PIONEER: Bayesian Joint Modelling of Mechanistic Tumour Growth and Time-to-Event Endpoints for Dynamic Prediction of Ongoing Oncology Trials

Resumen Técnico: PIONEER – Modelado Bayesiano Conjunto del Crecimiento Mecanístico de Tumores y Endpoints de Tiempo hasta el Evento

Planteamiento del Problema
Los ensayos clínicos oncológicos se enfrentan frecuentemente a un cuello de botella crítico en la toma de decisiones: las decisiones de alto riesgo de "ir/no ir" (go/no-go) deben tomarse a menudo mientras los datos de supervivencia (Supervivencia Libre de Progresión [PFS] y Supervivencia Global [OS]) aún son inmaduros. En los cortes de datos intermedios, los endpoints a largo plazo están fuertemente censurados, aunque se dispone de ricas mediciones longitudinales de tumores (p. ej., Suma de los Diámetros Mayores [SLD]) y covariables basales. Los enfoques tradicionales suelen depender de flujos de trabajo de dos etapas, donde primero se ajustan las dinámicas tumorales y luego se introducen estadísticas resumidas en modelos de supervivencia posteriores. Este enfoque sufre de atenuación por error de medición (tratar las observaciones ruidosas como covariables fijas) y sesgo por variables omitidas (ignorar la heterogeneidad latente compartida de los pacientes). Además, los marcos existentes a menudo no logran distinguir cómo las características tumorales afectan diferencialmente a distintas transiciones clínicas (p. ej., progresión frente a muerte post-progresión) o cómo propagar la incertidumbre total de los parámetros hacia los pronósticos de los endpoints.

Metodología
Los autores presentan PIONEER (Inteligencia Predictiva para la Evaluación Temprana y Respuesta en Oncología), un marco de modelado conjunto bayesiano que acopla un submodelo de dinámica tumoral mecanística con un submodelo de riesgos proporcionales de múltiples estados dentro de una única jerarquía posterior.

1. Submodelo de Espacio de Estados Mecanístico:

   • Descomposición Latente: El modelo representa la carga tumoral normalizada como la suma de dos componentes latentes: un componente decreciente ($D_i$) que representa la carga sensible al tratamiento, y un componente creciente ($G_i$) que representa la carga refractaria o post-progresión.
   • Dinámica: $D_i$ sigue un decaimiento exponencial, mientras que $G_i$ sigue un crecimiento exponencial atenuado por Gompertz para evitar un crecimiento ilimitado biológicamente implausible en horizontes largos.
   • Inferencia: Los parámetros (división inicial, tasas de decaimiento, tasas de crecimiento) son específicos de cada paciente, pero se extraen de distribuciones poblacionales. El modelo utiliza una formulación de espacio de estados donde la trayectoria latente se infiere a partir de observaciones de SLD ruidosas y dispersas, manejando explícitamente la censura por la izquierda (límite de detección) y el error de medición.

2. Submodelo de Riesgos Proporcionales de Múltiples Estados:

   • Grafo de Estados: El modelo define un grafo de enfermedad-muerte de cuatro estados: (0) Vivo/Libre de Progresión, (1) Progresado/Vivo, (2) Muerto (absorbente), y (3) Fuera del ensayo. Modela cinco transiciones: $0\to1$ (progresión), $0\to2$ (muerte directa), $0\to3$ (abandono), $1\to2$ (muerte post-progresión) y $3\to2$ (muerte por salida del ensayo).
   • Riesgos Específicos de la Transición: A diferencia de los modelos de un solo riesgo, cada transición tiene su propio riesgo basal (modelado como procesos gaussianos) y su propio conjunto de coeficientes de covariables. Esto permite capturar que las características tumorales pueden predecir fuertemente la progresión, pero débilmente la mortalidad post-progresión.
   • El Puente: El submodelo mecanístico alimenta al submodelo de riesgo mediante un vector de covariables dependiente del tiempo $W_i(t)$ que contiene el logaritmo de la carga, la tasa de disminución logarítmica y la tasa de crecimiento logarítmica. Esto asegura que el riesgo se condicione al estado latente suave y libre de ruido, en lugar de a las observaciones ruidosas.
   • Fragilidad (Frailty): Se incluyen términos de fragilidad a nivel de paciente para transiciones específicas (p. ej., progresión y abandono) y se modelan como una normal multivariante para capturar la heterogeneidad residual y la dependencia entre transiciones.

3. Pipeline de Inferencia y Predicción:

   • Inferencia Conjunta: Todo el sistema se ajusta simultáneamente utilizando Hamiltonian Monte Carlo (HMC) vía Stan. Esto elimina el paso de "inserción" (plug-in), permitiendo que los datos de eventos refinen las trayectorias tumorales inferidas y viceversa.
   • Simulación hacia Adelante (Forward Simulation): Los endpoints (PFS, OS, ORR) se derivan mediante una única pasada de simulación hacia adelante desde la posterior conjunta. Esto propaga la incertidumbre total de los parámetros sin necesidad de reajustar el modelo.
   • Pronóstico Condicional: Para el análisis intermedio, el modelo retiene las historias de eventos observadas hasta el corte y simula únicamente el futuro no observado, respondiendo a la pregunta operativa: "Dado el dato actual, ¿cómo se verá la curva madura?".

