Skip to content
กลับไปยังผลการค้นหา

การวิเคราะห์ความเสี่ยงคู่แข่งแบบปรับตัว

ผู้เสนอ
Fine & Gray (subdistribution hazard, 1999); adaptive extensions by Beyersmann, Schumacher and colleagues
ปี
1999 (foundational Fine-Gray model); adaptive extensions 2000s–2010s
ประเภท
Statistical survival analysis with adaptive interim monitoring
กลุ่มวิธี
Clinical / epidemiology

ข้อความนี้เป็นการแปลด้วยเครื่องและยังไม่ได้รับการตรวจทาน อ่านต้นฉบับภาษาอังกฤษ

ขนาดตัวอักษร

ใช้ทำอะไร?

การวิเคราะห์ความเสี่ยงคู่แข่งแบบปรับตัว (Adaptive Competing Risks Analysis) เป็นการผสานรวมกรอบการทำงานของแบบจำลอง Fine-Gray subdistribution hazard ซึ่งจำลองอุบัติการณ์สะสมของสาเหตุการล้มเหลวหนึ่งเมื่อมีสาเหตุอื่น ๆ ที่ไม่เกี่ยวข้องกัน — เข้ากับกฎการติดตามชั่วคราวแบบปรับตัวหรือแบบกลุ่มตามลำดับ วิธีนี้ช่วยให้การทดลองทางคลินิกหรือการศึกษาเชิงสังเกตสามารถปรับเปลี่ยนได้ระหว่างดำเนินการ (เช่น การประเมินขนาดตัวอย่างใหม่ การหยุดการศึกษาแต่เนิ่น ๆ) โดยอิงจากข้อมูลความเสี่ยงคู่แข่งที่สะสมอยู่ ในขณะที่ยังคงควบคุมความผิดพลาดประเภทที่ 1 (type I error) ที่กำหนดไว้ล่วงหน้าได้

แนวคิดเบื้องหลังวิธีการ

ในการศึกษาทางคลินิกหลายครั้ง ผู้ป่วยอาจล้มเหลวได้จากหลายสาเหตุ เช่น การเสียชีวิตจากโรคมะเร็ง การเสียชีวิตจากโรคหัวใจและหลอดเลือด และการถอนตัวจากการรักษา ล้วนเป็นผลลัพธ์ที่เป็นไปได้ การวิเคราะห์การรอดชีวิตแบบมาตรฐานไม่สามารถแยกแยะสิ่งเหล่านี้ได้ดีนัก การวิเคราะห์ความเสี่ยงคู่แข่งจะจำลองแต่ละสาเหตุแยกกันโดยการประมาณฟังก์ชันอุบัติการณ์สะสม (Cumulative Incidence Function หรือ CIF) แทนที่จะเป็นเพียงเส้นโค้งการรอดชีวิตโดยรวม การเพิ่มชั้นการปรับตัวหมายความว่า หลังจากตรวจสอบข้อมูลชั่วคราวแล้ว ทีมวิจัยสามารถปรับขนาดตัวอย่างหรือขอบเขตการหยุดการศึกษาได้อย่างเข้มงวดทางสถิติ — โดยไม่ต้องมีการตรวจสอบที่ไม่ได้วางแผนไว้ซึ่งจะเพิ่มอัตราการเกิดผลบวกปลอม ลองนึกภาพว่าเป็นการสร้างแผนที่ปรับเปลี่ยนได้ในการศึกษาของคุณตั้งแต่เริ่มต้น โดยมีแนวทางป้องกันที่ช่วยให้ผลลัพธ์สุดท้ายยังคงถูกต้อง

