Improved prediction of extreme random effects in joint models: WRaPs

Resumen Técnico: Mejora de la predicción de efectos aleatorios extremos en modelos conjuntos: WRaPs

Planteamiento del problema
En la medicina personalizada, particularmente en oncología y cuidados intensivos, existe una creciente necesidad de identificar a pacientes con alto riesgo de desenlaces graves, definidos no solo por la supervivencia, sino también por una mala Calidad de Vida (QoL, por sus siglas en inglés). Las herramientas de predicción estándar en los modelos conjuntos (que modelan simultáneamente resultados longitudinales y de supervivencia) suelen basarse en los Mejores Predictores Lineales Insesgados (BLUPs) o en estimaciones de Bayes empírico para los efectos aleatorios. Sin embargo, se sabe que los BLUPs exhiben un "encogimiento" (shrinkage), atrayendo los valores extremos de los efectos aleatorios hacia la media poblacional. En contextos clínicos donde el objetivo es alertar sobre pacientes con una salud muy precaria o bajas probabilidades de supervivencia, este encogimiento conduce a predicciones excesivamente optimistas, causando la subidentificación de individuos de alto riesgo. Aunque se han propuesto métodos de estimación de efectos aleatorios ponderados para modelos lineales mixtos para mitigar esto, estos no se habían extendido al marco de los modelos conjuntos donde los procesos longitudinales y de supervivencia están vinculados.

Metodología
Los autores proponen los WRaPs (Predictores de Efectos Aleatorios Ponderados), una extensión de los métodos de estimación ponderada a los modelos conjuntos con efectos aleatorios compartidos.

• Marco de trabajo: El método opera dentro de un modelo conjunto donde un resultado longitudinal ($Y_{ij}$) y un tiempo de supervivencia ($T_i$) se vinculan mediante efectos aleatorios sujetos-específicos compartidos ($U_i$). El riesgo de supervivencia se modela como una función de covariables basales y de los efectos aleatorios compartidos.
• Innovación central: En lugar de minimizar el error cuadrático medio (MSE) estándar para obtener los BLUPs, los WRaPs minimizan un error cuadrático medio ponderado de la forma $E((\tilde{U} - U)'W(U; \lambda)(\tilde{U} - U))$. La función de peso $W(U; \lambda)$ está diseñada para penalizar más fuertemente los errores en las colas de la distribución de los efectos aleatorios.
• Funciones de peso: El artículo utiliza varias funciones de peso adaptadas de McCulloch y Neuhaus (2023), incluyendo:
  • Cuadrática ($SQ$):$W(u) = \exp(\lambda u^2)$
  • Absoluta ($AB$):$W(u) = \exp(\lambda |u|)$
  • Umbral de censura ($CT$):$W(u) = I(|u| > \lambda)$
  • Asimétrica ($AS$):$W(u) = \exp(-\lambda u)$ (específicamente dirigida a valores bajos).
• Implementación:
  • Soluciones analíticas: Para modelos básicos (por ejemplo, intercepto aleatorio con supervivencia log-normal), los autores derivan expresiones analíticas de forma cerrada para los WRaPs.
  • Soluciones numéricas Bayesianas: Para modelos complejos (por ejemplo, intercepto y pendiente aleatorios, riesgos proporcionales), los autores emplean un marco bayesiano utilizando métodos de Monte Carlo por cadenas de Markov (MCMC) a través del paquete rjags. Los WRaPs se computan como la razón entre las medias posteriores de los efectos aleatorios ponderados y los pesos mismos.
• Estrategia de alerta (Flagging): El método se aplica para "alertar" sobre pacientes que se espera mueran o sobrevivan con una QoL subestándar dentro de un horizonte de tiempo futuro. Un paciente es alertado si su probabilidad de supervivencia predicha cae por debajo de un umbral $c$ o si su media predicha de QoL cae por debajo de un percentil específico. El parámetro de ajuste $\lambda$ se selecciona para equilibrar las Tasas de Verdaderos Positivos (TPR) y las Tasas de Falsos Positivos (FPR).

