Estimating conditional Mann-Whitney effects using pseudo-observation-based regression

Titolo: Stima degli effetti Mann-Whitney condizionati mediante regressione basata su pseudo-osservazioni

1. Il Problema

La ricerca biostatistica si occupa tradizionalmente del problema a due campioni per confrontare distribuzioni o aspetti di esse (es. test t, test di Wilcoxon, test log-rank). Nel contesto dei dati di sopravvivenza (tempo fino all'evento), i metodi standard includono il modello di Cox a rischi proporzionali o test log-rank pesati. Tuttavia, questi approcci presentano limitazioni:

• Il modello di Cox richiede l'assunzione di rischi proporzionali, che potrebbe non essere valida.
• Le interpretazioni basate sui hazard ratio (HR) possono essere controintuitive per i clinici e non forniscono direttamente probabilità di beneficio.
• Esiste la necessità di un modello distribuzionalmente libero (non parametrico) che permetta di aggiustare l'effetto del trattamento per le covariate, sia in studi randomizzati che osservazionali, senza fare assunzioni restrittive sulla forma della distribuzione degli eventi.

L'obiettivo è analizzare l'effetto Mann-Whitney (o effetto relativo), definito come $\theta = P(T_1 > T_2)$, dove $T_1$ e $T_2$ sono i tempi di evento di due individui indipendenti dai gruppi 1 e 2. Questo parametro ha un'interpretazione probabilistica diretta (la probabilità che un individuo del gruppo 1 viva più a lungo di uno del gruppo 2) ed è correlato all'Area Sotto la Curva (AUC) della curva ROC.

2. Metodologia

Gli autori propongono un nuovo modello di regressione generalizzato lineare (GLM) per stimare l'effetto Mann-Whitney condizionato alle covariate $Z_1$ e $Z_2$ dei due gruppi.

• Modello Statistico:
  L'effetto condizionato è modellato come:
  $$\theta(z_1, z_2) = P(T_1 > T_2 | Z_1=z_1, Z_2=z_2) = \mu(\beta_0 + \beta_1^\top z_1 + \beta_2^\top z_2)$$
  dove $\mu$ è una funzione di link strettamente monotona (es. identità o logistica) e $\beta$ è il vettore dei parametri. Questo modello permette di valutare come le covariate influenzino la probabilità relativa di sopravvivenza tra i gruppi.

• Stima tramite Pseudo-osservazioni (Jackknife):
  Per adattare il modello, gli autori sviluppano una procedura basata sulle pseudo-osservazioni (pseudo-observations) derivanti dal metodo del jackknife a due campioni.

  1. Si definisce un stimatore non parametrico per $\theta$ (basato sulla funzione di sopravvivenza empirica o di Kaplan-Meier in caso di censura).
  2. Si calcolano le pseudo-osservazioni $\tilde{\theta}_{i_1 i_2}$ rimuovendo sistematicamente le osservazioni dai due campioni e ricalcolando lo stimatore.
  3. Si risolve un'equazione di stima generalizzata (GEE) utilizzando queste pseudo-osservazioni come variabili di risposta per stimare i coefficienti $\beta$.

• Gestione della Censura e dei Legami (Ties):

  • Il metodo è esteso al caso di censura a destra casuale utilizzando l'estimatore di Kaplan-Meier al posto della funzione di sopravvivenza empirica.
  • Viene introdotta una correzione per i legami (eventi che avvengono allo stesso tempo), aggiungendo il termine $0.5 \cdot P(T_1 = T_2)$, fondamentale per dati reali dove i tempi di evento possono essere discreti o censurati allo stesso istante.

• Inferenza Statistica:
  Vengono proposti test di ipotesi basati sul bootstrap (in particolare il "warp-speed bootstrap") per valutare la significatività dei coefficienti di regressione. Vengono confrontati diversi metodi per costruire gli intervalli di confidenza: deviazione standard empirica, intervallo interquartile (IQR), deviazione assoluta mediana (MAD) e metodo dei percentili.

