Skip to content
Voltar aos resultados

Análise Adaptativa de Riscos Competitivos

Proposto por
Fine & Gray (subdistribution hazard, 1999); adaptive extensions by Beyersmann, Schumacher and colleagues
Ano
1999 (foundational Fine-Gray model); adaptive extensions 2000s–2010s
Tipo
Statistical survival analysis with adaptive interim monitoring
Família
Clinical / epidemiology

Este texto é uma tradução automática e ainda não foi revisado. Ler o original em inglês

Tamanho da fonte

O que ele faz?

A análise adaptativa de riscos competitivos combina o arcabouço do risco de subdistribuição de Fine-Gray — que modela a incidência cumulativa de uma causa de falha na presença de outras causas mutuamente exclusivas — com regras adaptativas ou de monitoramento interino em grupo-sequencial. Isso permite que um ensaio clínico ou estudo observacional seja modificado no meio do curso (por exemplo, reavaliação do tamanho da amostra, parada antecipada) com base nos dados de riscos competitivos acumulados, mantendo o controle do erro tipo I pré-especificado.

A intuição por trás do método

Em muitos estudos clínicos, os pacientes podem falhar por mais de um motivo: morte por câncer, morte cardiovascular e abandono do tratamento são todos resultados possíveis. A análise de sobrevivência padrão não consegue distinguir bem essas causas; a análise de riscos competitivos modela cada causa separadamente, estimando a função de incidência cumulativa (CIF) em vez de apenas a curva de sobrevivência geral. Adicionar uma camada adaptativa significa que, após examinar os dados interinos, a equipe do estudo pode ajustar o tamanho da amostra ou os limites de parada de maneira estatisticamente rigorosa — sem as verificações não planejadas que inflacionam as taxas de falsos positivos. Pense nisso como construir um plano ajustável em seu estudo desde o início, com salvaguardas que garantem que a resposta final permaneça válida.

História

A base teórica para a análise de riscos competitivos em dados de sobrevivência remonta à ciência atuarial, mas o arcabouço estatístico moderno foi estabelecido por Fine e Gray em seu artigo marco de 1999 no JASA, que introduziu o modelo de riscos proporcionais de subdistribuição e sua estatística de teste K-amostras associada. Extensões adaptativas e em grupo-sequencial para cenários de riscos competitivos foram subsequentemente desenvolvidas por Beyersmann, Schumacher e colegas, com contribuições importantes também de Schmoor e Schwarzer. O método ganhou tração em ensaios de oncologia, pesquisa de resultados cardiovasculares e medicina de transplante, onde múltiplos tipos de falha são a norma clínica em vez da exceção.

Quando usar

Usar análise adaptativa de riscos competitivos quando (1) o desfecho primário é um desfecho tempo-para-evento sujeito a eventos competitivos mutuamente exclusivos (por exemplo, morte específica da doença ao lado da mortalidade por todas as causas ou eventos não fatais), (2) a incerteza na fase de desenho torna as adaptações no meio do curso valiosas (por exemplo, taxas de eventos incertas, tamanho do efeito ou recrutamento), e (3) o estudo é grande o suficiente — tipicamente um ensaio randomizado multicêntrico ou estudo de registro — para justificar a infraestrutura para monitoramento interino. NÃO usar quando (a) os eventos competitivos são negligenciáveis ou a mortalidade por todas as causas é o único desfecho (análise de sobrevivência adaptativa padrão é suficiente), (b) a amostra é muito pequena para que o monitoramento interino gere estimativas de poder condicional significativas, ou (c) as regras adaptativas não podem ser pré-especificadas e bloqueadas antes do desmascaramento, o que invalidaria o controle do erro tipo I.

Limitações e considerações

  • A razão de risco de subdistribuição do modelo de Fine-Gray não tem uma interpretação biológica tão direta quanto a razão de risco específica da causa; ela mistura os efeitos das covariáveis na ocorrência e na sobrevivência do evento competitivo.
  • Requer pré-especificação de todas as regras adaptativas, funções de gasto alfa e cronogramas de análises interinas antes do desmascaramento dos dados — adaptações post-hoc invalidam a inferência.
  • A revisão de dados interinos por um estatístico não mascarado ou comitê de monitoramento de dados independente adiciona complexidade logística e regulatória.
  • Tamanhos de amostra pequenos a moderados podem não fornecer poder condicional suficiente nas análises interinas para tornar as decisões de adaptação confiáveis.

