Cox Regression on the Plane

Technische Zusammenfassung: Cox-Regression auf der Ebene

Problemstellung
Das Cox-Proportional-Hazards-Modell ist der Standard für die univariate Überlebensanalyse, doch Erweiterungen auf bivariate Überlebensdaten (korrelierte Ausfallzeiten) bleiben begrenzt. Bestehende Ansätze stehen vor erheblichen Zielkonflikten:

• Shared-Frailty- und Copula-Modelle: Diese beruhen oft auf parametrischen Annahmen bezüglich der Abhängigkeitsstruktur (z. B. spezifische Copula-Familien oder Frailty-Verteilungen). Wenn die Abhängigkeitsstruktur misspezifiziert ist, können die Kovariaten-Effekte auf der gemeinsamen Überlebensebene uninterpretierbar oder inkorrekt sein.
• Multiplikative Hazard-Erweiterungen: Frühere Versuche, drei separate Proportional-Hazards-Modelle (für Einzelausfall- und Doppelausfallraten) zu spezifizieren, scheitern im Allgemeinen daran, eine gültige bivariate Überlebensverteilung zu liefern, da die resultierenden Hazard-Funktionen nicht die notwendigen strukturellen Bedingungen erfüllen.

Die Autoren identifizieren eine Lücke für eine Methode, die den semiparametrischen Charakter des Cox-Modells bewahrt, eine gültige bivariate Überlebensverteilung liefert und eine transparente Interpretation der Kovariaten ermöglicht, ohne die Spezifikation einer Copula oder einer Frailty-Verteilung zu erfordern.

Methodik
Das Paper schlägt zwei semiparametrische Erweiterungen vor, die auf einer generalisierten Lehmann-Repräsentation der Überlebensfunktion basieren.

1. Die Modelle:

   • Einfaches Lehmann-Modell: Eine direkte Erweiterung, bei der die bivariate Überlebensfunktion $S(t_1, t_2 | Z) = [S_0(t_1, t_2)]^{\exp(b^T Z)}$ ist. Dies legt einen gemeinsamen proportionalen Effekt auf den Log-Überlebenswert beider Marginals und die gemeinsame Abhängigkeit auf, wodurch die zugrunde liegende Abhängigkeitsstruktur bewahrt wird.
   • Generalisiertes Lehmann-Modell: Eine flexiblere Formulierung, die unterschiedliche Regressionsparameter für die beiden marginalen Hazards ($\alpha, \beta$) und die Abhängigkeitskomponente ($\gamma$) ermöglicht. Es ist definiert als:
     $$S(t_1, t_2 | Z) = [S_{0T1}(t_1)]^{\exp(\alpha^T Z)} [S_{0T2}(t_2)]^{\exp(\beta^T Z)} \left[ \frac{S_0(t_1, t_2)}{S_{0T1}(t_1)S_{0T2}(t_2)} \right]^{\exp(\gamma^T Z)}$$
     Dieses Modell behandelt die Abhängigkeitskomponente als multiplikativen Faktor auf dem basalen Abhängigkeitsverhältnis. Die Autoren leiten die entsprechenden Hazard-Funktionen ab und stellen hinreichende Bedingungen (z. B. Beschränkungen für $\gamma$ relativ zu $\alpha$ und $\beta$) her, um sicherzustellen, dass die resultierenden Funktionen gültige, nicht-negative Überlebensverteilungen definieren.

2. Schätzung:

   • Die Autoren nutzen einen Pseudo-Observations-Ansatz, um die Komplexität der partiellen Likelihood im bipartiten Setting zu vermeiden, in dem basale Hazards nicht herausfallen.
   • Einfaches Modell: Geschätzt über Generalized Estimating Equations (GEE) unter Verwendung bipartver Pseudo-Observations als Antworten in einem GLM mit einem Complementary-Log-Log-Link (cloglog).
   • Generalisiertes Modell: Geschätzt über ein Zweistufenverfahren:
     1. Schätzung der marginalen Parameter ($\alpha, \beta$) mittels univariater Pseudo-Observations und Standard-GEE.
     2. Konstruktion modifizierter Antworten für die Abhängigkeitskomponente (das Verhältnis von gemeinsamer Überlebensrate zu den Marginalen) und Schätzung von $\gamma$ mittels eines zweiten GEE-Schritts.
   • Das Paper stellt die Konsistenz und asymptotische Normalität dieser Schätzer unter unabhängiger Zensierung nach.

