Robust and Data-Adaptive Integration of Nonconcurrent Data in Platform Trials via Gaussian Processes

Resumen Técnico: Integración Robusta y Adaptativa a los Datos de Datos No Concurrentes en Ensayos de Plataforma mediante Procesos Gaussianos

Declaración del Problema
Los ensayos de plataforma ofrecen un diseño eficiente para evaluar múltiples tratamientos simultáneamente bajo un único protocolo maestro. Sin embargo, la inferencia estadística en estos ensayos enfrenta una tensión crítica entre la eficiencia y la validez. Los métodos robustos tradicionales restringen el análisis a participantes "randomizados concurrentemente"—aquellos inscritos durante períodos en los que todos los tratamientos en comparación están disponibles—para evitar sesgos derivados de tendencias temporales (por ejemplo, cambios en las poblaciones de pacientes o en el estándar de atención). Aunque esto garantiza la validez, descarta los datos "no concurrentes" (típicamente de brazos de control inscritos antes de la introducción de un nuevo brazo de tratamiento), resultando en una pérdida de potencia estadística y precisión.

Los enfoques existentes para incorporar datos no concurrentes a menudo sufren limitaciones: pueden carecer de estimandos causales formalmente definidos, depender de modelos paramétricos que son demasiado simplistas u opacos, o basarse en supuestos fuertes como la intercambiabilidad condicional. Además, muchos métodos no proporcionan mecanismos transparentes sobre cómo las observaciones individuales contribuyen a la estimación final, lo que dificulta diagnosticar si la transferencia de información es beneficiosa o perjudicial en una aplicación específica.

Metodología
Los autores proponen un marco flexible e interpretable de Procesos Gaussianos (GP) diseñado para incorporar datos no concurrentes mientras se controla el sesgo. La metodología se fundamenta en la inferencia causal y el aprendizaje automático, dirigiéndose al estimando "totalmente elegible concurrentemente" (ECE) definido por Qian et al. (2025).

1. Marco y Estimando:
   El estimando objetivo es el contraste entre los resultados potenciales esperados para dos tratamientos dentro de la población ECE (individuos elegibles para ambos tratamientos durante períodos en los que ambos están disponibles). El marco utiliza el tiempo calendario de inscripción como una covariable crítica, explotando la "suavidad temporal" inherente a los ensayos de plataforma, donde las distribuciones de pacientes evolucionan gradualmente con el tiempo.

2. Modelos de Procesos Gaussianos:

   • GP de Tarea Única: Ajusta un GP separado para cada brazo de tratamiento, modelando la trayectoria del resultado como una función latente del tiempo de inscripción más ruido. Esto captura la suavidad temporal mediante una función de kernel (por ejemplo, exponencial cuadrada o Matérn).
   • GP de Tarea Múltiple: Descompone los resultados en una función de línea base compartida (común a todos los brazos) y una función de efecto del tratamiento. Esta estructura explota el hecho de que, aunque los riesgos de línea base pueden cambiar con el tiempo, los efectos del tratamiento a menudo permanecen relativamente estables. El modelo utiliza un kernel compuesto para capturar tanto la varianza dentro del brazo como la covarianza entre brazos.

3. Estimación e Inferencia:
   El marco ajusta el GP utilizando a todos los participantes elegibles (concurrentes y no concurrentes), pero promedia la estimación del efecto del tratamiento solo sobre la población elegible concurrentemente. Esto ancla el estimando a la definición ECE mientras permite que los datos no concurrentes informen adaptativamente el ajuste del GP. La inferencia se realiza mediante un bootstrap bayesiano para tener en cuenta tanto la incertidumbre posterior como la variabilidad de muestreo.

4. Interpretación Frequentista:
   Los autores establecen una conexión entre la media posterior del GP y la Regresión de Ridge con Kernel (KRR). Esto produce una interpretación frequentista transparente donde el estimador es una combinación lineal ponderada de los resultados observados. Los pesos dependen de los hiperparámetros del kernel y de la proximidad de los tiempos de inscripción, cuantificando explícitamente la contribución de los datos no concurrentes.