ประวัติศาสตร์

รากฐานทางทฤษฎีสำหรับการวิเคราะห์ความเสี่ยงคู่แข่งในข้อมูลการรอดชีวิตย้อนกลับไปถึงวิทยาการประกันภัย แต่กรอบสถิติสมัยใหม่ได้รับการจัดตั้งโดย Fine และ Gray ในบทความ JASA ที่สำคัญในปี 1999 ซึ่งนำเสนอแบบจำลอง proportional subdistribution hazards และสถิติทดสอบ K-sample ที่เกี่ยวข้อง การขยายแบบปรับตัวและแบบกลุ่มตามลำดับสำหรับการตั้งค่าความเสี่ยงคู่แข่งได้รับการพัฒนาต่อมาโดย Beyersmann, Schumacher และคณะ โดยมีส่วนสำคัญจาก Schmoor และ Schwarzer ด้วย วิธีนี้ได้รับความนิยมในการทดลองทางมะเร็งวิทยา การวิจัยผลลัพธ์ทางหัวใจและหลอดเลือด และเวชศาสตร์การปลูกถ่าย ซึ่งประเภทความล้มเหลวหลายประเภทเป็นเรื่องปกติทางคลินิกมากกว่าข้อยกเว้น

ควรใช้เมื่อใด

ใช้การวิเคราะห์ความเสี่ยงคู่แข่งแบบปรับตัวเมื่อ (1) ผลลัพธ์หลักเป็นจุดยุติแบบเวลาถึงเหตุการณ์ที่อยู่ภายใต้เหตุการณ์คู่แข่งที่ไม่เกี่ยวข้องกัน (เช่น การเสียชีวิตเฉพาะโรคควบคู่ไปกับการเสียชีวิตจากทุกสาเหตุ หรือเหตุการณ์ที่ไม่ถึงแก่ชีวิต) (2) ความไม่แน่นอนในขั้นตอนการออกแบบทำให้การปรับเปลี่ยนระหว่างดำเนินการมีคุณค่า (เช่น อัตราเหตุการณ์ ขนาดผลกระทบ หรือการรับผู้ป่วยที่ไม่แน่นอน) และ (3) การศึกษามีขนาดใหญ่พอ — โดยทั่วไปคือการทดลองแบบสุ่มหลายศูนย์หรือการศึกษาทะเบียน — เพื่อรองรับโครงสร้างพื้นฐานสำหรับการติดตามชั่วคราว ห้ามใช้เมื่อ (ก) เหตุการณ์คู่แข่งมีน้อยมากหรือการเสียชีวิตจากทุกสาเหตุเป็นจุดยุติเดียว (การวิเคราะห์การรอดชีวิตแบบปรับตัวมาตรฐานก็เพียงพอแล้ว) (ข) ขนาดตัวอย่างเล็กเกินไปสำหรับการติดตามชั่วคราวเพื่อให้ได้ค่าประมาณกำลังทางสถิติแบบมีเงื่อนไขที่มีความหมาย หรือ (ค) ไม่สามารถกำหนดและล็อกกฎการปรับตัวล่วงหน้าก่อนการเปิดเผยข้อมูล ซึ่งจะทำให้การควบคุมความผิดพลาดประเภทที่ 1 ไม่ถูกต้อง

ข้อจำกัดและข้อควรพิจารณา

  • อัตราส่วน subdistribution hazard ratio จากแบบจำลอง Fine-Gray ไม่มีการตีความทางชีววิทยาโดยตรงเท่ากับอัตราส่วน cause-specific hazard ratio เนื่องจากเป็นการผสมผสานผลกระทบของตัวแปรควบคุมต่อการเกิดเหตุการณ์และการรอดชีวิตจากเหตุการณ์คู่แข่ง
  • ต้องมีการกำหนดกฎการปรับตัวทั้งหมด ฟังก์ชันการใช้แอลฟา และตารางการตรวจสอบชั่วคราวล่วงหน้าก่อนการเปิดเผยข้อมูล — การปรับเปลี่ยนภายหลังจะทำให้การอนุมานไม่ถูกต้อง
  • การทบทวนข้อมูลชั่วคราวโดยนักสถิติที่ไม่ถูกปิดบังข้อมูลหรือคณะกรรมการติดตามข้อมูลอิสระจะเพิ่มความซับซ้อนด้านโลจิสติกส์และกฎระเบียบ
  • ขนาดตัวอย่างที่เล็กถึงปานกลางอาจไม่ให้กำลังทางสถิติแบบมีเงื่อนไขที่เพียงพอในการตรวจสอบชั่วคราว เพื่อให้การตัดสินใจปรับตัวมีความน่าเชื่อถือ

