A joint model for (un)bounded longitudinal markers, competing risks, and recurrent events using patient registry data

Nel mondo della ricerca medica, i medici e gli scienziati monitorano spesso due tipi diversi di informazioni per comprendere come una malattia si muova attraverso il corpo di una persona. Il primo tipo è una serie di misurazioni effettuate nel tempo, come controllare la pressione sanguigna o la capacità polmonare di un paziente ogni pochi mesi. Questi sono chiamati marcatori longitudinali, e raccontano una storia di cambiamento, mostrando se un paziente sta lentamente migliorando o peggiorando. Il secondo tipo di informazione riguarda momenti specifici in cui accade qualcosa di significativo, come una visita ospedaliera improvvisa, una complicazione maggiore o persino la morte. Questi sono noti come eventi clinici. Per decenni, i ricercatori hanno cercato di costruire modelli matematici che colleghino questi due flussi di dati, chiedendosi come i cambiamenti lenti e costanti nelle misurazioni della salute di un paziente possano prevedere quando si verificherà un evento improvviso e grave. Questo collegamento è vitale perché permette ai medici di anticipare i problemi prima che diventino emergenze. Tuttavia, i dati medici della vita reale sono raramente semplici. I pazienti possono sperimentare lo stesso tipo di crisi più volte, e affrontano diversi tipi di esiti gravi che competono tra loro, come il rischio di morire rispetto al rischio di necessitare di un trapianto. Inoltre, molte misurazioni della salute sono limitate, il che significa che non possono scendere sotto lo zero o superare un certo limite, il che le rende difficili da analizzare con gli strumenti standard che assumono che i numeri possano estendersi infinitamente in entrambe le direzioni.

Un team di statistici ed epidemiologi ha sviluppato un nuovo modo, più sofisticato, per collegare questi complessi pezzi di informazione. Il loro lavoro si concentra sulla fibrosi cistica, un grave disturbo genetico che danneggia i polmoni e il sistema digerente. I pazienti affetti da questa condizione vengono monitorati attentamente per due indicatori chiave: il loro indice di massa corporea, che riflette il loro stato nutrizionale, e una misura della funzione polmonare chiamata percentuale del volume espiratorio forzato previsto in un secondo. Questa misurazione polmonare è una percentuale che tipicamente varia da zero a cento, sebbene possa occasionalmente salire leggermente con un trattamento efficace. Poiché questo numero è intrappolato entro un intervallo specifico, i metodi statistici standard spesso faticano a modellarlo accuratamente, producendo talvolta risultati impossibili come una capacità polmonare negativa. I ricercatori dovevano anche tenere conto del fatto che i pazienti possono subire infezioni polmonari ripetute, note come riacutizzazioni polmonari, e che affrontano due rischi distinti e competitivi alla fine del loro percorso: la morte per insufficienza respiratoria o il ricevere un trapianto di polmone. I metodi precedenti spesso costringevano i ricercatori a ignorare alcune di queste informazioni, come trattare più infezioni come un singolo evento o combinare morte e trapianto in una sola categoria, il che oscurava dettagli importanti sulla malattia.

Per risolvere questi problemi, i ricercatori hanno creato un quadro statistico unificato in grado di gestire tutte queste complessità contemporaneamente. Inveve di forzare i dati sulla funzione polmonare in una curva standard che consente valori impossibili, hanno utilizzato una forma matematica flessibile progettata specificamente per numeri che rimangono entro un determinato confine. Questo approccio assicura che il modello predica solo valori realistici della funzione polmonare. Hanno poi collegato questo modello di misurazione migliorato alla tempistica delle infezioni ripetute e ai rischi competitivi di morte e trapianto. Facendo ciò, sono stati in grado di vedere come la traiettoria della funzione polmonare e del peso corporeo di un paziente influenzasse la probabilità di una futura infezione o di un evento terminale, tenendo conto anche del fatto che un paziente che riceve un trapianto non è più a rischio di morire per insufficienza respiratoria nello stesso modo. Il team ha testato questo nuovo metodo utilizzando un enorme database contenente le cartelle cliniche di oltre ventitré mila individui con fibrosi cistica negli Stati Uniti, coprendo quasi due decenni. Questo dataset includeva milioni di misurazioni individuali e tracciava migliaia di ospedalizzazioni, trapianti e decessi.

I risultati dell'applicazione di questo nuovo modello ai dati del mondo reale hanno rivelato un quadro più chiaro di come la malattia progredisce. L'analisi ha mostrato che il rischio di un paziente di avere un'infezione polmonare aumenta se ha avuto molte infezioni in passato, confermando che la malattia tende a raggrupparsi in episodi. Ancora più importante, il modello ha dimostrato che sia la funzione polmonare che l'indice di massa corporea sono potenti predittori dei rischi futuri. Nello specifico, un declino più rapido della funzione polmonare era fortemente associato a un rischio maggiore di morte, mentre la storia cumulativa dei cambiamenti dell'indice di massa corporea era legata al rischio di avere un'altra infezione. Lo studio ha scoperto che il rischio di morte e il rischio di necessitare di un trapianto sono influenzati diversamente da questi marcatori, provando che trattarli come un unico esito avrebbe fatto perdere sfumature critiche. Ad esempio, il modello ha mostrato che una caduta di un'unità nella funzione polmonare e un tasso di declino più veloce aumentavano ciascuno l'onere di morte in quantità distinte, evidenziando l'importanza di tracciare la velocità del cambiamento, non solo il valore attuale. I ricercatori hanno anche scoperto che i pazienti che erano più fragili, un termine che descrive uno stato generale di vulnerabilità, erano significativamente più propensi a subire infezioni, ricevere un trapianto o morire.

Lo studio ha anche servito come test per vedere se l'uso dei vecchi metodi più semplici avrebbe portato a conclusioni errate. Quando i ricercatori hanno simulato dati in cui la funzione polmonare era strettamente limitata e poi hanno cercato di analizzarli con i metodi tradizionali che assumono che i numeri possano andare ovunque, i risultati sono stati distorti. L'approccio più vecchio ha prodotto stime distorte, suggerendo che la relazione tra salute polmonare e rischio di morte fosse molto più debole di quanto fosse in realtà. Ciò ha confermato che il nuovo metodo non è solo un piccolo aggiustamento ma un miglioramento necessario per un'analisi accurata. Il team ha messo il suo nuovo modello a disposizione di altri scienziati attraverso un pacchetto software gratuito, permettendo ai ricercatori di applicare questo stesso approccio rigoroso ad altre malattie con strutture di dati simili e complesse. Catturando l'intera storia del viaggio sanitario di un paziente — i ripetuti contrattempi, i pericoli competitivi e la natura limitata dei suoi segni vitali — questo lavoro fornisce uno strumento più preciso per comprendere la progressione della malattia. Offre un modo per quantificare la relazione tra i segni clinici più importanti ed eventi potenzialmente letali con un livello di dettaglio che prima era impossibile, aiutando potenzialmente i medici a gestire queste condizioni in modo più efficace in futuro.