Efficient Cumulative Incidence Estimation in Biobank Studies Using All Prevalent and Incident Events

Resumen Técnico: Estimación Eficiente de la Incidencia Acumulada en Estudios de Biobancos

Planteamiento del Problema
El artículo aborda el desafío de estimar la Función de Incidencia Acumulada (CIF, por sus siglas en inglés) para una enfermedad específica utilizando datos de biobancos poblacionales. Los estudios de biobancos suelen reclutar sujetos dentro de una ventana de edad específica $[R_L, R_U]$ (por ejemplo, edades de 40 a 69 años en el UK Biobank) y los siguen prospectivamente. Este diseño introduce dos complejidades estadísticas críticas:

1. Truncamiento a la izquierda: Los individuos solo son observados si sobreviven hasta su edad de reclutamiento $R_i$. En consecuencia, la incidencia debe estimarse condicionada a la supervivencia hasta $R_L$, denotada como $G_1(t | T_2 > R_L)$.
2. Casos prevalentes vs. incidentes: Los datos incluyen "casos prevalentes" (individuos diagnosticados antes del reclutamiento) y "casos incidentes" (diagnosticados después del reclutamiento). Además, la enfermedad no es terminal; los individuos pueden morir tras el diagnóstico o permanecer con vida al final del seguimiento.

Los métodos existentes no logran manejar de manera eficiente la combinación de estos factores. El estimador de Aalen-Johansen (AJ) ajustado por truncamiento a la izquierda estándar excluye los casos prevalentes, estimando efectivamente un objetivo diferente: la CIF condicionada a estar libre de la enfermedad al momento del reclutamiento ($G_1(t | T_1 > R_L, T_2 > R_L)$). Los métodos de Ponderación por Probabilidad Inversa (IPW), como los de Chang y Tzeng (2006), Vakulenko-Lagun et al. (2017) y Gorfine et al. (2025) (GZS), intentan incluir los casos prevalentes, pero sufren de limitaciones significativas. Específicamente, el estimador GZS asigna masa positiva solo a los casos de enfermedad donde el individuo murió durante el periodo de seguimiento. Esto conduce a un sesgo y una ineficiencia sustanciales en escenarios donde la supervivencia tras la aparición de la enfermedad es larga (una característica común para enfermedades como el cáncer de mama), ya que muchos casos prevalentes e incidentes permanecen con vida al final del estudio y, por lo tanto, son descartados por el método GZS.

Metodología
Los autores proponen un nuevo estimador de la CIF totalmente no paramétrico, denotado como $\hat{G}_1(t^*_1)$, diseñado para incorporar todos los casos de enfermedad observados (tanto prevalentes como incidentes) independientemente de si el individuo murió durante el estudio o sobrevivió hasta el final del seguimiento.

El estimador se construye dentro del modelo de enfermedad-muerte (riesgos competitivos semi-competitivos), donde las transiciones ocurren de sano (0) a enfermo (1) y de enfermo (1) a muerto (2), o directamente de sano (0) a muerto (2). El núcleo del método propuesto involucra un esquema de ponderación derivado de la densidad conjunta condicional de los datos. El estimador toma la forma:
$$\hat{G}_1(t^*_1) = \frac{1}{n} \sum_{i=1}^n \delta_{1i} I(V_{1i} \le t^*_1) \hat{Q}(V_{1i})$$
donde $\delta_{1i}$ indica la aparición de la enfermedad, $V_{1i}$ es el tiempo observado del primer evento (diagnóstico o muerte) y $\hat{Q}$ es una función de peso impulsada por los datos.

Para asegurar la consistencia, $\hat{Q}$ se elige como el inverso de una función estimada $\hat{B}(V_{1i})$, que da cuenta de:

• La distribución de las edades de reclutamiento condicionada a la supervivencia ($f_{R|R \le T_2}$).
• La función de supervivencia de la muerte ($S_{T_2}$).
• La supervivencia condicional de la muerte dado el inicio de la enfermedad ($S_{T_2|T_1}$).
• La distribución del tiempo desde el reclutamiento hasta el censado ($S_W$).