เงื่อนไขจากแหล่งที่มาไม่สามารถใช้แทนการทบทวนทางวิทยาศาสตร์ที่เป็นอิสระหรือการตรวจสอบโดยเอนจินวิเคราะห์ได้

จุดแข็ง

  • จำลองความน่าจะเป็นของการล้มเหลวจากสาเหตุเฉพาะได้อย่างถูกต้อง โดยไม่มีอคติที่เกิดจากการถือว่าเหตุการณ์คู่แข่งเป็นการเซ็นเซอร์ที่เป็นอิสระ
  • ชั้นการปรับตัวช่วยให้สามารถประเมินขนาดตัวอย่างใหม่หรือหยุดการศึกษาแต่เนิ่น ๆ ได้ ซึ่งช่วยเพิ่มประสิทธิภาพและลดการสัมผัสของผู้เข้าร่วมต่อการรักษาที่ด้อยกว่า
  • รักษาการควบคุมความผิดพลาดประเภทที่ 1 อย่างเข้มงวดผ่านฟังก์ชันการใช้แอลฟาที่กำหนดไว้ล่วงหน้า แม้ว่าการออกแบบการศึกษาจะถูกปรับเปลี่ยนระหว่างดำเนินการ
  • สร้างผลลัพธ์ที่ตีความได้ทางคลินิก — ฟังก์ชันอุบัติการณ์สะสม — ซึ่งให้ข้อมูลโดยตรงสำหรับการตัดสินใจในการรักษาได้ดีกว่าอัตราส่วน cause-specific hazard เพียงอย่างเดียว
  • สามารถนำไปใช้ได้ทั้งกับการทดลองทางคลินิกแบบสุ่มและงานวิจัยทะเบียนขนาดใหญ่ที่มีข้อมูลเวลาถึงเหตุการณ์

การประยุกต์ใช้

  • การทดลองทางมะเร็งวิทยาที่เปรียบเทียบการรอดชีวิตเฉพาะมะเร็งเมื่อมีการเสียชีวิตจากสาเหตุอื่น ๆ การติดเชื้อ หรือการหยุดการรักษา
  • การศึกษาผลลัพธ์ทางหัวใจและหลอดเลือดที่จุดยุติหลักคือเหตุการณ์หัวใจและหลอดเลือดที่ไม่พึงประสงค์ที่สำคัญ ควบคู่ไปกับความเสี่ยงคู่แข่งของการเสียชีวิตที่ไม่ใช่สาเหตุจากหัวใจและหลอดเลือด
  • การวิจัยการปลูกถ่ายไขกระดูกที่จำลองอุบัติการณ์การกลับเป็นซ้ำเมื่อมีความเสี่ยงคู่แข่งของการเสียชีวิตที่เกี่ยวข้องกับการปลูกถ่าย
  • การศึกษาเภสัชเฝ้าระวังโดยใช้ทะเบียนเพื่อประเมินเหตุการณ์ไม่พึงประสงค์ที่เกิดจากยาเมื่อผู้ป่วยสามารถถอนตัวหรือเสียชีวิตจากสาเหตุอื่น ๆ
  • การทดลองทางคลินิก COVID-19 ที่ติดตามเวลาถึงการใช้เครื่องช่วยหายใจ โดยคำนึงถึงการจำหน่ายผู้ป่วยก่อนกำหนดหรือการเสียชีวิตจากสาเหตุที่ไม่ใช่ระบบทางเดินหายใจ

