Extending the saemix package for R to fit non Gaussian outcomes

En el mundo de la investigación clínica, los científicos suelen rastrear cómo cambian las personas a lo largo del tiempo. Pueden medir el nivel de una hormona en la sangre, contar cuántas veces un paciente siente dolor o registrar si ha ocurrido un evento específico, como una visita al hospital. Estas mediciones no son solo instantáneas aisladas; son una historia que se desarrolla a lo largo de días, semanas o años. Para dar sentido a esta historia, los investigadores utilizan un enfoque estadístico llamado modelos de efectos mixtos no lineales. Piense en esto como una forma de trazar una curva única y suave que represente el viaje promedio de un grupo entero, reconociendo al mismo tiempo que cada individuo recorre un camino ligeramente diferente. Algunas personas se recuperan más rápido, otras más lento, y algunas experimentan efectos secundarios que otros no. El desafío surge cuando los datos que se rastrean no siguen un patrón simple de campana. Los recuentos de eventos, las respuestas de sí o no, o los tiempos hasta que ocurre un evento crean datos irregulares y dentados que las herramientas tradicionales luchan por interpretar.

Durante años, los investigadores contaron con software potente para manejar los datos suaves con forma de campana, pero las herramientas para los datos irregulares y dentados eran costosas, cerradas al público o difíciles de usar. Un equipo de investigadores liderado por Emmanuelle Comets, Maud Delattre y Belhal Karimi se propuso cambiar esto ampliando las capacidades de un paquete de software gratuito y de código abierto llamado saemix. Originalmente diseñado para mediciones continuas, esta herramienta ha sido actualizada para manejar los datos desordenados del mundo real que se presentan en forma de recuentos, categorías y tiempos de supervivencia. Los investigadores no solo construyeron la herramienta; la probaron rigurosamente contra escenarios complejos para asegurar que pudiera encontrar las verdaderas respuestas ocultas dentro del ruido. Su trabajo proporciona una nueva y accesible forma para que los científicos modelen desde la propagación de infecciones hasta la frecuencia de problemas relacionados con el alcohol, asegurando que los patrones únicos de los pacientes individuales no se pierdan en la búsqueda de un promedio general.

El núcleo de este trabajo reside en el algoritmo que utiliza el software, conocido como el algoritmo SAEM. Imagine que intenta encontrar el punto más alto en una vasta cadena montañosa cubierta de niebla. No puede ver todo el paisaje a la vez y el terreno es irregular. El algoritmo SAEM es un método para explorar este terreno paso a paso. Comienza con una suposición, simula posibles caminos a través de la niebla y luego refina su suposición basándose en lo que aprende de esas simulaciones. Repite este proceso, acercándose cada vez más al pico real, que representa la descripción más precisa de los datos. Los investigadores extendieron este método para que pudiera navegar por los picos y valles dentados de los datos no gaussianos, es decir, datos que no siguen una campana estándar. Esto incluye datos binarios, donde el resultado es simplemente sí o no, como si existe o no una infección en la uña del pie. También abarca datos de recuento, como el número de veces que un paciente reporta un síntoma específico, y datos de tiempo hasta un evento, que rastrean cuánto tiempo tarda en ocurrir algo, como la recurrencia de una enfermedad.

Para demostrar que su extensión funcionaba, el equipo aplicó el software actualizado a conjuntos de datos del mundo real. Un ejemplo involucró un ensayo clínico que comparaba dos tratamientos para infecciones fúngicas en las uñas de los pies. En este estudio, se monitoreó a 294 pacientes durante casi un año, revisando su estado de infección en siete visitas diferentes. El resultado era binario: la uña estaba despejada o no lo estaba. Los investigadores utilizaron saemix para modelar cómo se aclaraba la infección a lo largo del tiempo y si un tratamiento funcionaba mejor que otro. Encontraron que el software podía estimar con precisión la tasa de resolución de la infección y el efecto del tratamiento, coincidiendo con los resultados de estudios previos que utilizaron software diferente y más costoso. Esta fue una validación significativa, que demostró que la herramienta de código abierto podía manejar la complejidad de los ensayos médicos donde los pacientes responden de manera diferente a la misma terapia.

