Assessing survival models by interval testing with Poisson-binomial distributions

Resumen Técnico: Evaluación de Modelos de Supervivencia mediante Pruebas de Intervalos con Distribuciones Poisson-binomiales

Planteamiento del Problema
En las presentaciones regulatorias para productos farmacéuticos, particularmente dentro de la evaluación de tecnologías sanitarias (HTA, por sus siglas en inglés), la selección del modelo paramétrico de supervivencia adecuado es crítica para las evaluaciones económicas y la extrapolación de la eficacia del tratamiento más allá de la duración de los ensayos. Si bien el número de enfoques de modelado disponibles (incluyendo modelos paramétricos estándar, modelos de splines flexibles y modelos integrados con datos externos) está aumentando, la selección de modelos sigue siendo un desafío. Las prácticas estándar actuales dependen fuertemente del Criterio de Información de Akaike (AIC), el Criterio de Información Bayesiano (BIC) y la opinión subjetiva de expertos. El artículo argumenta que estos métodos ofrecen principalmente comparaciones relativas de bondad de ajuste, fallando en proporcionar información sobre si todos los modelos considerados son incompatibles con los datos observados. Además, no identifican intervalos de tiempo específicos donde un modelo ajustado se desempeña deficientemente, lo cual es vital para evaluar la validez de las extrapolaciones a largo plazo.

Metodología
Los autores proponen un marco de prueba de bondad de ajuste basado en la agrupación de datos de supervivencia en intervalos y la evaluación de los recuentos de eventos observados frente a los recuentos esperados derivados de un modelo ajustado.

1. Construcción de Intervalos:

   • Intervalos Definidos por Censura: Los intervalos se definen por los tiempos únicos de las observaciones censuradas por la derecha ($t'_{j,0}$). Este enfoque, basado en Akritas (1988), crea subintervalos $(t'_{j-1,0}, t'_{j,0}]$.
   • Intervalos Especificados: Los autores extienden el método para permitir intervalos definidos por el usuario (por ejemplo, 10 intervalos espaciados uniformemente hasta el último censor). Estos intervalos especificados ($V_k$) se construyen fusionando los tiempos de censura con los límites definidos por el usuario, creando un conjunto de subintervalos ($I'_i$).

2. Distribución Estadística:

   • Bajo la hipótesis nula de que el modelo $M(\beta)$ describe correctamente el proceso generador de eventos, el número de eventos en cualquier intervalo se modela utilizando una distribución Poisson-binomial.
   • Para un intervalo específico, el número de eventos sigue una distribución binomial $Binomial(N_{risk}, p)$, donde $N_{risk}$ es el número de pacientes en riesgo y $p$ es la probabilidad de que ocurra un evento en ese intervalo dado que se sobrevive hasta el inicio del mismo.
   • Al agregar subintervalos dentro de un intervalo especificado, la suma de binomiales independientes con probabilidades variables sigue una distribución Poisson-binomial. Este enfoque evita las suposiciones de normalidad asintótica requeridas por las pruebas tradicionales de chi-cuadrado (por ejemplo, Akritas).

3. Estadísticos de Prueba:

   • Prueba de Intervalo Individual: Se calculan los valores p para cada intervalo. Los autores utilizan "valores p de punto medio" para la reproducibilidad, aunque reconocen los "valores p aleatorizados" para la uniformidad teórica.
   • Prueba de Bonferroni: Se utiliza para controlar estrictamente la tasa de error de la familia. Un intervalo se marca si su valor p es extremo (muy bajo o muy alto) en relación con el número de intervalos.
   • Prueba de Fisher Transformada (TFT): Un estadístico de prueba continuo ($T_{cont} = -2 \sum \log(U_j)$) que agrega valores p para detectar una concentración inusual de valores extremos (tanto altos como bajos), siguiendo una distribución $\chi^2$.
   • Protección Contra Intervalos Muy Pequeños (PAVSI): Un estadístico de prueba discreto ($T_{pavsi}$) que cuenta el número de intervalos cuyos valores p caen fuera del 95% central (es decir, $p < 0.025$ o $p > 0.975$). Este estadístico sigue una distribución binomial y está diseñado para mitigar la influencia de valores p extremadamente extremos individuales.

Contribuciones Clave y Resultados

• Identificación de Desajuste Local: A diferencia del AIC/BIC, el método propuesto resalta intervalos de tiempo específicos donde los modelos fallan, proporcionando información accionable para la selección de modelos y la validez de la extrapolación.
• Validación por Simulación: Se realizó un estudio de simulación que involucró 12 escenarios (variando el número de pacientes y la madurez de los datos) y 10,000 iteraciones por escenario.
  • Control del Error Tipo I: Para los valores p aleatorizados, tanto el enfoque de intervalos definidos por censura como el de los 10 intervalos espaciados uniformemente mantuvieron tasas de error Tipo I empíricas cercanas al nivel nominal del 5%.
  • Valores P de Punto Medio: Cuando se utilizaron valores p de punto medio (recomendados para la aplicación práctica), el enfoque de intervalos definidos por censura resultó ser altamente conservador (el error Tipo I fue a menudo cercano a 0 o <2%), particularmente para el estadístico TFT en datos inmaduros. En contraste, el enfoque de 10 intervalos espaciados uniformemente funcionó mejor, con tasas de error Tipo I que generalmente oscilaron entre 0.02 y 0.05, aproximándose al nivel nominal a medida que aumentaba el número de pacientes.
• Ejemplos de Aplicación:
  • Ejemplo 1 (Modelo Exponencial): Demostró la capacidad de detectar un mal ajuste en la cola de la curva (región de extrapolación) mediante el rechazo de Bonferroni, algo que la inspección visual por sí sola podría pasar por alto.
  • Ejemplo 2 (Escenario HTA): Comparó siete modelos paramétricos. El enfoque definido por censura no logró detectar el mal ajuste debido al tamaño pequeño de los intervalos, mientras que el enfoque de 10 intervalos espaciados uniformemente identificó un desajuste significativo en 6 de los 7 modelos, guiando la selección de modelos más flexibles (por ejemplo, splines).

Significancia y Reivindicaciones
El artículo afirma que el método de prueba de intervalos Poisson-binomial propuesto representa un avance significativo sobre los enfoques clásicos al:

1. Eliminar Suposiciones Asintóticas: No depende de las suposiciones de normalidad asintótica inherentes a las pruebas de chi-cuadrado, lo que lo hace adecuado para tamaños de muestra más pequeños o patrones de censura complejos.
2. Capacidad de Diagnóstico Granular: Va más allá del ranking relativo de modelos para proporcionar evaluaciones absolutas de la bondad de ajuste, identificando específicamente dónde en el horizonte temporal un modelo es incompatible con los datos.
3. Utilidad Práctica: Los autores recomiendan el enfoque de 10 intervalos espaciados uniformemente combinado con valores p de punto medio para el uso práctico, ya que equilibra el control del error Tipo I con la capacidad de detectar desajustes en escenarios del mundo real (como el ejemplo de HTA proporcionado).

Los autores concluyen que, si bien el método es una herramienta robusta para una visión general inicial y el rechazo, debe utilizarse en conjunto con otras métricas (como AIC/BIC) y la inspección visual, en lugar de como un criterio de decisión único. Señalan que el método es lo suficientemente flexible como para acomodar diversas estrategias de selección de intervalos y puede extenderse a modelos de puntuación de riesgo.