Strategy to control biases in prior event rate ratio method, with application to palliative care in patients with advanced cancer

Titolo: Strategia per il controllo dei bias nel metodo del rapporto dei tassi di eventi precedenti (PERR), con applicazione alle cure palliative nei pazienti con cancro avanzato

1. Il Problema

L'uso di dati del mondo reale (Real-World Evidence, RWE) è fondamentale per valutare l'efficacia e la sicurezza dei trattamenti, ma è spesso minacciato dalla presenza di fattori di confondimento (misurati e non misurati). Il Rapporto dei Tassi di Eventi Precedenti (Prior Event Rate Ratio - PERR) è un metodo statistico progettato per controllare tali confondimenti, assumendo che l'entità del confondimento sia costante tra il periodo precedente e quello successivo all'inizio del trattamento.

Tuttavia, il metodo PERR standard presenta due limitazioni critiche derivanti da violazioni delle sue assunzioni di base:

1. Eterogeneità non osservata (Frailty): Il modello PERR originale si basa sul modello di Cox per il tempo fino al primo evento, che assume l'omogeneità della popolazione. La presenza di variabili latenti non osservate (eterogeneità) che influenzano il rischio di evento introduce un bias di selezione, portando a stime distorte dell'effetto del trattamento.
2. Trattamento dipendente dall'evento (Event-Dependent Treatment - EDT): Il metodo assume che gli eventi di esito non influenzino il tasso di inizio del trattamento. Se un evento (es. un ricovero in pronto soccorso) aumenta o diminuisce la probabilità che un paziente inizi un trattamento (es. cure palliative) entro un certo periodo, si verifica un EDT. Questo viola l'assunzione di indipendenza, causando un bias direzionale nelle stime del PERR (solitamente sottostimando l'effetto protettivo o sovrastimando l'effetto dannoso).

Attualmente, non esisteva un metodo consolidato per correggere il bias derivante dall'EDT nel contesto PERR.

2. Metodologia

Gli autori propongono una strategia analitica innovativa composta da tre componenti principali:

• Riformulazione del modello PERR:
  Invece di stimare due modelli di Cox separati (uno per il periodo pre-trattamento e uno per il post), gli autori propongono un unico modello di Cox con un termine di interazione trattamento-periodo.
  La funzione di rischio è modellata come:
  $$\lambda_i(t) = \lambda_0(t) \exp(\beta_1 \times trt_i + \beta_2 \times post_i + \beta_3 \times trt_i \times post_i)$$
  Dove $\exp(\beta_3)$ rappresenta direttamente il PERR. Questa riformulazione semplifica il calcolo e, soprattutto, facilita l'adozione del Modello di Andersen-Gill (AG).

• Adozione del Modello di Andersen-Gill (AG):
  Il modello AG è un'estensione del modello di Cox per dati di eventi ricorrenti. A differenza del modello di Cox standard che esclude i soggetti dopo il primo evento, il modello AG mantiene i soggetti a rischio per tutti gli eventi successivi, correggendo il bias dovuto all'eterogeneità non osservata (frailty) attraverso l'uso di errori standard robusti per dati clusterizzati.

• Rilevazione e Correzione dell'EDT:
  Gli autori sviluppano un algoritmo per:

  1. Rilevare l'EDT: Dividono il periodo pre-trattamento in sottoperiodi (finestre temporali) e stimano un parametro $\theta$ che quantifica quanto un evento precedente altera il tasso di inizio del trattamento. Se $\theta \neq 1$, è presente un EDT.
  2. Correggere il bias: Una volta stimati la durata dell'effetto ($\delta$) e l'intensità ($\theta$), l'algoritmo modifica artificialmente le date di inizio del trattamento (o le date indice per il gruppo di controllo) per "neutralizzare" l'effetto dell'evento precedente. Il gruppo di controllo viene quindi riaggiustato (creando un dataset control*) in modo che la sua esposizione all'EDT sia equivalente a quella del gruppo trattato, permettendo un confronto equo.

