Skip to content
返回搜索结果

自适应竞争风险分析

提出者
Fine & Gray (subdistribution hazard, 1999); adaptive extensions by Beyersmann, Schumacher and colleagues
年份
1999 (foundational Fine-Gray model); adaptive extensions 2000s–2010s
类型
Statistical survival analysis with adaptive interim monitoring
类别
Clinical / epidemiology

本文为机器翻译,尚未经过审校。 阅读英文原文

字号

它有什么作用?

自适应竞争风险分析将Fine-Gray亚分布风险模型——该模型在存在其他互斥的失效原因时,对某一失效原因的累积发生率进行建模——与自适应或分组序贯中期监测规则相结合。这允许临床试验或观察性研究根据累积的竞争风险数据在过程中进行修改(例如,样本量重新评估、提前终止),同时保持预先设定的I类错误控制。

方法背后的直觉

在许多临床研究中,患者可能因多种原因而发生结局事件:癌症死亡、心血管死亡以及治疗退出都是可能的结局。标准的生存分析无法很好地区分这些事件;竞争风险分析通过估计累积发生率函数(CIF)而不是仅仅估计总体生存曲线来分别对每种原因进行建模。增加一个自适应层意味着,在检查中期数据后,研究团队可以以统计学严谨的方式调整样本量或终止边界,而不会出现增加假阳性率的非计划性查看。可以将其视为从一开始就在研究中构建了一个可调整的计划,并带有确保最终结果仍然有效的保护措施。

历史学

竞争风险分析在生存数据中的理论基础可以追溯到精算科学,但现代统计框架是由Fine和Gray在他们1999年具有里程碑意义的JASA论文中建立的,该论文引入了比例亚分布风险模型及其相关的K样本检验统计量。随后,Beyersmann、Schumacher及其同事开发了竞争风险环境下的自适应和分组序贯扩展,Schmoor和Schwarzer也做出了重要贡献。该方法在肿瘤试验、心血管结局研究和移植医学中得到了推广,在这些领域,多种失效类型比例外情况更普遍。

何时使用

当(1)主要结局是受互斥竞争事件影响的时间-事件终点(例如,癌症特异性死亡与全因死亡或其他非致命事件),(2)设计阶段的不确定性使得中期适应性调整有价值(例如,不确定的事件发生率、效应大小或招募),以及(3)研究规模足够大——通常是多中心随机试验或登记研究——以证明中期监测的基础设施是合理的时,使用自适应竞争风险分析。当(a)竞争事件可忽略或全因死亡是唯一终点(标准自适应生存分析足够),(b)样本量太小不足以从中期监测获得有意义的条件功效估计,或(c)自适应规则无法在揭盲前预先指定并锁定,这将使I类误差控制无效时,请勿使用。

局限与注意事项

  • Fine-Gray模型的亚分布风险比不像原因特异性风险比那样具有直接的生物学解释;它混合了协变量对发生率和对竞争事件生存的影响。
  • 要求在数据揭盲前预先指定所有自适应规则、α花费函数和中期查看计划——事后适应性调整会使推断无效。
  • 由未揭盲的统计学家或独立数据监测委员会进行中期数据审查增加了后勤和监管复杂性。
  • 样本量较小或中等可能不足以在中期查看时提供足够的条件功效来做出可靠的适应性决策。

来源中的条件不能替代独立的科学审查或分析引擎的验证。

优势

  • 正确地模拟了特定原因的失效概率,而没有将竞争事件视为独立删失所引入的偏差。
  • 自适应层允许样本量重新评估或提前终止,提高了效率并减少了参与者暴露于次优治疗。
  • 通过预先指定的α花费函数,即使在研究设计中期被修改的情况下,也能严格控制I类错误。
  • 产生临床上可解释的输出——累积发生率函数——比单独的原因特异性风险比更能直接指导治疗决策。
  • 适用于随机临床试验和具有事件时间数据的大型观察性登记研究。

应用

  • 肿瘤试验,比较癌症特异性生存率,同时考虑死于其他原因、感染或治疗中断。
  • 心血管结局研究,主要终点是主要不良心血管事件,同时考虑非心血管死亡的竞争风险。
  • 骨髓移植研究,在存在竞争性移植相关死亡的情况下,对复发发生率进行建模。
  • 基于登记的药物警戒研究,在患者可能退出或死于其他原因时,评估药物归因的不良事件。
  • COVID-19临床试验,在考虑早期出院或死于非呼吸系统原因的情况下,监测机械通气时间。

