Uyarlanabilir Rekabetçi Riskler Analizi
- Ortaya koyan
- Fine & Gray (subdistribution hazard, 1999); adaptive extensions by Beyersmann, Schumacher and colleagues
- Yıl
- 1999 (foundational Fine-Gray model); adaptive extensions 2000s–2010s
- Tür
- Statistical survival analysis with adaptive interim monitoring
- Aile
- Clinical / epidemiology
Bu metin makine çevirisidir ve henüz incelenmedi. Asıl metni İngilizce oku
Ne işe yarar?
Uyarlanabilir rekabetçi riskler analizi, Fine-Gray alt dağılım hazard çerçevesini (diğer, birbirini dışlayan başarısızlık nedenlerinin varlığında bir başarısızlık nedeninin kümülatif insidansını modelleyen yaklaşım) uyarlanabilir veya grup sıralı ara izleme kurallarıyla birleştirir.
Bu sayede bir klinik deneme veya gözlemsel çalışma, önceden belirlenmiş Tip I hata kontrolü korunurken, biriken rekabetçi risk verilerine dayanarak süreç içinde değiştirilebilir (ör. örneklem büyüklüğünün yeniden değerlendirilmesi, erken durdurma).
Yöntemin mantığı
Birçok klinik çalışmada hastalar birden fazla nedenden dolayı başarısız olabilir: kanser ölümü, kardiyovasküler ölüm ve tedaviye uyumsuzluk olası sonuçlardır. Standart sağkalım analizi bunları iyi ayırt edemez; rekabetçi riskler analizi, yalnızca genel sağkalım eğrisini değil, kümülatif insidans fonksiyonunu (CIF) tahmin ederek her bir nedeni ayrı ayrı modeller. Uyarlanabilir bir katman eklemek, ara veriler incelendikten sonra çalışma ekibinin, yanlış pozitif oranlarını artıran plansız bakışlar olmadan, istatistiksel olarak titiz bir şekilde örneklem büyüklüğünü veya durdurma sınırlarını ayarlayabileceği anlamına gelir. Bunu, çalışmanıza en baştan ayarlanabilir bir plan yerleştirmek ve nihai sonucun geçerli kalmasını sağlayan güvenlik korkuluklarıyla donatmak olarak düşünün.
Tarih
Sağkalım verilerinde rekabetçi riskler analizinin kuramsal temeli aktüeryal bilime dayanır; ancak modern istatistiksel çerçeve, orantılı alt dağılım hazard modelini ve ilişkili K-örnek test istatistiğini tanıtan 1999 tarihli JASA makalesinde Fine ve Gray tarafından kurulmuştur. Rekabetçi risk ortamları için uyarlanabilir ve grup sıralı uzantılar daha sonra Beyersmann, Schumacher ve çalışma arkadaşları tarafından geliştirilmiş; Schmoor ve Schwarzer de önemli katkılar yapmıştır. Yöntem, birden fazla başarısızlık türünün istisna değil norm olduğu onkoloji denemelerinde, kardiyovasküler sonlanım araştırmalarında ve transplantasyon tıbbında ilgi görmüştür.
Ne zaman kullanılır?
Uyarlanabilir rekabetçi riskler analizi, (1) birincil sonucun karşılıklı dışlayıcı rekabetçi olaylara tabi olan bir zamana-olay son noktası olduğu (örneğin, tüm nedenlere bağlı ölümler veya ölümcül olmayan olayların yanında kansere özgü ölüm), (2) tasarım aşamasındaki belirsizliklerin orta-dönem uyarlamaları değerli kıldığı (örneğin, belirsiz olay oranları, etki büyüklüğü veya birikim) ve (3) çalışmanın ara izleme için altyapıyı haklı çıkaracak kadar büyük olduğu (tipik olarak çok merkezli randomize bir deneme veya kayıt çalışması) durumlarda kullanılır. (a) Rekabetçi olayların ihmal edilebilir olduğu veya tek son noktanın tüm nedenlere bağlı ölüm olduğu (standart uyarlanabilir sağkalım analizi yeterlidir), (b) örneklemin ara izlemeden anlamlı koşullu güç tahminleri sağlayamayacak kadar küçük olduğu veya (c) uyarlanabilir kuralların körlemenin açılmasından önce belirlenip kilitlenemediği (aksi halde Tip I hata kontrolü geçersiz olur) durumlarda KULLANMAYIN.
Sınırlar ve dikkat edilmesi gerekenler
- Fine-Gray modelinin alt dağılım hazard oranı, nedene özgü hazard oranı kadar doğrudan bir biyolojik yoruma sahip değildir; kovaryatların olayın ortaya çıkışı üzerindeki etkisiyle rekabetçi olaydan sağkalım üzerindeki etkisini birbirine karıştırır.
- Tüm uyarlama kurallarının, alfa harcama fonksiyonlarının ve ara bakış takviminin veri körlemesi açılmadan önce belirlenmesini gerektirir; sonradan yapılan uyarlamalar çıkarımı geçersiz kılar.
- Körlemesi açık bir istatistikçi veya bağımsız veri izleme komitesi tarafından ara veri incelemesi yapılması, lojistik ve düzenleyici karmaşıklık ekler.