Kernergebnisse

• Simulationsstudien: Die Autoren evaluierten die Methoden anhand von Daten, die aus verschiedenen Copulas (Frank, Clayton, Gumbel-Barnett) generiert wurden, welche positive (PQD) und negative (NQD) Abhängigkeit repräsentieren.
  • Die Schätzer zeigten einen geringen Bias und eine Abdeckung nahe den nominalen Niveaus bei Stichprobengrößen von $n=800$.
  • Die vorgeschlagenen Modelle behielten eine wettbewerbsfähige Vorhersagegenauigkeit (Mean Absolute Error) im Vergleich zu flexiblen Copula-basierten Regressionsframeworks (Marra und Radice, 2020), selbst wenn das einfache Lehmann-Modell misspezifiziert war (d. h. wenn $\alpha \neq \beta \neq \gamma$).
  • Die Methoden erwiesen sich als robust gegenüber Modellmisspezifikation bei der Anwendung auf aus einer Log-Normal-Verteilung generierte Daten, bei denen weder das Lehmann- noch das Copula-Modell strikt korrekt war.
• Datenanwendung (Global Retinoblastoma Outcome Study - GROS):
  • Die Methode wurde auf 977 bilaterale Retinoblastom-Fälle angewendet, um die Zeiten bis zur Enukleation beider Augen zu analysieren.
  • Abhängigkeitsstruktur: Nichtparametrische Schätzungen deuteten auf eine negative Quadrantenabhängigkeit (NQD) zwischen den Augen hin. Ein Standard-Copula-basierter Ansatz wählte jedoch eine Clayton-Copula, was eine positive Abhängigkeit (PQD) impliziert und zu widersprüchlichen bedingten Überlebenswahrscheinlichkeiten führte.
  • Interpretierbarkeit: Die Lehmann-Modelle erfassten die NQD-Struktur korrekt, ohne eine parametrische Copula aufzuzwingen. Die Ergebnisse zeigten, dass, wenn ein Auge früh enukleiert wurde, die Wahrscheinlichkeit, dass das andere Auge länger überlebt, höher war, als wenn das erste Auge länger überlebt hätte – ein Befund, der mit klinischen Erwartungen konsistent ist, aber vom Copula-Modell übersehen wurde.
  • Kovariaten-Effekte: Die Modelle identifizierten, dass das Alter bei der Präsentation, das Tumorstadium und das Einkommensniveau die Überlebenswahrscheinlichkeiten signifikant beeinflussten, während Geschlecht und Familienanamnese keinen Einfluss hatten.

Bedeutung und Ansprüche
Das Paper beansprucht, ein transparentes, vollständig semiparametrisches Framework zur Bewertung von Kovariaten-Effekten sowohl auf marginale Überlebenswahrscheinlichkeiten als auch auf deren Abhängigkeit bereitzustellen. Die primären Beiträge sind:

1. Vermeidung von Copula-Misspezifikation: Durch die Modellierung von Kovariaten-Effekten direkt auf die bivariate Überlebensfunktion anstatt durch eine parametrische Copula-Familie vermeidet der Ansatz das Risiko falscher Annahmen über die Abhängigkeitsstruktur, was für die Interpretation bedingter Wahrscheinlichkeiten entscheidend ist.
2. Validität und Interpretierbarkeit: Die vorgeschlagenen Modelle sind nachgewiesen in der Lage, unter spezifischen Bedingungen gültige bivariate Überlebensverteilungen zu definieren, und die Regressionskoeffizienten haben direkte Interpretationen auf der Überlebensskala (z. B. steuert $\gamma$, wie Kovariaten die basale Abhängigkeit verstärken oder abschwächen).
3. Neuartige Schätzung: Die Autoren präsentieren die erste auf Pseudo-Observations basierende Zwei-Stufen-Methode für die bivariate Überlebensregression und etablieren deren theoretische Eigenschaften.
4. Klinische Relevanz: Die Anwendung auf Retinoblastom-Daten zeigt, dass Standard-Modellauswahlkriterien (wie BIC) Copulas mit falschen Abhängigkeitsstrukturen (PQD vs. NQD) bevorzugen können, während das vorgeschlagene Framework klinisch interpretierbare Ergebnisse liefert, die mit empirischen Belegen und Fachwissen übereinstimmen.

Die Autoren weisen auf Limitationen hin, einschließlich der Rechenkosten für die Neuberechnung der Überlebensschätzer für Pseudo-Observations und der Annahme einer unabhängigen Zensierung, betonen jedoch, dass der Ansatz eine robuste Alternative für die bivariate Überlebensanalyse darstellt, bei der die Abhängigkeitsstruktur unbekannt oder komplex ist.