La función de supervivencia condicional $S_{T_2|T_1}$ se estima utilizando un enfoque de regresión no paramétrica basado en kernels (versión Nelson-Aalen del estimador de Beran). El ancho de banda para el kernel se selecciona mediante un procedimiento de validación cruzada de $K$ pliegues basado en residuos de martingala.

Contribuciones Clave

1. Nuevo Estimador: El artículo introduce el primer estimador de la CIF totalmente no paramétrico y consistente en el modelo de enfermedad-muerte que utiliza todos los casos de enfermedad, incluyendo casos prevalentes y aquellos que sobreviven al periodo de estudio.
2. Propiedades Teóricas: Los autores establecen la consistencia y la normalidad asintótica de su propuesto estimador. Proporcionan fórmulas explícitas para la función de influencia, lo que permite la construcción de intervalos de confianza puntuales y bandas de confianza simultáneas.
3. Ganancias de Eficiencia: Al incorporar datos que otros métodos descartan (específicamente, casos prevalentes y supervivientes a largo plazo), el nuevo método logra una eficiencia sustancialmente mayor, resultando en intervalos de confianza más estrechos.
4. Implementación de Software: Se proporciona un paquete de R, illdthCIF1, para implementar el estimador propuesto.

Resultados

• Estudio de Simulación: Los autores realizaron simulaciones extensas en diversos escenarios que involucran diferentes distribuciones para el inicio de la enfermedad, la muerte y el censado.
  • En escenarios con un seguimiento corto en relación con la supervivencia post-diagnóstico (donde muchos pacientes permanecen con vida), el estimador GZS exhibió un sesgo serio, subestimando la CIF. El estimador propuesto se mantuvo mayormente libre de sesgo, con solo un ligero sesgo en configuraciones específicas que disminuía con el tamaño de la muestra.
  • En escenarios de seguimiento largo, el estimador GZS fue insesgado, pero el estimador propuesto demostró una desviación estándar menor (mayor eficiencia).
  • El método propuesto proporcionó una cobertura satisfactoria tanto para los intervalos de confianza puntuales como para las bandas de confianza simultáneas en la mayoría de los escenarios.
• Aplicación al UK Biobank: El método se aplicó a datos de cáncer de mama y otros cánceres del UK Biobank (aproximadamente 250,000 participantes femeninas).
  • Para el cáncer de mama, donde la supervivencia post-diagnóstico es a menudo larga, el estimador GZS subestimó sistemáticamente la CIF en comparación con los métodos AJ y el propuesto.
  • El estimador propuesto y el estimador AJ produjeron estimaciones puntuales similares para el cáncer de mama, pero el método propuesto arrojó bandas de confianza significativamente más estrechas. Específicamente, el ancho promedio de la banda de confianza simultánea del 95% para el cáncer de mama se redujo de 0.0068 (AJ) a 0.0035 (propuesto), lo que representa una ganancia de eficiencia de casi dos veces.
  • Para cánceres con una supervivencia post-diagnóstico más corta (ej. pulmón, leucemia), los tres métodos produjeron estimaciones similares, ya que las muertes fueron observadas de manera más completa.

Significado
El artículo afirma que su principal significancia radica en cerrar una brecha metodológica en el análisis de biobancos. Si bien los biobancos ofrecen un poder sin precedres para estudiar enfermedades raras y puntos finales de larga latencia, los estimadores estándar o bien descartan datos prevalentes valiosos (AJ) o no logran contabilizar la supervivencia prolongada tras el diagnóstico (GZS). El método propuesto permite la estimación eficiente y consistente de la incidencia de la enfermedad condicionada a la supervivencia al reclutamiento, utilizando todo el espectro de datos disponibles. Esto es particularmente crucial para enfermedades como el cáncer de mama, donde ignorar los casos prevalentes o los supervivientes a largo plazo conduce a estimaciones sesgadas o ineficientes. Los autores enfatizan que su enfoque alinea la estimación con el verdadero estimando condicional de los estudios de biobanco mientras maximiza la eficiencia estadística.