5. Extensiones:
   El marco se extiende para manejar resultados discretos (binarios o de conteo) mediante modelos lineales generalizados con verosimilitudes de familia exponencial y para ajustar por covariables de línea base mediante kernels aditivos o de producto.

Garantías Teóricas Clave
El artículo establece dos resultados teóricos principales sobre las propiedades de los estimadores propuestos:

• Reducción de Varianza: Se demuestra que la incorporación de controles no concurrentes reduce la varianza posterior tanto de la media del resultado (tarea única) como de la función de efecto del tratamiento (tarea múltiple). Esto se debe a que condicionar un proceso gaussiano a variables adicionales nunca aumenta la varianza condicional.
• Control del Sesgo: El sesgo introducido por los datos no concurrentes está acotado por una cantidad que no aumenta cuando se añaden controles no concurrentes. Aunque no se garantiza que el sesgo en sí disminuya, el límite es no creciente, asegurando que las ganancias de eficiencia no se produzcan a costa de una inflación descontrolada del sesgo, siempre que el modelo de trabajo sea razonable.

Resultados
Los autores validan el método mediante estudios de simulación y una aplicación con datos reales:

• Simulaciones: En un ensayo de plataforma simulado con dos ventanas de inscripción, los métodos GP propuestos (tanto de tarea única como de tarea múltiple) demostraron un rendimiento superior en comparación con los puntos de referencia solo concurrentes (ANOVA, ANCOVA) y otros métodos no concurrentes (Máquina del Tiempo Bayesiana, LR-EW).
  • El GP de tarea múltiple que incorporaba todos los datos logró un error estándar menor (0.395) que cualquier método solo concurrente (por ejemplo, 0.420 para ANCOVA) mientras mantenía una cobertura cercana a la nominal (94.4%).
  • Los métodos competidores mostraron desventajas significativas: la Máquina del Tiempo Bayesiana exhibió una alta sensibilidad a la especificación de la priori con intervalos de credibilidad excesivamente amplios, mientras que el modelo lineal con ajuste por ventana de inscripción (LR-EW) sufrió de sesgo cuando las tendencias temporales eran no lineales.
  • Incluso bajo condiciones de mala especificación (cambios temporales abruptos), los métodos GP mantuvieron un sesgo controlado y superaron a los competidores, aunque la cobertura disminuyó ligeramente.
• Aplicación con Datos Reales: El método se aplicó a un ensayo de plataforma hipotético construido a partir del ensayo de obesidad SURMOUNT-1. Los métodos GP que incorporaron controles no concurrentes redujeron la varianza dentro de la imputación entre un 12% y un 16% en comparación con los análisis solo concurrentes, con estimaciones puntuales estables, lo que sugiere ganancias de eficiencia exitosas sin introducir un sesgo significativo.

Significado y Afirmaciones
El artículo afirma ofrecer una solución fundamentada a la compensación entre eficiencia y validez en los ensayos de plataforma. Al aprovechar la suavidad temporal de la inscripción, el marco GP propuesto permite la integración robusta de datos no concurrentes sin descartar información valiosa. Las contribuciones clave incluyen:

• Transparencia: La conexión con la regresión de ridge con kernel proporciona pesos explícitos para cada observación, permitiendo a los investigadores diagnosticar la influencia de los datos no concurrentes.
• Rigor Teórico: El establecimiento de la reducción de varianza y límites de sesgo no crecientes proporciona una garantía formal de la robustez del método.
• Flexibilidad: El marco acomoda diversos tipos de resultados y ajustes de covariables, extendiéndose más allá de las limitaciones de los enfoques paramétricos o no paramétricos anteriores.
• Implementación: Los autores proporcionan una implementación en el paquete R RobinCID, facilitando la aplicación práctica.

Los autores concluyen que, aunque el método mejora la eficiencia de la estimación, sigue siendo esencial examinar las tendencias temporales, ya que el grado de transferencia de información y el sesgo potencial dependen de la validez del supuesto de suavidad. El artículo no afirma eliminar el sesgo por completo, sino controlarlo dentro de un límite no creciente mientras reduce significativamente la varianza.