Joint modelling of time-dependent biomarker variability and time-to-event outcomes, a two-step approach

Resumen Técnico: Modelado Conjunto de la Variabilidad Temporal de Biomarcadores y Resultados de Tiempo hasta el Evento

Enunciado del Problema
Los modelos conjuntos estándar para biomarcadores longitudinales y resultados de tiempo hasta el evento se centran típicamente en el valor esperado (trayectoria media) del biomarcador, asumiendo una variabilidad residual constante a través de individuos y tiempo. Sin embargo, la evidencia emergente en oncología y cardiología sugiere que la variabilidad (inestabilidad) de los biomarcadores longitudinales contiene información pronóstica independiente para los resultados clínicos. Aunque existen extensiones totalmente conjuntas que modelan la varianza residual específica del sujeto, son computacionalmente exigentes, a menudo requieren paquetes de software dedicados y carecen de la flexibilidad para manejar múltiples biomarcadores, riesgos competitivos o predicción dinámica. Además, los métodos existentes suelen depender de estructuras de asociación restrictivas o estadísticas de resumen simples (por ejemplo, desviación estándar sobre todo el período) que no capturan las fluctuaciones dependientes del tiempo, introduciendo potencialmente sesgos como el sesgo de tiempo inmortal y la dilución de la regresión.

Metodología
Los autores proponen un enfoque flexible y computacionalmente eficiente de dos pasos para incorporar la variabilidad temporal de los biomarcadores en marcos de modelado conjunto estándar sin requerir extensiones de software personalizadas.

1. Paso 1: Estimación de Residuos Específicos del Sujeto
   Se ajusta un modelo estándar de efectos mixtos lineales a los datos longitudinales del biomarcador para estimar la trayectoria media específica del sujeto ($m_i(t)$). Este modelo asume inicialmente una varianza residual constante. Los residuos individuales ($\hat{\epsilon}_i(t)$) se calculan como la diferencia entre los valores observados y las trayectorias específicas del sujeto ajustadas. Estos residuos representan las fluctuaciones dentro del sujeto alrededor de la trayectoria esperada.

2. Paso 2: Modelado de la Variabilidad como un Resultado Longitudinal
   Los residuos (o sus transformaciones, como residuos al cuadrado $\hat{\epsilon}_i(t)^2$ o residuos absolutos $|\hat{\epsilon}_i(t)|$) se tratan como un nuevo resultado longitudinal que representa la variabilidad del biomarcador.

   • Se ajusta un segundo modelo de efectos mixtos a estos residuos para capturar tanto las tendencias a nivel de población como los patrones específicos del sujeto en la variabilidad.
   • Estas medidas de variabilidad se incorporan luego como covariables dependientes del tiempo en un modelo conjunto estándar, junto con la trayectoria media original del biomarcador.
   • El submodelo de tiempo hasta el evento (típicamente un modelo de riesgos proporcionales de Cox) vincula el riesgo del evento tanto con el valor actual de la trayectoria media del biomarcador como con el valor actual de la medida de variabilidad estimada.

El enfoque se implementa utilizando software de modelado conjunto bayesiano existente (específicamente el paquete JMbayes2 en R), utilizando el muestreo de cadenas de Markov Monte Carlo (MCMC) para la estimación de parámetros.

Contribuciones Clave

• Accesibilidad de Implementación: El método permite a los investigadores modelar la variabilidad del biomarcador utilizando software de modelado conjunto estándar, evitando la necesidad de extensiones complejas codificadas a medida o paquetes especializados que a menudo carecen de funciones como el manejo de múltiples biomarcadores o la predicción dinámica.
• Variabilidad Dependiente del Tiempo: A diferencia de los enfoques de dos etapas anteriores que utilizan estadísticas de resumen estáticas (por ejemplo, desviación estándar general), este método trata la variabilidad como una cantidad dependiente del tiempo, preservando la información temporal y mitigando los sesgos asociados con observaciones escasas.
• Escalabilidad: El marco admite la inclusión simultánea de múltiples biomarcadores, cada uno con sus propios componentes de media y variabilidad, una característica a menudo limitada en los modelos de varianza totalmente conjuntos existentes.

Resultados

• Estudio de Simulación: Los autores evaluaron el método en escenarios con trayectorias de biomarcadores lineales y no lineales y diversas fuerzas de asociación entre la variabilidad y el riesgo del evento.
  • El enfoque demostró un rendimiento razonable con un sesgo mínimo para asociaciones débiles a moderadas.
  • Para asociaciones más fuertes, el método exhibió cierto sesgo y tasas de cobertura reducidas, probablemente debido a los desafíos inherentes de estimar la varianza dependiente del tiempo a partir de residuos y al hecho de que la desviación estándar de la muestra es un estimador sesgado de la desviación estándar de la población.
  • La convergencia fue generalmente buena, aunque tamaños de muestra más pequeños (n=100) presentaron desafíos computacionales.
• Ejemplo Motivador (Ensayo de Glioblastoma): El método se aplicó a datos de recuento de glóbulos blancos (WBC) del ensayo de fase III EORTC 1709/MIRAGE (n=680).
  • Los resultados indicaron que tanto el nivel medio como la variabilidad dentro del sujeto de los recuentos de WBC contienen información pronóstica para la supervivencia global (OS).
  • Específicamente, recuentos medios de WBC más altos se asociaron con un riesgo reducido de muerte, mientras que una mayor variabilidad dentro del sujeto en los recuentos de WBC se asoció con un riesgo aumentado de muerte.
  • Se destacó la eficiencia computacional: el enfoque de dos pasos tomó aproximadamente 8.6 minutos, en comparación con más de 3.6 horas para un enfoque frecuentista totalmente conjunto (FlexVarJM) en los mismos datos.

Significado y Afirmaciones
El artículo afirma que este enfoque de dos etapas ofrece una estrategia práctica y computacionalmente eficiente para incorporar la variabilidad específica del sujeto de los biomarcadores en modelos conjuntos. Permite una aplicación más amplia en la investigación clínica aprovechando la infraestructura de software existente. Los autores reconocen que, como método de dos etapas, no tiene en cuenta completamente la incertidumbre introducida en la estimación de la primera etapa al ajustar el modelo de supervivencia de la segunda etapa, lo que puede llevar a una subestimación de la variabilidad de los parámetros de asociación en comparación con los modelos totalmente conjuntos. Sin embargo, postulan que el compromiso es aceptable para entornos donde la flexibilidad, la escalabilidad (manejo de múltiples biomarcadores) y la viabilidad computacional son prioridades. El método proporciona una alternativa valiosa para los investigadores que buscan explorar el valor pronóstico de la inestabilidad de los biomarcadores sin las barreras de un modelado complejo y personalizado.