Applying the Weibull Shape Parameter test for signal detection in pharmacovigilance using the R package WSPsignal

Resumen Técnico: Aplicación de la prueba del parámetro de forma de Weibull para la detección de señales en farmacovigilancia utilizando el paquete de R WSPsignal

Planteamiento del problema
La farmacovigilancia poscomercialización depende de la identificación de posibles reacciones adversas a medicamentos (RAM) a partir de datos de salud recopilados de forma rutinaria. Mientras que los ensayos clínicos suelen involucrar poblaciones limitadas, el uso en el mundo real puede revelar riesgos que solo son aparentes tras la aprobación en el mercado. La detección de estas señales es crucial para mantener los perfiles de seguridad, lo que potencialmente conduce a cambios en las etiquetas o a la retirada del mercado. Los métodos de detección de señales existentes incluyen enfoques de desproporcionalidad, análisis de patrones temporales y modelos de exposición. Sin embargo, los métodos basados en el tiempo hasta el evento (TTE, por sus siglas en inglés), específicamente las pruebas del Parámetro de Forma de Weibull (WSP), que aprovechan la información temporal para evaluar si el riesgo de un evento adverso cambia con el tiempo desde el inicio del fármaco, han sido difíciles de aplicar. Históricamente, la implementación de variantes de WSP requería una codificación personalizada sustancial y recursos dispersos, lo que limitaba su accesibilidad para investigadores aplicados.

Metodología
El artículo presenta el paquete de R WSPsignal, una interfaz de código abierto que consolida la familia de pruebas de detección de señales WSP. La metodología se fundamenta en la suposición de que una RAM relacionada con un fármaco resulta en una función de riesgo no constante a lo largo del tiempo, mientras que la falta de dependencia temporal implica un riesgo constante.

El marco de trabajo soporta dos enfoques de estimación:

1. Frecuentista: Utiliza la Estimación de Máxima Verosimilitud (MLE) para ajustar modelos de tipo Weibull.
2. Bayesiano: Utiliza el muestreo posterior (vía Stan) con distribuciones a priori especificadas (lognormal, gamma, variantes de escala fija) para los parámetros del modelo.

El paquete implementa tres distribuciones TTE específicas:

• Weibull (W): Modelo estándar de un solo parámetro de forma.
• Double Weibull (dW): Estima dos modelos de Weibull (uno para los datos completos y otro censurado en el punto medio del periodo de observación).
• Power Generalized Weibull (pgW): Un modelo más flexible con parámetros de forma adicionales.

Lógica de detección de señales:

• Frecuentista: Se genera una señal si el parámetro de forma estadísticamente difiere de 1 (indicando un riesgo no constante) en un nivel de confianza especificado ($1-\alpha$).
• Bayesiano: Las decisiones se basan en la comparación entre el intervalo de credibilidad (CI) posterior y una Región de Equivalencia Práctica (ROPE) alrededor del valor nulo de 1. El paquete ofrece tres opciones de sensibilidad para combinar los resultados intermedios de múltiples parámetros en una salida binaria de señal/no señal.

Una característica clave del paquete es su capacidad de ajuste basado en simulaciones. Los usuarios pueden simular escenarios de datos que reflejen características específicas (tamaño de la muestra, tasa de fondo, tasa de RAM, duración de la observación) para clasificar las especificaciones de las pruebas basándose en el Área Bajo la Curva (AUC) de la Característica Operativa del Receptor (ROC). Esto permite a los profesionales identificar la distribución, el nivel de confianza/credibilidad y las especificaciones de la distribución a priori óptimos para su contexto de datos específico.

Contribuciones clave

1. Desarrollo de software: La contribución principal es el paquete WSPsignal, que unifica metodologías WSP previamente fragmentadas en una herramienta única, reproducible y de código abierto.
2. Estandarización del flujo de trabajo: El artículo proporciona un flujo de trabajo paso a paso para aplicar estas pruebas, incluyendo la exploración de datos, las pruebas por defecto y el ajuste basado en simulaciones.
3. Demostración de flexibilidad: Los autores ilustran la utilidad del paquete a través de dos conjuntos de datos sintéticos:
   • Entorno de gran muestra (~20,000 observaciones): Se demostró que un enfoque frecuentista utilizando un modelo Double Weibull con un nivel de confianza del 97% es efectivo, alineándose con recomendaciones previas.
   • Entorno de muestra pequeña (~1,000 observaciones): Se empleó un enfoque bayesiano. Los autores demostraron la necesidad de ajustar las distribuciones a priori y los niveles de credibilidad, encontrando que un modelo Power Generalized Weibull con una distribución a priori lognormal, un nivel de credibilidad del 60% y la opción de sensibilidad 3 ofrecían el mejor rendimiento para este escenario específico.
4. Evaluación del rendimiento: El artículo detalla cómo evaluar el rendimiento de las pruebas con respecto a la convergencia, el tiempo de ejecución, los tamaños de muestra efectivos (para métodos bayesianos) y las métricas estadísticas (AUC, FPR, TPR).

Resultados
La aplicación del paquete a los conjuntos de datos sintéticos confirmó que:

• En muestras grandes, las especificaciones por defecto (ej. dW con 97% de confianza) funcionan bien, pero el ajuste puede confirmar la optimalidad.
• En muestras pequeñas, la elección de la creencia a priori y la distribución es crítica. La simulación reveló que el modelo dW con una distribución a priori lognormal sufrió problemas de convergencia y bajos tamaños de muestra efectivos en el escenario de muestra pequeña, lo que llevó a su exclusión del análisis final en favor del modelo pgW.
• El rendimiento de las pruebas es sensible al momento de la ocurrencia de la RAM; las pruebas funcionaron mejor cuando las RAM ocurrieron al principio o al final del periodo de estudio en el escenario de muestra grande, y hacia el medio en el escenario bayesiano de muestra pequeña.
• El proceso de ajuste identificó con éxito configuraciones específicas (ej. niveles de credibilidad y opciones de sensibilidad específicos) que maximizaron el AUC para las características de datos dadas.

Significancia
El artículo sostiene que, al integrar todas las variantes de las pruebas WSP en un paquete único, transparente y reproducible, se reduce la barrera técnica para los investigadores aplicados en estadística, farmacovigilancia y campos relacionados. Los autores afirman que esto facilita una adopción más amplia, una revisión crítica y un mayor desarrollo metodológico. El paquete permite a los profesionales ir más allá de los enfoques de "talla única" al permitirles realizar ajustes basados en simulaciones para identificar la prueba óptima para un escenario de datos determinado, mejorando así la fiabilidad de la detección de señales en la vigilancia poscomercialización.