Адаптивный анализ конкурирующих рисков
- Автор метода
- Fine & Gray (subdistribution hazard, 1999); adaptive extensions by Beyersmann, Schumacher and colleagues
- Год
- 1999 (foundational Fine-Gray model); adaptive extensions 2000s–2010s
- Тип
- Statistical survival analysis with adaptive interim monitoring
- Семейство
- Clinical / epidemiology
Этот текст переведён машинным способом и ещё не проверен. Читать оригинал на английском
Что он делает?
Адаптивный анализ конкурирующих рисков объединяет основу субгазардов Файна-Грея — которая моделирует кумулятивную частоту одной причины отказа в присутствии других взаимоисключающих причин — с адаптивными или групповыми последовательными правилами промежуточного мониторинга.
Это позволяет изменять клиническое исследование или наблюдательное исследование в середине курса (например, переоценка размера выборки, досрочное прекращение) на основе накапливающихся данных о конкурирующих рисках, сохраняя при этом заранее заданный контроль ошибки первого рода.
Интуиция метода
Во многих клинических исследованиях пациенты могут отказаться по нескольким причинам: смерть от рака, сердечно-сосудистая смерть и прекращение лечения — все это возможные исходы. Стандартный анализ выживаемости не может хорошо их различить; анализ конкурирующих рисков моделирует каждую причину отдельно, оценивая функцию кумулятивной частоты (CIF), а не просто общую кривую выживаемости. Добавление адаптивного слоя означает, что после изучения промежуточных данных команда исследования может корректировать размер выборки или границы прекращения статистически обоснованным образом — без незапланированных просмотров, которые увеличивают частоту ложноположительных результатов. Думайте об этом как о создании настраиваемого плана в вашем исследовании с самого начала, с предохранительными ограждениями, которые гарантируют, что окончательный результат останется действительным.
История
Теоретические основы анализа конкурирующих рисков в данных о выживаемости восходят к актуарной науке, но современная статистическая основа была заложена Файн и Греем в их знаковой статье в JASA 1999 года, которая представила модель пропорциональных субгазардов и связанную с ней статистику теста для K выборок. Адаптивные и групповые последовательные расширения для сценариев конкурирующих рисков были впоследствии разработаны Бейерсманном, Шумахером и коллегами, с ключевым вкладом также от Шмора и Шварцера. Метод получил распространение в онкологических исследованиях, исследованиях сердечно-сосудистых исходов и трансплантационной медицине, где множественные типы отказов являются клинической нормой, а не исключением.
Когда применять
Используйте адаптивный анализ конкурирующих рисков, когда (1) первичный исход является конечной точкой времени до события, подверженной взаимоисключающим конкурирующим событиям (например, смерть от болезни наряду со смертностью от всех причин или нефатальными событиями), (2) неопределенность на этапе проектирования делает ценными адаптации в середине курса (например, неопределенные частоты событий, размер эффекта или набор), и (3) исследование достаточно велико — как правило, многоцентровое рандомизированное исследование или исследование реестра — чтобы оправдать инфраструктуру для промежуточного мониторинга. НЕ используйте, когда (a) конкурирующие события незначительны или конечной точкой является только смертность от всех причин (достаточно стандартного адаптивного анализа выживаемости), (b) выборка слишком мала для промежуточного мониторинга, чтобы дать значимые оценки условной мощности, или (c) адаптивные правила не могут быть предварительно определены и зафиксированы до раскрытия данных, что приведет к недействительности контроля ошибки первого рода.
Ограничения и замечания
- Отношение субгазардов из модели Файна-Грея не имеет такого прямого биологического толкования, как отношение субгазардов, специфичных для причины; оно смешивает эффекты ковариат на возникновение и на выживаемость при конкурирующих событиях.
- Требует предварительного определения всех адаптивных правил, функций распределения альфа и графиков промежуточных просмотров до раскрытия данных — постфактумные адаптации делают выводы недействительными.
- Обзор промежуточных данных неслепым статистиком или независимым комитетом по мониторингу данных добавляет логистическую и регуляторную сложность.