使用方式

使用方式

1

定义主要关注的原因(例如,癌症特异性死亡率),并列举所有竞争事件(例如,死于其他原因、退出)。预先指定亚分布风险模型协变量、中期查看的次数和时间点,以及自适应规则(样本量重新评估边界、无效或优效终止规则),同时指定α花费函数(例如,O'Brien-Fleming)来控制家族I类错误。

2

在每次中期和最终分析时,使用Fine-Gray比例亚分布风险模型估计每种原因的累积发生率函数。经历竞争事件的受试者仍然保留在关注原因的风险集中,但权重降至零——这是与原因特异性风险模型的一个关键区别。亚分布风险比exp(β)直接量化了协变量对CIF的影响。

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

计算中期检验统计量(例如,Gray的K样本检验或Fine-Gray模型的得分统计量),并将其与预先指定的花费函数边界进行比较。评估迄今为止累积的α花费是否超过了提前终止(优效或无效)的支出边界。

4

如果满足预先指定的自适应规则——例如,条件功效低于无效阈值或中期效应大小表明需要更大的样本——则相应地修改设计。允许的适应性包括样本量重新评估、剔除研究组或协变量调整修订。所有适应性调整必须遵循预先注册的计划,以保持I类错误完整性。

5

在最终分析时,使用组合检验或逆正态方法计算亚分布风险比的调整后p值和置信区间,以考虑自适应修改。报告具有置信区间的特定原因CIF,并同时呈现主要终点和竞争事件发生率,以便为临床医生提供完整的获益-风险概况。

常见陷阱

  • 在标准的Kaplan-Meier或Cox模型中将竞争事件视为独立删失——这会高估主要事件的累积发生率并夸大治疗获益。
  • 在预先指定的α花费框架之外进行非计划的中期分析,这会膨胀I类错误率并可能使监管申报无效。
  • 在报告结果时忽略竞争事件——一种降低癌症死亡率但增加心血管死亡率的治疗,如果只显示一个终点,可能会显得有益。
  • 使用依赖于未揭盲治疗效果的自适应规则,而没有适当的组合检验,这会导致最终分析时p值和置信区间无效。
  • 混淆累积发生率函数与(1-Kaplan-Meier)估计值——在存在竞争风险时,只有CIF是正确的估计值。

常见问题

Fine-Gray模型与原因特异性风险模型之间有什么区别?

原因特异性风险模型估计在仍然无事件的个体中,特定原因的瞬时失效率——竞争事件被视为删失。Fine-Gray亚分布风险模型将经历竞争事件的受试者保留在风险集中(权重递减),因此它直接对累积发生率函数进行建模。对于预测人群中的绝对风险,Fine-Gray CIF更合适;对于理解单一失效类型的生物学机制,原因特异性风险可能更可取。

我如何为自适应中期监测选择α花费函数?

O'Brien-Fleming花费函数早期保守,后期花费较多——适用于不太可能因疗效而提前终止的情况。Pocock花费函数更均匀地分配α,更容易因疗效而提前终止,但需要更低的最终阈值。选择应在方案和统计分析计划中预先指定;监管机构(FDA、EMA)要求在任何未揭盲的中期分析之前进行此预先指定。

我可以在自适应设计中将协变量添加到Fine-Gray模型中吗?

是的。Fine-Gray模型中的协变量调整通常用于基线不平衡、预后分层因素或提高精度。在自适应设计中,模型中包含的协变量应预先指定;在查看中期数据后添加或删除协变量需要预先计划的协变量选择规则,否则有膨胀I类错误的风险。

监管机构是否接受自适应竞争风险分析?

更广泛的自适应试验设计已被FDA(参见其2019年关于临床试验自适应设计的指南)和EMA接受,前提是自适应规则、α花费函数和操作特征已预先指定,并且试验在中期由独立数据监测委员会审查期间保持盲法。竞争风险终点在肿瘤学和心血管提交中也很常见,但分析计划应明确主要终点是CIF还是原因特异性风险。

什么软件支持自适应竞争风险分析?

R语言的cmprsk包实现了Fine-Gray模型和Gray检验。mstate包支持多状态扩展。对于自适应设计操作特征,gsDesign和rpact支持分组序贯框架;将这些与竞争风险模型结合通常需要自定义模拟代码或专用软件包,如PASS(NCSS),用于竞争风险下的样本量计算。

相关方法

参考文献

  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.

    打开 DOI 文献
    已复制。
  2. Beyersmann, J., Allignol, A., & Schumacher, M. (2012). Competing Risks and Multistate Models with R. Springer.

    ISBN:978-1461420767
    已复制。