3. Contributi Chiave

• Unificazione del modello: Dimostrano che il PERR può essere implementato efficientemente in un unico modello con interazione, rendendo possibile l'uso di modelli per eventi ricorrenti (AG).
• Correzione dell'EDT: Propongono il primo metodo sistematico per rilevare e correggere il bias causato dal trattamento dipendente dall'evento nel contesto PERR.
• Validazione tramite simulazione: Sviluppano un ampio set di simulazioni per testare la robustezza del metodo sotto diverse condizioni (diversi livelli di eterogeneità, intensità dell'EDT, durata dell'effetto).
• Applicazione reale: Applicano la strategia a un dataset reale sulle cure palliative in Singapore, dimostrando l'impatto pratico della correzione.

4. Risultati

Simulazioni:

• Eterogeneità: Il PERR originale e la versione basata su Cox (PERR_Cox) hanno mostrato bias significativi in presenza di eterogeneità non osservata. Al contrario, il PERR_AG (basato sul modello AG) ha eliminato questo bias, fornendo stime non distorte e una copertura degli intervalli di confidenza vicina al 95%.
• EDT: In scenari con forte trattamento dipendente dall'evento (es. $\theta = 4$ o $0.25$), le stime non corrette avevano un bias sostanziale e una copertura degli intervalli di confidenza molto bassa (fino al 38,6%).
• Correzione: L'applicazione della strategia di correzione proposta ha riportato le stime medie molto vicine all'effetto reale (es. HR vero = 0.5, stima corretta $\approx$ 0.50), migliorando drasticamente la copertura degli intervalli di confidenza (vicina al 95%) e riducendo l'errore quadratico medio (RMSE).

Studio sulle Cure Palliative (Singapore):

• Dati: Analisi su 2571 pazienti con cancro avanzato (829 trattati con cure palliative, 829 controlli).
• Risultati senza correzione:
  • Il modello Cox standard mostrava che i pazienti con cure palliative avevano un rischio di visite al pronto soccorso (ED) più alto rispetto ai controlli (HR = 3.31).
  • Il PERR originale suggeriva una riduzione del 19% delle visite (HR = 0.81), indicando un effetto protettivo.
• Analisi dell'EDT: È stata rilevata una forte evidenza di trattamento dipendente dall'evento: il tasso di visite al pronto soccorso aumentava significativamente nelle 5 settimane precedenti l'inizio delle cure palliative ($\hat{\theta} = 4.76$). Questo suggerisce che i pazienti venivano indirizzati alle cure palliative dopo un picco di utilizzo dei servizi di emergenza.
• Risultati con correzione: Dopo aver applicato la correzione per l'EDT, il PERR corretto ha mostrato nessun effetto delle cure palliative sulle visite al pronto soccorso (HR = 1.00; IC 95%: 0.79 - 1.26).
• Conclusione dello studio reale: L'effetto protettivo apparente era un artefatto statistico causato dal bias di selezione temporale (i pazienti venivano trattati solo dopo un evento acuto).

5. Significato e Implicazioni

Questa ricerca arricchisce notevolmente l'armamentario metodologico per la ricerca basata su dati del mondo reale.

1. Affidabilità delle stime: Dimostra che ignorare l'eterogeneità non osservata e il trattamento dipendente dall'evento può portare a conclusioni errate sull'efficacia dei trattamenti.
2. Cambiamento di paradigma clinico: Nel caso specifico delle cure palliative, la correzione ha trasformato l'interpretazione da "effetto protettivo" a "nessun effetto" sulle visite al pronto soccorso. Questo è cruciale per la pianificazione sanitaria e per evitare di attribuire benefici che in realtà non esistono o sono dovuti a bias di selezione.
3. Flessibilità: La strategia proposta è flessibile e può essere applicata ad altri contesti di farmacovigilanza e studi osservazionali dove l'ordine temporale tra eventi e trattamento è complesso.

In sintesi, l'articolo fornisce un framework robusto per migliorare la validità interna degli studi osservazionali che utilizzano il metodo PERR, garantendo che le conclusioni tratte dai dati reali siano meno soggette a distorsioni sistemiche.