วิธีการทำงาน

วิธีการทำงาน

1

กำหนดสาเหตุหลักที่สนใจ (เช่น อัตราการเสียชีวิตเฉพาะจากมะเร็ง) และระบุเหตุการณ์คู่แข่งทั้งหมด (เช่น การเสียชีวิตจากสาเหตุอื่น ๆ การถอนตัว) กำหนดตัวแปรควบคุมของแบบจำลอง subdistribution hazard จำนวนและช่วงเวลาของการตรวจสอบชั่วคราว และกฎการปรับตัว (ขอบเขตการประเมินขนาดตัวอย่างใหม่ กฎการหยุดการศึกษาเนื่องจากความไร้ประโยชน์หรือความเหนือกว่า) พร้อมกับฟังก์ชันการใช้แอลฟา (alpha-spending function) (เช่น O'Brien-Fleming) เพื่อควบคุมความผิดพลาดประเภทที่ 1 แบบครอบครัว (family-wise type I error)

2

ในการวิเคราะห์ชั่วคราวและขั้นสุดท้ายแต่ละครั้ง ให้ประมาณฟังก์ชันอุบัติการณ์สะสมสำหรับแต่ละสาเหตุโดยใช้แบบจำลอง Fine-Gray proportional subdistribution hazards ผู้ป่วยที่ประสบเหตุการณ์คู่แข่งยังคงอยู่ในชุดความเสี่ยงสำหรับสาเหตุที่สนใจ โดยมีน้ำหนักลดลงเหลือศูนย์ — ซึ่งเป็นความแตกต่างที่สำคัญจากแบบจำลอง cause-specific hazard อัตราส่วน subdistribution hazard ratio exp(β) จะวัดผลกระทบของตัวแปรควบคุมต่อ CIF โดยตรง

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

คำนวณสถิติทดสอบชั่วคราว (เช่น Gray's K-sample test หรือ score statistics จากแบบจำลอง Fine-Gray) และเปรียบเทียบกับขอบเขตฟังก์ชันการใช้แอลฟาที่กำหนดไว้ล่วงหน้า ประเมินว่าแอลฟาที่ใช้สะสมจนถึงปัจจุบันเกินขอบเขตการใช้แอลฟาสำหรับการหยุดการศึกษาแต่เนิ่น ๆ หรือไม่ (ความเหนือกว่าหรือความไร้ประโยชน์)

4

หากเป็นไปตามกฎการปรับตัวที่กำหนดไว้ล่วงหน้า — ตัวอย่างเช่น กำลังทางสถิติแบบมีเงื่อนไข (conditional power) ต่ำกว่าเกณฑ์ความไร้ประโยชน์ หรือขนาดผลกระทบชั่วคราวบ่งชี้ว่าจำเป็นต้องมีขนาดตัวอย่างที่ใหญ่ขึ้น — ให้ปรับเปลี่ยนการออกแบบตามนั้น การปรับเปลี่ยนที่อนุญาตได้รวมถึงการประเมินขนาดตัวอย่างใหม่ การยกเลิกกลุ่มการรักษา หรือการแก้ไขการปรับตัวแปรควบคุม การปรับเปลี่ยนทั้งหมดต้องเป็นไปตามแผนที่ลงทะเบียนไว้ล่วงหน้าเพื่อรักษาความสมบูรณ์ของความผิดพลาดประเภทที่ 1

5

ในการวิเคราะห์ขั้นสุดท้าย ให้คำนวณค่า p-value ที่ปรับแล้วและช่วงความเชื่อมั่นสำหรับอัตราส่วน subdistribution hazard ratio โดยใช้วิธี combination-test หรือ inverse-normal เพื่อพิจารณาการปรับเปลี่ยนแบบปรับตัว รายงาน CIFs เฉพาะสาเหตุพร้อมช่วงความเชื่อมั่น และนำเสนอทั้งจุดยุติปฐมภูมิและอัตราเหตุการณ์คู่แข่งเพื่อให้แพทย์ได้รับภาพรวมที่สมบูรณ์ของโปรไฟล์ประโยชน์-ความเสี่ยง