- Küçük ve orta büyüklükteki örneklemler, uyarlama kararlarını güvenilir kılacak yeterli koşullu gücü ara bakışlarda sağlamayabilir.
Kaynak metnin koşulları, bağımsız bilimsel inceleme veya analiz motoru doğrulaması yerine geçmez.
Güçlü yönleri
- Rekabetçi olayları bağımsız sansürleme olarak ele almanın getirdiği yanlılığı ortadan kaldırarak belirli bir nedenden kaynaklanan başarısızlık olasılığını doğru bir şekilde modeller.
- Uyarlanabilir katman, örneklem büyüklüğü yeniden değerlendirmesine veya erken durdurmaya olanak tanıyarak verimliliği artırır ve katılımcıların yetersiz bir tedaviye maruz kalmasını azaltır.
- Çalışma tasarımı orta-dönemde değiştirilse bile, önceden belirlenmiş alfa harcama fonksiyonları aracılığıyla sıkı Tip I hata kontrolünü korur.
- Klinik olarak yorumlanabilir çıktılar —kümülatif insidans fonksiyonları— üretir; bunlar tedavi kararlarına yalnızca nedene özgü hazard oranlarından daha iyi bilgi sağlar.
- Hem randomize klinik denemelere hem de olay zamanı verisi içeren geniş gözlemsel kayıt çalışmalarına uygulanabilir.
Uygulama alanları
- Diğer nedenlere bağlı ölümlerin, enfeksiyonların veya tedavi bırakmanın varlığında kansere özgü sağkalımı karşılaştıran onkoloji denemeleri.
- Birincil son noktanın majör advers kardiyak olaylar olduğu ve kardiyovasküler olmayan ölümün rekabetçi risk oluşturduğu kardiyovasküler sonlanım çalışmaları.
- Rekabet eden transplantasyonla ilişkili mortalitenin varlığında nüks insidansını modelleyen kemik iliği nakli araştırmaları.
- Hastaların çekilebileceği veya başka nedenlerle ölebileceği durumlarda ilaca bağlı advers olayları değerlendiren kayıt tabanlı farmakovijilans çalışmaları.
- Hastaların erken taburcu olabileceği veya solunum dışı nedenlerle ölebileceği durumlarda mekanik ventilasyona kadar geçen süreyi izleyen COVID-19 klinik denemeleri.
Nasıl çalışır?
Nasıl çalışır?
İlgilenilen birincil nedeni (ör. kansere özgü mortalite) tanımlayın ve tüm rekabetçi olayları (ör. diğer nedenlere bağlı ölüm, çekilme) sıralayın. Alt dağılım hazard modelinin kovaryatlarını, ara bakışların sayısını ve zamanlamasını ve uyarlama kurallarını (örneklem büyüklüğünü yeniden değerlendirme sınırları, faydasızlık veya üstünlük nedeniyle durdurma kuralları) önceden belirleyin; ailesel (family-wise) Tip I hata kontrolü için bir alfa harcama fonksiyonu (ör. O'Brien-Fleming) seçin.
Her ara ve nihai analizde, her neden için kümülatif insidans fonksiyonunu Fine-Gray orantılı alt dağılım hazard modeliyle tahmin edin. Rekabetçi bir olay yaşamış denekler, ilgilenilen nedenin risk kümesinde ağırlıkları sıfıra indirilmiş olarak kalır; bu, nedene özgü hazard modellerinden temel farktır. Alt dağılım hazard oranı exp(β), kovaryatların CIF üzerindeki etkisini doğrudan nicelleştirir.
Formül
\hat{F}_k(t) = 1 - \exp\!\left(-\int_0^t \exp(\beta^\top Z)\, d\Lambda_{0k}(s)\right)Ara test istatistiklerini (ör. Gray'in K-örnek testi veya Fine-Gray modelinden elde edilen skor istatistikleri) hesaplayın ve önceden belirlenmiş harcama fonksiyonu sınırlarıyla karşılaştırın. Bugüne kadar harcanan kümülatif alfanın, erken durdurma (üstünlük veya faydasızlık) için harcama sınırını aşıp aşmadığını değerlendirin.
Önceden belirlenmiş uyarlanabilir kurallar karşılanırsa —örneğin, koşullu güç bir faydasızlık eşiğinin altına düşerse veya ara etki büyüklüğü daha büyük bir örneklem gerektiğini gösterirse— tasarımı buna göre değiştirin. İzin verilen uyarlamalar arasında örneklem büyüklüğü yeniden değerlendirmesi, kol çıkarma veya kovaryat ayarlama revizyonları yer alır. Tüm uyarlamalar, Tip I hata bütünlüğünü korumak için önceden kaydedilmiş planı izlemelidir.
Nihai analizde, uyarlama değişikliklerini hesaba katmak için birleştirme testi veya ters normal yöntemini kullanarak alt dağılım hazard oranı için düzeltilmiş p-değerini ve güven aralığını hesaplayın. Nedene özgü CIF'leri güven bantlarıyla raporlayın; klinisyenlere fayda-risk profilinin eksiksiz bir resmini vermek için hem birincil son noktayı hem de rekabetçi olay oranlarını sunun.