3. Risultati Chiave

• Proprietà Asintotiche:
  Gli autori dimostrano un teorema del limite centrale per gli stimatori dei coefficienti $\hat{\beta}$, sia nel caso di dati completamente osservabili che censurati. Gli stimatori sono consistenti e asintoticamente normali.

• Studio di Simulazione:
  Un'estesa simulazione (10.000 repliche) ha confrontato il metodo proposto con il modello di Cox a rischi proporzionali con interazioni gruppo-covariate.

  • Controllo dell'Errore di Tipo I: I test basati sulla deviazione standard empirica e sui quantili del bootstrap hanno mantenuto un controllo eccellente del livello di significatività (circa 5%), risultando leggermente conservativi ad alte percentuali di censura. I test basati su IQR e MAD tendevano a essere troppo liberali (tasso di errore > 5%).
  • Potenza: I test proposti mostrano una potenza soddisfacente, specialmente quando la proporzione di censura non supera il 50%. In alcuni scenari, il test di Cox ha mostrato una potenza leggermente superiore ma con un controllo dell'errore di Tipo I inadeguato (troppo liberale).
  • Robustezza: Il metodo funziona bene anche quando i modelli di generazione dei dati (Weibull) non corrispondono perfettamente alla specificazione del modello di regressione proposto.

• Analisi dei Dati Reali (Studio SUCCESS-A):
  Il metodo è stato applicato ai dati del trial di fase III SUCCESS-A su 3.754 pazienti con cancro al seno invasivo, confrontando chemioterapia standard vs. chemioterapia + gemcitabina.

  • Identificazione di Sottogruppi: A differenza dell'analisi marginale originale (che non ha mostrato benefici globali), il modello ha identificato eterogeneità nei trattamenti. Ad esempio, il beneficio dell'intervento è risultato più alto per pazienti con tumori di grado G2/G3 e stadio avanzato (pT4), mentre il trattamento di controllo sembrava preferibile per pazienti con linfonodi non affetti (pN0) o recettori ormonali positivi (PR+).
  • Interpretabilità: I coefficienti del modello proposto sono direttamente interpretabili come variazioni di probabilità (scala [0,1]), a differenza dei coefficienti di Cox che operano su scala logit.
  • Classificazione dei Pazienti: Il modello ha permesso di classificare i singoli pazienti in base alla probabilità stimata di beneficiare dell'intervento rispetto al controllo, identificando sottogruppi specifici (es. pazienti con tumori triplo-negativi che mostrano un alto beneficio dall'intervento).

4. Contributi Principali

1. Primo approccio di regressione distribuzionalmente libero: È il primo studio a proporre un modello di regressione per l'effetto Mann-Whitney che gestisce dati censurati a destra e potenzialmente con legami, utilizzando pseudo-osservazioni.
2. Flessibilità nelle Covariate: Il modello permette di gestire set di covariate diversi tra i due gruppi (utile per controlli storici o sintetici) e di modellare interazioni complesse.
3. Inferenza Robusta: Sviluppo di procedure di test basate sul bootstrap che offrono un controllo dell'errore di Tipo I superiore rispetto ai metodi asintotici standard in campioni di piccole dimensioni.
4. Interpretazione Clinica Diretta: Fornisce stime di probabilità condizionate che sono più intuitive per la pratica clinica rispetto agli hazard ratio, facilitando la medicina di precisione.

5. Significato e Implicazioni

Questo lavoro offre un'alternativa robusta e flessibile al modello di Cox, particolarmente utile quando l'assunzione di rischi proporzionali è violata o quando è richiesta un'interpretazione diretta in termini di probabilità di sopravvivenza relativa. La capacità di identificare sottogruppi di pazienti che beneficiano specificamente di un trattamento, fornendo intervalli di confidenza per le probabilità individuali, ha un alto potenziale per l'analisi di trial clinici e per lo sviluppo di strategie terapeutiche personalizzate. Inoltre, la metodologia può essere estesa ad altri funzionali di distribuzioni marginali, aprendo la strada a nuove applicazioni nell'analisi di sopravvivenza non parametrica.