ข้อผิดพลาดที่พบบ่อย

  • การถือว่าเหตุการณ์คู่แข่งเป็นการเซ็นเซอร์ที่เป็นอิสระในแบบจำลอง Kaplan-Meier หรือ Cox แบบมาตรฐาน — ซึ่งประเมินอุบัติการณ์สะสมของเหตุการณ์หลักสูงเกินไปและเพิ่มประโยชน์การรักษาที่ปรากฏ
  • การดำเนินการวิเคราะห์ชั่วคราวที่ไม่ได้วางแผนไว้นอกกรอบการใช้แอลฟาที่กำหนดไว้ล่วงหน้า ซึ่งจะเพิ่มอัตราความผิดพลาดประเภทที่ 1 และอาจทำให้การยื่นขออนุมัติจากหน่วยงานกำกับดูแลไม่ถูกต้อง
  • การละเลยเหตุการณ์คู่แข่งโดยสิ้นเชิงเมื่อรายงานผล — การรักษาที่ลดการเสียชีวิตจากมะเร็งแต่เพิ่มการเสียชีวิตจากโรคหัวใจและหลอดเลือดอาจดูมีประโยชน์หากแสดงเพียงจุดยุติเดียว
  • การใช้กฎการปรับตัวที่ขึ้นอยู่กับผลการรักษาที่ไม่ถูกปิดบังข้อมูลโดยไม่มีการทดสอบแบบผสมผสานที่เหมาะสม ซึ่งนำไปสู่ p-values และช่วงความเชื่อมั่นที่ไม่ถูกต้องในการวิเคราะห์ขั้นสุดท้าย
  • การสับสนระหว่างฟังก์ชันอุบัติการณ์สะสมกับค่าประมาณ (1 − Kaplan-Meier) มีเพียง CIF เท่านั้นที่เป็นค่าประมาณที่ถูกต้องเมื่อมีความเสี่ยงคู่แข่ง

คำถามที่พบบ่อย

ความแตกต่างระหว่างแบบจำลอง Fine-Gray และแบบจำลอง cause-specific hazard คืออะไร?

แบบจำลอง cause-specific hazard ประมาณอัตราการล้มเหลวทันทีจากสาเหตุเฉพาะในกลุ่มผู้ที่ยังไม่มีเหตุการณ์ — เหตุการณ์คู่แข่งจะถูกถือว่าเป็นการเซ็นเซอร์ แบบจำลอง Fine-Gray subdistribution hazard จะเก็บผู้ป่วยที่ประสบเหตุการณ์คู่แข่งไว้ในชุดความเสี่ยง (โดยมีน้ำหนักลดลง) ดังนั้นจึงจำลองฟังก์ชันอุบัติการณ์สะสมโดยตรง สำหรับการทำนายความเสี่ยงสัมบูรณ์ในประชากร CIF ของ Fine-Gray มีความเหมาะสมกว่า สำหรับการทำความเข้าใจกลไกทางชีววิทยาของประเภทความล้มเหลวเดียว cause-specific hazards อาจเป็นที่ต้องการมากกว่า

ฉันจะเลือกฟังก์ชันการใช้แอลฟาสำหรับการติดตามชั่วคราวแบบปรับตัวได้อย่างไร?