As condições da fonte não substituem a revisão científica independente nem a validação por um motor de análise.

Pontos fortes

  • Modela corretamente a probabilidade de falha de uma causa específica sem o viés introduzido ao tratar eventos competitivos como censura independente.
  • A camada adaptativa permite a reavaliação do tamanho da amostra ou a parada antecipada, melhorando a eficiência e reduzindo a exposição dos participantes a um tratamento inferior.
  • Mantém um controle rigoroso do erro tipo I através de funções de gasto alfa pré-especificadas, mesmo quando o desenho do estudo é modificado no meio do curso.
  • Produz resultados clinicamente interpretáveis — funções de incidência cumulativa — que informam diretamente as decisões de tratamento melhor do que apenas as razões de risco específicas da causa.
  • Aplicável tanto a ensaios clínicos randomizados quanto a grandes estudos de registro observacional com dados de tempo para evento.

Aplicações

  • Ensaios de oncologia comparando sobrevivência específica do câncer na presença de mortes por outras causas, infecções ou descontinuação do tratamento.
  • Estudos de resultados cardiovasculares onde o desfecho primário são eventos cardíacos adversos maiores ao lado de riscos competitivos de morte não cardiovascular.
  • Pesquisa de transplante de medula óssea modelando a incidência de recidiva na presença de mortalidade relacionada ao transplante competitiva.
  • Estudos de farmacovigilância baseados em registro avaliando eventos adversos atribuíveis a medicamentos quando pacientes podem abandonar ou morrer por outras causas.
  • Ensaios clínicos de COVID-19 monitorando o tempo para ventilação mecânica, levando em conta alta precoce ou morte por causas não respiratórias.

Como funciona

Como funciona

1

Definir a causa primária de interesse (por exemplo, mortalidade específica do câncer) e enumerar todos os eventos competitivos (por exemplo, morte por outras causas, abandono). Pré-especificar os covariáveis do modelo de risco de subdistribuição, o número e o momento das análises interinas, e as regras adaptativas (limites de reavaliação do tamanho da amostra, regras de parada por futilidade ou superioridade) juntamente com a função de gasto alfa (por exemplo, O'Brien-Fleming) para controlar o erro tipo I familiar.

2

Em cada análise interina e final, estimar a função de incidência cumulativa para cada causa usando o modelo de riscos proporcionais de subdistribuição de Fine-Gray. Sujeitos que experimentaram um evento competitivo permanecem no conjunto de risco para a causa de interesse com peso reduzido a zero — uma distinção chave dos modelos de risco específico da causa. A razão de risco de subdistribuição exp(β) quantifica os efeitos das covariáveis na CIF diretamente.

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

Calcular estatísticas de teste interinas (por exemplo, teste K-amostras de Gray ou estatísticas de score do modelo de Fine-Gray) e compará-las com os limites pré-especificados da função de gasto. Avaliar se o alfa cumulativo gasto até o momento excede o limite de gasto para parada antecipada (superioridade ou futilidade).

4

Se as regras adaptativas pré-especificadas forem atendidas — por exemplo, o poder condicional cai abaixo de um limiar de futilidade ou o tamanho do efeito interino sugere que uma amostra maior é necessária — modificar o desenho de acordo. Adaptações permitidas incluem reavaliação do tamanho da amostra, abandono de braços ou revisões de ajuste de covariáveis. Todas as adaptações devem seguir o plano pré-registrado para preservar a integridade do erro tipo I.

5

Na análise final, calcular o valor p ajustado e o intervalo de confiança para a razão de risco de subdistribuição usando o teste combinado ou o método inverso normal para levar em conta as modificações adaptativas. Relatar CIFs específicas da causa com bandas de confiança e apresentar tanto o desfecho primário quanto as taxas de eventos competitivos para dar aos clínicos uma imagem completa do perfil benefício-risco.

