monitorowania tymczasowego?

Funkcja wydatkowania O'Brien-Fleming jest konserwatywna na wczesnym etapie i wydatkuje więcej alfa na późnym etapie — odpowiednia, gdy wcześniejsze zakończenie z powodu skuteczności jest mało prawdopodobne. Funkcja wydatkowania Pococka alokuje alfa bardziej równomiernie, ułatwiając wcześniejsze zakończenie z powodu skuteczności, ale wymagając niższego progu końcowego. Wybór powinien być wstępnie określony w protokole i planie analizy statystycznej; agencje regulacyjne (FDA, EMA) wymagają tego wstępnego określenia przed jakąkolwiek analizą tymczasową po odtajnieniu danych.

Czy mogę dodać kowarianty do modelu Fine'a-Graya w projekcie adaptacyjnym?

Tak. Dostosowanie kowariantów w modelu Fine'a-Graya jest powszechne w przypadku nierównowagi wyjściowej, czynników stratyfikacji prognostycznej lub zwiększenia precyzji. W projekcie adaptacyjnym kowarianty uwzględnione w modelu powinny być wstępnie określone; dodawanie lub usuwanie kowariantów po przejrzeniu danych tymczasowych wymaga zaplanowanej zasady wyboru kowariantów lub grozi zwiększeniem błędu pierwszego rodzaju.

Czy analiza adaptacyjna dla ryzyka konkurencyjnego jest akceptowana przez agencje regulacyjne?

Ogólnie rzecz biorąc, adaptacyjne projekty badań są akceptowane przez FDA (patrz ich wytyczne z 2019 r. dotyczące adaptacyjnych projektów badań klinicznych) i EMA, pod warunkiem że zasady adaptacyjne, funkcje wydatkowania alfa i charakterystyki operacyjne są wstępnie określone, a badanie utrzymuje zaślepienie podczas przeglądów tymczasowych przez niezależny komitet ds. monitorowania danych. Punkty końcowe ryzyka konkurencyjnego są również standardem w zgłoszeniach onkologicznych i sercowo-naczyniowych, chociaż plan analizy powinien wyjaśniać, czy pierwotnym punktem końcowym jest CIF, czy hazard specyficzny dla przyczyny.

Jakie oprogramowanie obsługuje analizę adaptacyjną dla ryzyka konkurencyjnego?

Pakiet R cmprsk implementuje model Fine'a-Graya i test Graya. Pakiet mstate obsługuje rozszerzenia wielostanowe. W przypadku charakterystyk operacyjnych projektów adaptacyjnych, gsDesign i rpact obsługują ramy grupowe-sekwencyjne; połączenie ich z modelami ryzyka konkurencyjnego zazwyczaj wymaga niestandardowego kodu symulacyjnego lub specjalistycznych pakietów, takich jak PASS (NCSS) do obliczeń wielkości próby w warunkach ryzyka konkurencyjnego.

Pokrewne metody

Źródła

  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.

    Otwórz odnośnik DOI
    Skopiowano.
  2. Beyersmann, J., Allignol, A., & Schumacher, M. (2012). Competing Risks and Multistate Models with R. Springer.

    ISBN: 978-1461420767
    Skopiowano.