Evaluating Bias Reduction Methods in Binary Emax Model for Reliable Dose-Response Estimation

Resumen Técnico: Evaluación de Métodos de Reducción de Sesgo en el Modelo Emax Binario para una Estimación Fiable de la Relación Dosis-Respuesta

Planteamiento del Problema
El modelo Emax binario es una herramienta estándar en los ensayos clínicos de Fase II para identificar dosis óptimas basadas en resultados binarios (por ejemplo, respondedor frente a no respondedor). Sin embargo, la estimación de parámetros mediante la Estimación de Máxima Verosimilitud (MLE) enfrenta desafíos significativos en tamaños de muestra pequeños o moderados, que son comunes en los ensayos de fase temprana. Dos problemas principales socavan la fiabilidad de la MLE estándar:

1. Separación: En modelos binarios, puede ocurrir una separación completa o cuasi completa cuando las covariables predicen perfectamente los resultados, lo que conduce a la no convergencia del algoritmo de estimación, estimaciones de coeficientes infinitos o probabilidades de 0 o 1.
2. No Monotonicidad y Violación del Modelo: Aunque el modelo Emax asume una relación dosis-respuesta cóncava y monótona creciente, la variabilidad de la muestra finita puede producir datos que parecen convexos o no monótonos. Esto viola los supuestos del modelo, causando que los algoritmos de MLE fallen o produzcan estimaciones inestables con alta varianza.

Los paquetes de software existentes (por ejemplo, ClinDR, Dosefinding) que utilizan la MLE estándar no abordan adecuadamente la separación ni estos problemas de convergencia. Si bien el método de reducción de sesgo de Firth es conocido por manejar la separación en Modelos Lineales Generalizados (GLM), su aplicabilidad y rendimiento en el contexto específico del modelo Emax binario no lineal, particularmente en comparación con otros enfoques penalizados, requiere una mayor investigación.

Metodología
El artículo evalúa tres estrategias de reducción de sesgo aplicadas al modelo Emax logit de tres parámetros:

1. Corrección de Sesgo de Cox-Snell: Una corrección analítica post-hoc donde el término de sesgo estimado $B(\hat{\theta})$ se resta de la MLE. Este método depende de la inversión de la matriz de información de Fisher y de derivadas de orden superior de la log-verosimilitud.
2. Modificación de la Puntuación de Firth: Un enfoque preventivo que modifica la función de puntuación (score) $U(\theta)$ añadiendo un término de ajuste $W_s$ derivado de la distribución previa de Jeffreys. Esto tiene como objetivo producir estimaciones finitas incluso bajo separación. Sin embargo, en modelos no lineales como el Emax, esta modificación de la puntuación no corresponde a la maximización de una función de verosimilitud penalizada específica, lo que limita el uso de ciertos algoritmos de optimización (por ejemplo, Newton-Raphson requiere una Hessiana simétrica).
3. Estimación de Máxima Verosimilitud Penalizada (MPLE) con la Distribución Previa de Jeffreys: Este método maximiza explícitamente una función de verosimilitud penalizada $L^*(\theta) = L(\theta)|I(\theta)|^{1/2}$, donde $|I(\theta)|^{1/2}$ es la distribución previa invariante de Jeffreys. Los autores derivan la expresión analítica de la función de puntuación de esta verosimilitud penalizada en el contexto del modelo Emax logit. A diferencia de la modificación de la puntuación de Firth en este entorno no lineal, la MPLE proporciona una función de verosimilitud explícita, lo que permite utilizar técnicas de optimización estándar.

El estudio compara estos métodos contra la MLE estándar utilizando estudios de simulación exhaustivos a través de varios tamaños de muestra ($n=50, 100, 150, 200$) y configuraciones de parámetros (variando $E_{max}$ y $ED_{50}$). Las métricas de desempeño incluyen tasas de convergencia, sesgo, Error Cuadrático Medio (MSE), estabilidad de la varianza y cobertura de los intervalos de confianza. Se demuestra una aplicación en el mundo real utilizando datos del ensayo TURANDOT de Fase II.