Contribuciones Clave

• Covariables Específicas de la Transición: El marco permite que las covariables derivadas del tumor tengan efectos distintos en diferentes transiciones (p. ej., la tasa de crecimiento predice el riesgo de progresión pero no la muerte post-progresión), una capacidad ausente en los modelos conjuntos de un solo riesgo.
• Estado Latente Conjunto: Al modelar la descomposición de disminución/crecimiento como un estado latente compartido, el marco evita la atenuación de las asociaciones causada por el ruido de medición y la falla de especificación causada por ignorar la heterogeneidad individual no medida.
• Fragilidad Correlacionada: El modelo captura la heterogeneidad residual individual y la dependencia entre transiciones a través de términos de fragilidad correlacionados a nivel de paciente.
• Jerarquía Multi-Ensayo: Los pacientes están anidados dentro de brazos dentro de ensayos en un único modelo jerárquico, lo que permite el préstamo cruzado de parámetros cinéticos de nivel poblacional entre ensayos sin necesidad de pasos meta-analíticos separados.
• Propagación de la Posterior Completa: Todos los endpoints se derivan de la posterior conjunta, asegurando que las cantidades reportadas (mediana de PFS, mediana de OS, ORR) heredan automáticamente la incertidumbre total del modelo.

Resultados
El marco se aplicó a un estudio de caso que involucró dos ensayos de cáncer de pulmón de células pequeñas en etapa extensa (ES-SCLC): un ensayo objetivo (Lilly CXCR4, $N=78$) y un ensayo histórico (Amgen, $N=419$).

• Ajuste del Modelo: La descomposición de dos componentes recuperó con éxito las trayectorias tumorales características (declinación inicial seguida de crecimiento) y proporcionó ajustes adecuados para los datos longitudinales de SLD tanto para pacientes progresados como para los censurados.
• Validación de Dejar Fuera el Futuro (Leave-Future-Out - LFO):
  • En el Mes 4 (9 pacientes), el modelo produjo pronósticos de PFS calibrados que cubrieron la curva de Kaplan–Meier madura del Mes 19.
  • En el Mes 11 (39 pacientes), el pronóstico de OS convergió a la curva madura, representando al menos 8 meses de pronóstico anticipado con una incertidumbre adecuadamente cuantificada.
  • Observación de Sesgo: El modelo exhibió un pesimismo sistemático y conservador en el pronóstico de la PFS para cortes tempranos. Esto se atribuyó a la identificabilidad del parámetro de tasa de crecimiento; los pacientes sin un crecimiento visible fueron desplazados hacia una tasa de crecimiento poblacional sesgada por los pacientes de progresión rápida. Los autores señalan que este sesgo conservador puede servir como un margen de seguridad en las decisiones de go/no-go.
• Derivación de Endpoints: El modelo pronosticó con éxito endpoints escalares (Mediana de PFS, Mediana de OS, ORR) con intervalos de credibilidad que se estrechan a medida que se acumulan los datos. Los pronósticos de ORR fueron particularmente ajustados en los cortes tempranos, ya que se derivan determinísticamente del submodelo mecanístico.
• Efectos de Covariables: El modelo reveló efectos diferenciales de las covariables basales (p. ej., hemoglobina) a través de diferentes transiciones, lo cual se colapsaría en un modelo de un solo riesgo.

Significancia y Reivindicaciones
El artículo sostiene que el valor principal de PIONEER no es un mejor ajuste in-sample sobre modelos semiparamétricos flexibles, sino su capacidad para producir pronósticos poblacionales calibrados a partir de datos inmaduros. Al imponer restricciones estructurales informadas biológicamente (la descomposición de disminución más crecimiento) sobre la extrapolación, el marco acelera la toma de decisiones. Permite a los responsables de ensayos tomar decisiones de go/no-go informadas meses o incluso años antes de que los datos de supervivencia maduren, potencialmente ahorrando recursos en programas fallidos o acelerando aquellos que son viables. Los autores posicionan esto como un paso hacia la adopción más amplia de marcos de estado-espacio mecanísticos bayesianos en el desarrollo clínico, ofreciendo un método con fundamento para extraer la máxima señal de los datos longitudinales tempranos mientras se cuantifica rigurosamente la incertidumbre. El marco se presenta como una demostración metodológica con potencial de posicionamiento regulatorio bajo los principios de Desarrollo de Fármacos Informado por Modelos (MIDD), aunque aún no ha sido validado prospectivamente para la toma de decisiones clínicas individuales.