Group Sequential Methods for the Win Ratio

Sintesi Tecnica: Metodi Sequenziali di Gruppo per il Win Ratio

Definizione del Problema
Il win ratio viene utilizzato sempre più frequentemente nei trial clinici randomizzati come endpoint primario, grazie alla sua capacità di incorporare esiti compositi con una gerarchia di gravità clinica e di combinare dati eterogenei (ad esempio, tempo-all'evento, binari, conteggi). Tuttavia, esiste una significativa lacuna metodologica riguardante l'implementazione di disegni sequenziali di gruppo (GSD) per gli endpoint basati sul win ratio. Nello specifico, non è chiaro se l'assunzione di incrementi indipendenti, un prerequisito per l'applicazione delle classiche funzioni di spesa di $\alpha$ di Lan-DeMets, sia soddisfatta per le statistiche dei test degli incrementi del win ratio.

La letteratura precedente suggerisce che, per le distribuzioni bivariate esatte delle statistiche incrementali, l'indipendenza è violata perché i nuovi pazienti arruolati in fasi intermedie successive vengono confrontati con pazienti preesistenti, creando correlazione. Di conseguenza, gli approcci precedenti hanno raccomandato modifiche complesse, come la stratificazione a blocchi (che richiede una spaziatura tra le analisi intermedie impraticabile) o la stima empirica della covarianza tramite bootstrap (che non può essere pre-specificata). La questione centrale affrontata da questo articolo è se l'assunzione di incrementi indipendenti sia soddisfatta per la distribuzione asintotica delle statistiche U utilizzate per valutare il win ratio, consentendo così l'applicazione diretta dei tradizionali confini dei GSD.

Metodologia
Gli autori sviluppano un quadro matematico per derivare la struttura di covarianza delle statistiche U incrementali sotto la distribuzione asintotica.

1. Quadro e Assunzioni:

   • Lo studio assume un tempo di follow-up fisso $T$ per tutti i partecipanti, dove l'endpoint primario viene valutato al tempo $T$. Ciò evita la dipendenza da tempi di follow-up variabili.
   • Per la derivazione teorica primaria, gli autori assumono che siano inclusi nelle analisi intermedie solo i pazienti con follow-up completato. Ciò garantisce che l'informazione contribuita da un paziente alla statistica intermedia $Z_k$ rimanga costante nelle statistiche successive $Z_l$ ($k < l$).
   • Il win ratio ($\psi = \tau_1/\tau_2$) e la differenza di win (win difference) sono definiti tramite statistiche U basate su confronti a coppie tra i gruppi di trattamento ($X$) e di controllo ($Y$).

2. Derivazione Matematica:

   • Win Difference: Gli autori dimostrano che, per le statistiche di test incrementali della win difference ($U_{1k} - U_{2k}$), la covarianza tra gli incrementi ai tempi $k$ e $l$ è uguale alla varianza dell'incremento successivo: $\text{cov}(Z_k, Z_l) = \sqrt{I_k(\theta)/I_l(\theta)}$. Ciò conferma che l'assunzione di incrementi indipendenti è soddisfatta per la distribuzione asintotica della win difference.
   • Win Ratio: La derivazione è estesa al win ratio trasformato in logaritmo. Gli autori dimostrano che $\text{cov}(\log(\hat{\psi}_k), \log(\hat{\psi}_l)) \approx \text{var}(\log(\hat{\psi}_l))$, indicando che l'assunzione di incrementi indipendenti è approssimativamente soddisfatta per il win ratio in condizioni asintotiche.

3. Studi di Simulazione:

   • Scenario 1 (Informazione Completa): Sono state condotte simulazioni con dimensioni campionarie $N=200$ e $N=400$ per valutare il tasso complessivo di errore di Tipo I utilizzando la funzione di spesa di $\alpha$ di Hwang-Shih-DeCani. L'analisi ha incluso solo i pazienti con follow-up completo ad ogni analisi intermedia.
   • Scenario 2 (Informazione Parziale): Le simulazioni sono state estese includendo pazienti che contribuiscono con informazioni di follow-up parziali alle analisi intermedie, calcolando le frazioni di informazione in base alle persone-anno.

Risultati Chiave

• Dimostrazione Teorica: Il documento fornisce una dimostrazione matematica che l'assunzione di incrementi indipendenti è soddisfatta per la distribuzione asintotica delle statistiche U che testano la win difference. Dimostra inoltre che tale proprietà si applica approssimativamente al win ratio trasformato in logaritmo.
• Controllo dell'Errore di Tipo I: Nello studio di simulazione con $N=200$, il tasso empirico di errore di Tipo I era 0,0517; per $N=400$, era 0,0487. Questi risultati dimostrano che le tradizionali funzioni di spesa di $\alpha$ preservano il tasso di errore di Tipo I anche con dimensioni campionarie relativamente piccole.
• Informazione Parziale: I risultati della simulazione per lo Scenario 2 (informazione parziale) hanno confermato risultati simili, suggerendo che il metodo è robusto anche quando vengono utilizzati dati incompleti, sebbene la prova teorica per questo caso specifico non sia completamente stabilita nel testo.
• Applicazione Retrospettiva: È stata eseguita una rianalisi dei dati del trial clinico IN.PACT SFA. Sotto un ipotetico disegno sequenziale di gruppo con analisi intermedie al 50% e al 75% dell'informazione, il trial si sarebbe interrotto per successo alla prima analisi intermedia (50% di informazione) con un win ratio di 4,29 ($p < 0,001$), rispetto al risultato finale di 3,82.

Significatività e Rivendicazioni
Gli autori affermano che questa ricerca dimostra che l'applicazione diretta delle funzioni di spesa di $\alpha$ di Lan-DeMets è possibile per i trial randomizzati che coinvolgono il win ratio, a condizione che le dimensioni campionarie siano sufficientemente grandi da assumere distribuzioni asintotiche e che siano soddisfatte specifiche condizioni riguardanti il follow-up dei pazienti.

Le principali implicazioni evidenziate dagli autori includono:

• Eliminazione dei Confini Empirici: I ricercatori non devono più generare confini empiricamente tramite bootstrap al momento delle analisi intermedie, operazione che non può essere pre-specificata.
• Compatibilità Software: I pacchetti software esistenti in grado di calcolare i tradizionali confini sequenziali di gruppo (ad esempio, il pacchetto gsDesign in R) possono essere impiegati direttamente per gli endpoint del win ratio.
• Ambito Limitato: Gli autori notano esplicitamente che le loro derivazioni primarie si basano sull'assunzione di utilizzare solo pazienti con follow-up completato. Sebbene le simulazioni suggeriscano che il metodo funzioni con informazioni parziali, essi dichiarano che "ulteriori ricerche sono necessarie per stabilire tale risultato" per le situazioni in cui viene utilizzata l'informazione parziale dei pazienti nelle analisi intermedie, similmente al test log-rank.

Il documento conclude che l'assunzione di incrementi indipendenti è soddisfatta per la win difference e approssimativamente per il win ratio in condizioni asintotiche, validando l'uso delle metodologie sequenziali di gruppo standard per questi endpoint.