Contribuciones clave

1. Extensión a modelos conjuntos: El artículo extiende el concepto de predicción de efectos aleatorios ponderados de los modelos mixtos lineales a los modelos conjuntos, acomodando la dependencia entre los resultados longitudinales de QoL y de supervivencia.
2. Manejo de resultados extremos: Proporciona un mecanismo para reducir el sesgo de encogimiento inherente a los BLUPs, mejorando específicamente la precisión de la predicción en las colas de la distribución de los efectos aleatorios (es decir, pacientes con los peores resultados).
3. Ajuste flexible: La introducción del parámetro de ajuste $\lambda$ permite a los clínicos o investigadores autocalibrar el modelo de predicción, intercambiando el MSE global por una mejor sensibilidad en la identificación de pacientes de alto riesgo.
4. Marco computacional: El artículo proporciona tanto derivaciones analíticas para casos simples como una estrategia computacional bayesiana robusta para estructuras de efectos aleatorios de alta dimensión y complejidad.

Resultados
Los autores evaluaron los WRaPs mediante estudios de simulación de Tipo I y un estudio de caso utilizando datos de un ensayo de glioblastoma de la EORTC (Stupp et al., 2005; Taphoorn et al., 2005).

• Estudios de simulación:
  • En modelos con interceptos y pendientes aleatorias, los WRaPs demostraron consistentemente un Error Cuadrático Medio (MSE) más bajo que los BLUPs para subgrupos con efectos aleatorios extremos (por ejemplo, $|z_i| > 1.5$), mientras que los BLUPs mantuvieron un MSE más bajo en toda la población.
  • En las simulaciones de "alerta", los WRaPs mejoraron significativamente la Tasa de Verdaderos Positivos (TPR) para identificar pacientes que morirían o tendrían una QoL deficiente. Por ejemplo, en un escenario con una Tasa de Falsos Positivos (FPR) del 5%, los W_RaPs aumentaron la TPR de aproximadamente ~58% (BLUP) a ~65–80%, dependiendo de la función de peso y el umbral.
  • La función de peso Asimétrica (AS) fue particularmente efectiva para identificar pacientes con baja QoL, logrando TPRs superiores al 75% con FPRs moderados.
• Estudio de caso (Glioblastoma):
  • Aplicado a 573 pacientes, el método alertó sobre pacientes en riesgo de muerte o de mala QoL entre las semanas 33 y 46.
  • Para un umbral de QoL del percentil 25, los WRaPs aumentaron la TPR del 32% (BLUP) a más del 50% en todas las funciones de peso, con FPRs entre el 10 y el 20%.
  • Para un umbral más estricto del percentil 5, los BLUPs fueron muy conservadores (TPR = 5.7%), mientras que los WRaPs (específicamente el método AS) alcanzaron una TPR de aproximadamente el 75% con un FPR del 25%.
  • Los Valores Predictivos Positivos (PPV) y Negativos (NPV) generalmente mejoraron con los WRaPs en comparación con los BLUPs.

Significancia y Reivindicaciones
El artículo afirma que los WRaPs ofrecen un método práctico y efectivo para mejorar la detección de pacientes en riesgo de desenlaces graves mediante la mitigación del encogimiento de los efectos aleatorios en las colas de su distribución. Los autores posicionan a los WRaPs no como un reemplazo de los BLUPs estándar en todos los contextos, sino como una herramienta especializada para escenarios donde la identificación de resultados extremos y desfavorables es crítica (por ejemplo, "alerta de alto riesgo").

La significancia radica en el cambio de enfoque de métricas puramente basadas en la supervivencia hacia un resultado bidimensional (supervivencia + QoL), abordando la realidad clínica de que los beneficios de supervivencia pueden no compensar los efectos secundarios del tratamiento o el deterioro de la calidad de vida. Al permitir que el $\lambda$ se ajuste para equilibrar la sensibilidad y la especificidad, los WRaPs proporcionan un complemento flexible y clínicamente interpretable a las predicciones de los modelos conjuntos estándar, apoyando un cambio hacia una atención más centrada en el paciente en entornos de oncología y cuidados intensivos. Los autores señalan que, aunque la incertidumbre de los parámetros se manejó mediante estimaciones de plug-in para reducir la carga computacional, trabajos futuros podrían explorar la integración bayesiana completa de la incertidumbre de los parámetros o predictores híbridos que combinen WRaPs y BLUPs a través de diferentes regiones de la distribución.