Group Sequential Methods for the Win Ratio

Resumen Técnico: Métodos Secuenciales de Grupo para la Razón de Victorias (Win Ratio)

Planteamiento del Problema
La razón de victorias se utiliza cada vez más en ensayos clínicos aleatorizados como un desenlace primario debido a su capacidad para incorporar desenlaces compuestos con severidad clínica jerárquica y combinar tipos de datos dispares (por ejemplo, tiempo hasta el evento, binarios, conteos). Sin embargo, existe una brecha metodológica significativa con respecto a la implementación de diseños secuenciales de grupo (GSD, por sus siglas en inglés) para los desenlaces de razón de victorias. Específicamente, no está claro si la suposición de incrementos independientes, un requisito previo para aplicar las funciones de gasto de $\alpha$ de Lan-DeMets clásicas, se cumple para los estadísticos de prueba de incremento de la razón de victorias.

La literatura previa sugiere que para las distribuciones bivariadas exactas de los estadísticos incrementales, la independencia se viola porque los nuevos pacientes reclutados en etapas intermedias posteriores se comparan con pacientes preexistentes, creando correlación. En consecuencia, los enfoques previos han recomendado modificaciones complejas, como la estratificación por bloques (que requiere un espaciamiento infactible entre las etapas) o la estimación empírica de la covarianza mediante bootstrap (que no puede preespecificarse). La cuestión central abordada por este artículo es si la suposición de la distribución de incrementos independientes se cumple para la distribución asintótica de los U-estadísticos utilizados para evaluar la razón de victorias, permitiendo así la aplicación directa de los límites tradicionales de los GSD.

Metodología
Los autores desarrollan un marco matemático para derivar la estructura de covarianza de los U-estadísticos incrementales bajo la distribución asintótica.

1. Marco y Suposiciones:

   • El estudio asume un tiempo de seguimiento fijo $T$ para todos los participantes, donde el desenlace primario se evalúa en $T$. Esto evita la dependencia de tiempos de seguimiento variables.
   • Para la derivación teórica primaria, los autores asumen que solo se incluyen en los análisis intermedios aquellos pacientes con seguimiento completado. Esto asegura que la información aportada por un paciente al estadístico intermedio $Z_k$ permanera constante en los estadísticos subsecuentes $Z_l$ ($k < l$).
   • La razón de victorias ($\psi = \tau_1/\tau_2$) y la diferencia de victorias se definen mediante U-estadísticos basados en comparaciones por pares entre los grupos de tratamiento ($X$) y control ($Y$).

2. Derivación Matemática:

   • Diferencia de Victorias: Los autores demuestran que para los estadísticos de prueba incrementales de la diferencia de victorias ($U_{1k} - U_{2k}$), la covarianza entre los incrementos en los tiempos $k$ y $l$ es igual a la varianza del incremento posterior: $\text{cov}(Z_k, Z_l) = \sqrt{I_k(\theta)/I_l(\theta)}$. Esto confirma que la suposición de incrementos independientes se cumple para la distribución asintótica de la diferencia de victorias.
   • Razón de Victorias: La derivación se extiende a la razón de victorias transformada logarítmicamente. Los autores demuestran que $\text{cov}(\log(\hat{\psi}_k), \log(\hat{\psi}_l)) \approx \text{var}(\log(\hat{\psi}_l))$, lo que indica que la suposición de incrementos independientes se cumple aproximadamente para la razón de victorias bajo condiciones asintóticas.

3. Estudios de Simulación:

   • Escenario 1 (Información Completa): Se realizaron simulaciones con tamaños de muestra $N=200$ y $N=400$ para evaluar la tasa global de error Tipo I utilizando la función de gasto de $\alpha$ de Hwang-Shih-DeCani. El análisis incluyó solo a pacientes con seguimiento completo en cada etapa intermedia.
   • Escenario 2 (Información Parcial): Las simulaciones se extendieron para incluir pacientes que aportan información de seguimiento parcial en los análisis intermedios, calculando las fracciones de información basadas en personas-año.

Resultados Clave

• Prueba Teórica: El artículo proporciona una prueba matemática de que la suposición de incrementos independientes se cumple para la distribución asintótica de los U-estadísticos que prueban la diferencia de victorias. Además, muestra que esta propiedad se cumple aproximadamente para la razón de victorias transformada logarítmicamente.
• Control del Error Tipo I: En el estudio de simulación con $N=200$, la tasa empírica de error Tipo I fue de 0.0517; para $N=400$, fue de 0.0487. Estos resultados demuestran que las funciones de gasto de $\alpha$ tradicionales preservan la tasa de error Tipo I incluso con tamaños de muestra relativamente pequeños.
• Información Parcial: Los resultados de la simulación para el Escenario 2 (información parcial) mantuvieron hallazgos similares, lo que sugiere que el método es robusto incluso cuando se utiliza información incompleta, aunque la prueba teórica para este caso específico no está totalmente establecida en el texto.
• Aplicación Retrospectiva: Se realizó un reanálisis de los datos del ensayo clínico IN.PACT SFA. Bajo un diseño secuencial de grupo hipotético con análisis intermedios al 50% y 75% de la información, el ensayo habría finalizado por éxito en la primera etapa intermedia (50% de información) con una razón de victorias de 4.29 ($p < 0.001$), en comparación con el resultado final de 3.82.

Significación y Reivindicaciones
Los autores afirman que esta investigación demuestra que es posible la aplicación directa de las funciones de gasto de $\alpha$ de Lan-DeMets en ensayos aleatorizados que involucran la razón de victorias, siempre que los tamaños de muestra sean lo suficientemente grandes para asumir distribuciones asintóticas y se cumplan condiciones específicas respecto al seguimiento de los pacientes.

Las implicaciones clave destacadas por los autores incluyen:

• Eliminación de Límites Empíricos: Los investigadores ya no necesitan generar límites empíricamente mediante bootstrap en el momento de los análisis intermedios, lo cual no puede preespecificarse.
• Compatibilidad de Software: Se pueden emplear directamente paquetes de software existentes capaces de calcular los límites secuenciales de grupo tradicionales (por ejemplo, el paquete gsDesign en R) para los desenlaces de razón de victorias.
• Alcance Modesto: Los autores señalan explícitamente que sus derivaciones principales dependen de la suposición de utilizar solo pacientes con seguimiento completado. Si bien las simulaciones sugieren que el método funciona con información parcial, declaran que "se necesita más investigación para establecer ese resultado" para situaciones donde se utiliza información parcial de los pacientes en análisis intermedios tempranos, de forma similar al test de log-rank.

El artículo concluye que la suposición de incrementos independientes se cumple para la diferencia de victorias y aproximadamente para la razón de victorias bajo condiciones asintóticas, validando el uso de metodologías secuenciales de grupo estándar para estos desenlaces.