Otro caso de prueba involucró un estudio sobre problemas relacionados con el alcohol entre estudiantes universitarios. Este conjunto de datos contenía miles de mediciones repetidas de cuántos problemas reportaban los estudiantes cada seis meses. Los datos eran complicados porque un gran número de estudiantes reportaba cero problemas en muchos puntos, creando un pico masoso en la parte inferior del gráfico, mientras que otros reportaban cantidades variables de problemas. Los modelos estándar suelen fallar con tales datos porque no pueden distinguir fácilmente entre las personas que nunca tienen problemas y aquellas que los tienen ocasionalmente. Los investigadores utilizaron saemix para ajustar tres tipos diferentes de modelos a estos datos de recuento. Encontraron que los modelos diseñados específicamente para manejar el exceso de ceros, como el modelo de Poisson con exceso de ceros, proporcionaban un ajuste mucho mejor que un modelo estándar. El software capturó con éxito el hecho de que el número de problemas disminuía con el tiempo y que los hombres tendían a reportar ligeramente más problemas que las mujeres, todo ello teniendo en cuenta la variabilidad única entre los estudiantes individuales.

Para estar absolutamente seguros de que el software era confiable, el equipo no se detuvo en los ejemplos del mundo real. Crearon un estudio de simulación, esencialmente generando miles de conjuntos de datos falsos donde conocían las respuestas exactas de antemano. Alimentaron estos escenarios conocidos en saemix para ver si el software podía recuperar los valores reales. En el caso de los datos binarios, el software funcionó excepcionalmente bien, recuperando los parámetros reales con muy poco error. Incluso cuando introdujeron más complejidad permitiendo la variabilidad individual en la tasa de cambio, el software se mantuvo estable. Los investigadores también probaron diferentes puntos de partida para los cálculos para asegurar que los resultados no fueran solo una suposición afortunada basada en dónde comenzó el algoritmo. La consistencia de los resultados a través de estas simulaciones les dio la confianza de que la herramienta es robusta y está lista para ser utilizada por otros científicos.

El artículo también aborda una limitación práctica en la forma en que se mide la incertidumbre. En estadística, saber la respuesta no es suficiente; los investigadores necesitan saber qué tan seguros pueden estar de esa respuesta. Para los datos estándar, esto se calcula usualmente con una fórmula que funciona bien. Sin embargo, para los tipos de datos irregulares en los que se centra este artículo, esa fórmula estándar a menudo da resultados engañosos. Los investigadores descubrieron que un enfoque diferente, llamado bootstrapping, funcionaba mucho mejor. Este método implica volver a muestrear los datos muchas veces para ver cuánto varían los resultados. Demostraron que el uso de esta técnica de remuestreo en saemix proporcionaba una imagen más precisa de la incertidumbre, asegurando que cuando un investigador afirma que un efecto de tratamiento es significativo, esa afirmación esté respaldada por evidencia sólida.

A lo largo de su trabajo, los autores enfatizaron la flexibilidad. El paquete saemix actualizado permite a los usuarios definir sus propias funciones de verosimilitud, que es la regla matemática que describe qué tan probable es que ocurra un conjunto específico de datos. Esto significa que si un investigador encuentra un nuevo tipo de datos o un proceso biológico único, no está limitado a un modelo preestablecido. Puede escribir las reglas para su situación específica, y el software se encargará del trabajo pesado de los cálculos. Esta flexibilidad es una gran ventaja sobre el software comercial, que a menudo restringe a los usuarios a un conjunto fijo de modelos. El equipo también mejoró las herramientas visuales dentro del paquete, permitiendo a los investigadores crear gráficos claros que muestran qué tan bien se ajusta el modelo a los datos, ayudándoles a detectar cualquier debilidad o área de mejora.

Las implicaciones de este trabajo se extienden más allá del código. Al hacer que estas técnicas avanzadas de modelado sean gratuitas y fáciles de usar, los investigadores están reduciendo la barrera para los científicos que desean analizar datos longitudinales complejos. Ya sea rastreando la progresión de una enfermedad crónica, evaluando la efectividad de una intervención de salud pública o comprendiendo la dinámica de un sistema biológico, la capacidad de modelar con precisión datos no estándar es crucial. El artículo concluye que saemix es ahora una herramienta poderosa y totalmente de código abierto capaz de manejar una amplia variedad de tipos de datos. Aunque todavía existen algunas limitaciones, como la dificultad de manejar ecuaciones diferenciales complejas dentro del software, la extensión marca un paso significativo hacia adelante. Ofrece una alternativa confiable, transparente y flexible para la comunidad científica, asegurando que las historias ocultas en los datos irregulares puedan finalmente contarse con claridad y precisión.