- Малые и средние размеры выборки могут не обеспечивать достаточной условной мощности на промежуточных этапах для надежного принятия решений об адаптации.
Условия из источника не заменяют независимую научную проверку или валидацию аналитическим движком.
Сильные стороны
- Корректно моделирует вероятность отказа по конкретной причине без смещения, вносимого рассмотрением конкурирующих событий как независимого цензурирования.
- Адаптивный слой позволяет переоценивать размер выборки или досрочно прекращать исследование, повышая эффективность и снижая воздействие на участников неоптимального лечения.
- Поддерживает строгий контроль ошибки первого рода посредством заранее определенных функций распределения альфа, даже когда дизайн исследования изменяется в середине курса.
- Производит клинически интерпретируемые результаты — функции кумулятивной частоты — которые напрямую информируют о решениях о лечении лучше, чем только отношения субгазардов, специфичных для причины.
- Применимо как к рандомизированным клиническим исследованиям, так и к крупным наблюдательным исследованиям реестра с данными о времени до события.
Применение
- Онкологические исследования, сравнивающие выживаемость, специфичную для рака, при наличии смертей от других причин, инфекций или прекращения лечения.
- Исследования сердечно-сосудистых исходов, где первичной конечной точкой являются основные неблагоприятные кардиологические события наряду с конкурирующими рисками несердечно-сосудистой смерти.
- Исследования трансплантации костного мозга, моделирующие частоту рецидивов при наличии конкурирующей смертности, связанной с трансплантацией.
- Исследования фармаконадзора на основе реестра, оценивающие нежелательные явления, связанные с лекарствами, когда пациенты могут прекратить участие или умереть по другим причинам.
- Клинические испытания COVID-19, отслеживающие время до механической вентиляции легких с учетом ранней выписки или смерти от причин, не связанных с дыханием.
Как это работает
Как это работает
Определите основную причину интереса (например, смертность от рака) и перечислите все конкурирующие события (например, смерть от других причин, прекращение участия). Предварительно определите ковариаты модели субгазардов, количество и время промежуточных просмотров, а также адаптивные правила (границы переоценки размера выборки, правила прекращения из-за бесперспективности или превосходства) вместе с функцией распределения альфа (например, О'Брайен-Флеминг) для контроля семейной ошибки первого рода.
На каждом промежуточном и окончательном анализе оцените функцию кумулятивной частоты для каждой причины с использованием модели пропорциональных субгазардов Файна-Грея. Субъекты, испытавшие конкурирующее событие, остаются в группе риска для интересующей причины с весом, уменьшенным до нуля — ключевое отличие от моделей, ориентированных на конкретную причину. Отношение субгазардов exp(β) количественно определяет влияние ковариат на CIF напрямую.
Формула
\hat{F}_k(t) = 1 - \exp\!\left(-\int_0^t \exp(\beta^\top Z)\, d\Lambda_{0k}(s)\right)Вычислите промежуточные тестовые статистики (например, K-выборочный тест Грея или статистики оценки из модели Файна-Грея) и сравните их с заранее заданными границами функции распределения. Оцените, превышает ли накопленная альфа, потраченная на данный момент, границу распределения для досрочного прекращения (превосходство или бесперспективность).
Если соблюдены заранее заданные адаптивные правила — например, условная мощность падает ниже порога бесперспективности или промежуточный размер эффекта предполагает необходимость большего размера выборки — скорректируйте дизайн соответствующим образом. Разрешенные адаптации включают переоценку размера выборки, исключение групп или пересмотр корректировки ковариат. Все адаптации должны соответствовать предварительно зарегистрированному плану для сохранения целостности ошибки первого рода.
При окончательном анализе вычислите скорректированное p-значение и доверительный интервал для отношения субгазардов с использованием комбинированного теста или метода обратного нормального распределения для учета адаптивных модификаций. Сообщите CIF, специфичные для причины, с доверительными полосами и представьте как первичную конечную точку, так и частоту конкурирующих событий, чтобы дать клиницистам полную картину профиля пользы и риска.