Sık yapılan hatalar
- Rekabetçi olayları standart bir Kaplan-Meier veya Cox modelinde bağımsız sansürleme olarak ele almak; bu, birincil olayın kümülatif insidansını olduğundan yüksek tahmin eder ve görünen tedavi yararını şişirir.
- Önceden belirlenmiş alfa harcama çerçevesi dışında plansız ara analizler yapmak; bu, Tip I hata oranını şişirir ve düzenleyici başvuruları geçersiz kılabilir.
- Sonuçları bildirirken rekabetçi olayları tamamen göz ardı etmek — kardiyovasküler ölümleri artıran ancak kanser ölümünü azaltan bir tedavi, yalnızca bir son nokta gösterilirse faydalı görünebilir.
- Uyarlama kurallarını, uygun bir birleştirme testi olmadan, körlemesi açılmış tedavi etkisine dayandırmak; nihai analizde geçersiz p-değerlerine ve güven aralıklarına yol açar.
- Kümülatif insidans fonksiyonlarını (1 − Kaplan-Meier) tahmincisinin değerleriyle karıştırmak; rekabetçi riskler varken doğru tahminci yalnızca CIF'tir.
Sık sorulan sorular
Fine-Gray modeli ile nedene özgü hazard modeli arasındaki fark nedir?
Nedene özgü hazard modeli, belirli bir nedenden kaynaklanan anlık başarısızlık hızını, henüz olay yaşamamış olanlar arasında tahmin eder — rekabetçi olaylar sansürlenmiş olarak ele alınır. Fine-Gray alt dağılım hazard modeli, rekabetçi bir olay yaşayan denekleri risk kümesinde tutar (azalan ağırlıkla), bu nedenle kümülatif insidans fonksiyonunu doğrudan modeller. Bir popülasyondaki mutlak riski tahmin etmek için Fine-Gray CIF daha uygundur; tek bir başarısızlık türünün biyolojik mekanizmalarını anlamak için nedene özgü hazard'lar tercih edilebilir.
Uyarlanabilir ara izleme için alfa harcama fonksiyonunu nasıl seçerim?
O'Brien-Fleming harcama fonksiyonu erken dönemde tutucudur ve alfayı daha geç harcar; etkinlik nedeniyle erken durdurmanın beklenmediği durumlarda uygundur. Pocock harcama fonksiyonu alfayı daha eşit dağıtır; bu, etkinlik nedeniyle erken durdurmayı kolaylaştırır ancak daha düşük bir nihai eşik gerektirir. Seçim protokolde ve istatistiksel analiz planında önceden belirlenmelidir; düzenleyici kurumlar (FDA, EMA) körlemesi açılmış herhangi bir ara analizden önce bu belirlemenin yapılmış olmasını şart koşar.
Uyarlanabilir bir tasarımda Fine-Gray modeline kovaryatlar ekleyebilir miyim?
Evet. Fine-Gray modelinde kovaryat ayarlaması; başlangıç dengesizliklerini, prognostik tabakalama faktörlerini düzeltmek veya kesinliği artırmak için yaygındır. Uyarlanabilir bir tasarımda modele alınan kovaryatlar önceden belirlenmelidir; ara verileri gördükten sonra kovaryat eklemek veya çıkarmak, önceden planlanmış bir kovaryat seçim kuralı gerektirir; aksi halde Tip I hata artma riski taşır.
Uyarlanabilir rekabetçi riskler analizi düzenleyici kurumlar tarafından kabul ediliyor mu?
Daha geniş anlamda uyarlanabilir deneme tasarımları; uyarlama kuralları, alfa harcama fonksiyonları ve işleyiş özellikleri önceden belirlenmişse ve deneme, bağımsız bir veri izleme komitesinin yaptığı ara incelemeler sırasında körlüğü koruyorsa FDA (bkz. 2019 uyarlanabilir klinik deneme tasarımları kılavuzu) ve EMA tarafından kabul edilir. Rekabetçi risk son noktaları onkoloji ve kardiyovasküler başvurularda da standarttır; ancak analiz planı birincil son noktanın CIF mi yoksa nedene özgü hazard mı olduğunu netleştirmelidir.
Hangi yazılım uyarlanabilir rekabetçi riskler analizini destekler?
R paketi cmprsk, Fine-Gray modelini ve Gray testini uygular. mstate paketi çok durumlu uzantıları destekler. Uyarlanabilir tasarımın işleyiş özellikleri için gsDesign ve rpact grup sıralı çerçeveleri destekler; bunları rekabetçi risk modelleriyle birleştirmek genellikle özel simülasyon kodu veya rekabetçi risklerde örneklem büyüklüğü hesabı için PASS (NCSS) gibi özel amaçlı paketler gerektirir.
İlgili yöntemler
Kaynaklar
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 kaynağını açKopyalandı.Beyersmann, J., Allignol, A., & Schumacher, M. (2012). Competing Risks and Multistate Models with R. Springer.
ISBN: 978-1461420767Kopyalandı.