Contribuciones Clave

• Derivación Analítica: El artículo proporciona las expresiones analíticas en forma cerrada para la penalización de la distribución previa de Jeffreys y la función de puntuación resultante específicamente para el modelo Emax binario con un enlace logístico, un contexto en el que la equivalencia entre la modificación de la puntuación de Firth y la penalización de Jeffreys (conocida en los GLM canónicos) no se cumple estrictamente.
• Evaluación Comparativa: Cuantifica sistemáticamente el desempeño de Cox-Snell, la modificación de la puntuación de Firth y la MPLE en el entorno específico del modelado de dosis-respuesta binario no lineal, destacando los escenarios donde los métodos estándar fallan.
• Validación en el Mundo Real: Los métodos se aplican al estudio TURANDOT, que exhibió una curva de dosis-respuesta no monótona, demostrando la utilidad práctica de estos métodos para manejar datos de ensayos complejos del mundo real.

Resultados

• Convergencia y Estabilidad: La MLE estándar y la corrección de Cox-Snell fallaron frecuentemente en la convergencia o produjeron estimaciones inestables (por ejemplo, errores estándar indefinidos) en tamaños de muestra pequeños ($n=50$) y cuando los datos exhibieron separación o patrones no cóncavos. En contraste, tanto el método de Firth como la MPLE produjeron consistentemente estimaciones estables y finitas.
• Sesgo y Varianza: Tanto el método de Firth como la MPLE redujeron significamente el sesgo en comparación con la MLE. Aunque ambos fueron efectivos, la MPLE con la distribución previa de Jeffreys superó consistentemente al método de Firth en términos de estabilidad y menor varianza (MSE).
• Robustez ante la Violación del Modelo: En escenarios donde la relación dosis-respuesta se desvió de la forma cóncava monótona asumida (por ejemplo, datos convexos crecientes o no monótonos), la MPLE demostró una estabilidad superior. El método de Cox-Snell fue particularmente propenso a la inestabilidad debido a su dependencia de la inversa de la matriz de información de Fisher, la cual se vuelve mal condicionada en estos escenarios.
• Aplicación en TURANDOT: En el análisis del ensayo TURANDOT, la MLE, la corrección de Cox-Snell y el método de Firth arrojaron errores estándar inestables para $\log(ED_{50})$ debido al patrón de datos no cóncavos. La MPLE proporcionó estimaciones de puntos y de varianza estables. Además, la MPLE produjo estimaciones de probabilidad con una varianza significativamente menor en comparación con el método de Firth, particularmente en los niveles de dosis más bajos.

Significancia y Reivindicaciones
Los autores concluyen que, si bien la modificación de la puntuación de Firth es una alternativa robusta a la MLE para manejar la separación, la MPLE con la distribución previa de Jeffreys ofrece una solución más efectiva y fiable para el modelo Emax binario. Específicamente, se destaca que la MPLE es superior para relaciones dosis-respuesta que se desvían de la monotonicidad, proporcionando una estimación de parámetros estable y una menor varianza.

El artículo señala modestamente que, aunque la MPLE mejora la estabilidad de la estimación, los intervalos de confianza de Wald resultantes pueden ser conservadores debido a la naturaleza no cuadrática de la log-verosimilitud penalizada en muestras pequeñas. Los autores sugieren que los intervalos de verosimilitud penalizada de perfil podrían ofrecer una estimación más precisa. Adicionalmente, el artículo reconoce que la no monotonicidad observada en datos reales (como en TURANDOT) puede derivarse de una ausencia de datos no ignorable en lugar de solo de la variabilidad del muestreo, y apunta a un trabajo complementario que aborda los mecanismos de estimación bajo procesos de datos faltantes no ignorares (MNAR).

El trabajo proporciona una alternativa práctica y robusta para estudios de rango de dosis donde los tamaños de muestra son limitados y los supuestos del modelo pueden ser imperfectos, ofreciendo un paquete de R (jpemax) para facilitar su implementación.