ฟังก์ชันการใช้แอลฟาของ O'Brien-Fleming จะอนุรักษ์นิยมในช่วงแรกและใช้แอลฟามากขึ้นในช่วงหลัง — เหมาะสมเมื่อการหยุดการศึกษาแต่เนิ่น ๆ เพื่อประสิทธิภาพไม่น่าจะเกิดขึ้น ฟังก์ชันการใช้แอลฟาของ Pocock จะจัดสรรแอลฟาอย่างสม่ำเสมอมากขึ้น ทำให้การหยุดการศึกษาแต่เนิ่น ๆ เพื่อประสิทธิภาพง่ายขึ้น แต่ต้องมีเกณฑ์สุดท้ายที่ต่ำกว่า การเลือกควรถูกกำหนดไว้ล่วงหน้าในระเบียบวิธีวิจัยและแผนการวิเคราะห์ทางสถิติ หน่วยงานกำกับดูแล (FDA, EMA) กำหนดให้มีการกำหนดล่วงหน้านี้ก่อนการวิเคราะห์ชั่วคราวที่ไม่มีการปิดบังข้อมูล

ฉันสามารถเพิ่มตัวแปรควบคุมในแบบจำลอง Fine-Gray ในการออกแบบแบบปรับตัวได้หรือไม่?

ได้ การปรับตัวแปรควบคุมในแบบจำลอง Fine-Gray เป็นเรื่องปกติสำหรับการไม่สมดุลของข้อมูลพื้นฐาน ปัจจัยการแบ่งชั้นการพยากรณ์โรค หรือการเพิ่มความแม่นยำ ในการออกแบบแบบปรับตัว ตัวแปรควบคุมที่รวมอยู่ในแบบจำลองควรถูกกำหนดไว้ล่วงหน้า การเพิ่มหรือลบตัวแปรควบคุมหลังจากดูข้อมูลชั่วคราวต้องมีกฎการเลือกตัวแปรควบคุมที่วางแผนไว้ล่วงหน้า มิฉะนั้นอาจเพิ่มความเสี่ยงของความผิดพลาดประเภทที่ 1

การวิเคราะห์ความเสี่ยงคู่แข่งแบบปรับตัวได้รับการยอมรับจากหน่วยงานกำกับดูแลหรือไม่?

การออกแบบการทดลองแบบปรับตัวโดยทั่วไปได้รับการยอมรับจาก FDA (ดูแนวทางปี 2019 เกี่ยวกับการออกแบบแบบปรับตัวสำหรับการทดลองทางคลินิก) และ EMA โดยมีเงื่อนไขว่ากฎการปรับตัว ฟังก์ชันการใช้แอลฟา และลักษณะการดำเนินงานถูกกำหนดไว้ล่วงหน้า และการทดลองยังคงมีการปิดบังข้อมูลในระหว่างการทบทวนชั่วคราวโดยคณะกรรมการติดตามข้อมูลอิสระ จุดยุติความเสี่ยงคู่แข่งยังเป็นมาตรฐานในการยื่นขออนุมัติทางมะเร็งวิทยาและหัวใจและหลอดเลือด แม้ว่าแผนการวิเคราะห์ควรชี้แจงว่าจุดยุติหลักคือ CIF หรือ cause-specific hazard

ซอฟต์แวร์ใดที่รองรับการวิเคราะห์ความเสี่ยงคู่แข่งแบบปรับตัว?

แพ็คเกจ R cmprsk ใช้แบบจำลอง Fine-Gray และ Gray's test แพ็คเกจ mstate รองรับการขยายแบบ multistate สำหรับลักษณะการดำเนินงานของการออกแบบแบบปรับตัว gsDesign และ rpact รองรับกรอบการทำงานแบบกลุ่มตามลำดับ การรวมสิ่งเหล่านี้เข้ากับแบบจำลองความเสี่ยงคู่แข่งมักจะต้องใช้โค้ดจำลองที่กำหนดเองหรือแพ็คเกจที่สร้างขึ้นโดยเฉพาะ เช่น PASS (NCSS) สำหรับการคำนวณขนาดตัวอย่างภายใต้ความเสี่ยงคู่แข่ง

วิธีการที่เกี่ยวข้อง

แหล่งอ้างอิง

  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.

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

    ISBN: 978-1461420767
    คัดลอกแล้ว