Частые ошибки
- Рассмотрение конкурирующих событий как независимого цензурирования в стандартной модели Каплана-Мейера или Кокса — это приводит к переоценке кумулятивной частоты первичного события и раздувает кажущиеся преимущества лечения.
- Проведение незапланированных промежуточных анализов вне заранее определенной структуры распределения альфа, что увеличивает ошибку первого рода и может сделать недействительными регуляторные заявки.
- Игнорирование конкурирующих событий при сообщении результатов — лечение, которое снижает смертность от рака, но увеличивает сердечно-сосудистую смертность, может показаться выгодным, если показан только один конечный исход.
- Использование адаптивных правил, зависящих от неслепого эффекта лечения без соответствующего комбинированного теста, что приводит к недействительным p-значениям и доверительным интервалам при окончательном анализе.
- Путаница между функциями кумулятивной частоты и значениями оценщика (1 − Каплан-Мейер); только CIF является правильным оценщиком при наличии конкурирующих рисков.
Часто задаваемые вопросы
Какова разница между моделью Файна-Грея и моделью субгазардов, специфичных для причины?
Модель субгазардов, специфичных для причины, оценивает мгновенную частоту отказа по конкретной причине среди тех, кто еще не испытал события — конкурирующие события рассматриваются как цензурированные. Модель субгазардов Файна-Грея сохраняет субъектов, испытавших конкурирующее событие, в группе риска (с уменьшающимся весом), поэтому она напрямую моделирует функцию кумулятивной частоты. Для прогнозирования абсолютного риска в популяции CIF Файна-Грея более подходит; для понимания биологических механизмов одного типа отказа субгазарды, специфичные для причины, могут быть предпочтительнее.
Как выбрать функцию распределения альфа для адаптивного промежуточного мониторинга?
Функция распределения альфа О'Брайен-Флеминг является консервативной на ранних этапах и тратит больше альфа на поздних этапах — подходит, когда досрочное прекращение по причине эффективности маловероятно. Функция распределения альфа Покока распределяет альфа более равномерно, облегчая досрочное прекращение по причине эффективности, но требуя более низкого окончательного порога. Выбор должен быть предварительно определен в протоколе и плане статистического анализа; регуляторные органы (FDA, EMA) требуют такого предварительного определения до любого неслепого промежуточного анализа.
Могу ли я добавить ковариаты в модель Файна-Грея в адаптивном дизайне?
Да. Корректировка ковариат в модели Файна-Грея является обычной для базовых дисбалансов, прогностических стратификационных факторов или повышения точности. В адаптивном дизайне ковариаты, включенные в модель, должны быть предварительно определены; добавление или удаление ковариат после просмотра промежуточных данных требует заранее спланированного правила выбора ковариат или рискует увеличить ошибку первого рода.
Принимается ли адаптивный анализ конкурирующих рисков регуляторными органами?
Адаптивные дизайны испытаний в более широком смысле принимаются FDA (см. их руководство 2019 года по адаптивным дизайнам для клинических испытаний) и EMA при условии, что адаптивные правила, функции распределения альфа и операционные характеристики предварительно определены, а испытание сохраняет слепоту во время промежуточных обзоров независимым комитетом по мониторингу данных. Конечные точки конкурирующих рисков также являются стандартными в онкологических и сердечно-сосудистых заявках, хотя план анализа должен уточнять, является ли первичной конечной точкой CIF или субгазард, специфичный для причины.
Какое программное обеспечение поддерживает адаптивный анализ конкурирующих рисков?
Пакет R cmprsk реализует модель Файна-Грея и тест Грея. Пакет mstate поддерживает расширения многостадийных моделей. Для операционных характеристик адаптивного дизайна gsDesign и rpact поддерживают групповые последовательные структуры; объединение их с моделями конкурирующих рисков обычно требует пользовательского кода симуляции или специализированных пакетов, таких как PASS (NCSS), для расчетов размера выборки при конкурирующих рисках.
Похожие методы
Источники
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.
Открыть ссылку DOIСкопировано.Beyersmann, J., Allignol, A., & Schumacher, M. (2012). Competing Risks and Multistate Models with R. Springer.
ISBN: 978-1461420767Скопировано.