Erros comuns

  • Tratar eventos competitivos como censura independente em um modelo Kaplan-Meier ou Cox padrão — isso superestima a incidência cumulativa do evento primário e inflaciona os benefícios aparentes do tratamento.
  • Realizar análises interinas não planejadas fora do arcabouço pré-especificado de gasto alfa, o que inflaciona a taxa de erro tipo I e pode invalidar submissões regulatórias.
  • Ignorar os eventos competitivos inteiramente ao relatar resultados — um tratamento que reduz a morte por câncer, mas aumenta a morte cardiovascular, pode parecer benéfico se apenas um desfecho for mostrado.
  • Usar regras adaptativas que dependem do efeito do tratamento não mascarado sem um teste combinado apropriado, levando a valores p e intervalos de confiança inválidos na análise final.
  • Confundir funções de incidência cumulativa com valores do estimador (1 − Kaplan-Meier); apenas a CIF é o estimador correto quando riscos competitivos estão presentes.

Perguntas frequentes

Qual é a diferença entre o modelo de Fine-Gray e um modelo de risco específico da causa?

O modelo de risco específico da causa estima a taxa instantânea de falha de uma causa específica entre aqueles ainda livres de eventos — eventos competitivos são tratados como censurados. O modelo de risco de subdistribuição de Fine-Gray mantém sujeitos que experimentam um evento competitivo no conjunto de risco (com peso decrescente), de modo que modela diretamente a função de incidência cumulativa. Para prever o risco absoluto em uma população, a CIF de Fine-Gray é mais apropriada; para entender os mecanismos biológicos de um único tipo de falha, os riscos específicos da causa podem ser preferíveis.

Como escolho a função de gasto alfa para monitoramento interino adaptativo?

A função de gasto O'Brien-Fleming é conservadora no início e gasta mais alfa no final — adequada quando a parada antecipada por eficácia é improvável. A função de gasto Pocock aloca alfa de forma mais uniforme, facilitando a parada antecipada por eficácia, mas exigindo um limiar final mais baixo. A escolha deve ser pré-especificada no protocolo e no plano de análise estatística; agências reguladoras (FDA, EMA) exigem essa pré-especificação antes de qualquer análise interina não mascarada.

Posso adicionar covariáveis ao modelo de Fine-Gray em um desenho adaptativo?

Sim. O ajuste de covariáveis no modelo de Fine-Gray é comum para desequilíbrios basais, fatores de estratificação prognóstica ou para aumentar a precisão. Em um desenho adaptativo, as covariáveis incluídas no modelo devem ser pré-especificadas; adicionar ou remover covariáveis após visualizar dados interinos requer uma regra pré-planejada de seleção de covariáveis ou o risco de inflar o erro tipo I.

A análise adaptativa de riscos competitivos é aceita por agências reguladoras?

Desenhos de ensaios adaptativos de forma mais ampla são aceitos pela FDA (ver seu guia de 2019 sobre desenhos adaptativos para ensaios clínicos) e EMA, desde que as regras adaptativas, funções de gasto alfa e características operacionais sejam pré-especificadas e o ensaio mantenha o mascaramento durante as revisões interinas por um comitê de monitoramento de dados independente. Desfechos de riscos competitivos também são padrão em submissões de oncologia e cardiovascular, embora o plano de análise deva esclarecer se o desfecho primário é a CIF ou o risco específico da causa.

Qual software suporta análise adaptativa de riscos competitivos?

O pacote R cmprsk implementa o modelo de Fine-Gray e o teste de Gray. O pacote mstate suporta extensões de múltiplos estados. Para características operacionais de desenho adaptativo, gsDesign e rpact suportam arcabouços em grupo-sequencial; combinar estes com modelos de riscos competitivos geralmente requer código de simulação personalizado ou pacotes de propósito específico como PASS (NCSS) para cálculos de tamanho de amostra sob riscos competitivos.

Métodos relacionados

Fontes

  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.

    Abrir referência DOI
    Copiado.
  2. Beyersmann, J., Allignol, A., & Schumacher, M. (2012). Competing Risks and Multistate Models with R. Springer.

    ISBN: 978-1461420767
    Copiado.