Sample size and power determination for assessing overall SNP effects in joint modeling of longitudinal and time-to-event data

Titolo

Determinazione della dimensione campionaria e della potenza per la valutazione degli effetti complessivi degli SNP nella modellazione congiunta di dati longitudinali e tempi di sopravvivenza.

1. Il Problema

Nello studio delle malattie croniche, come il diabete, i biomarcatori longitudinali (es. emoglobina glicata, HbA1c) sono spesso fortemente associati agli esiti di sopravvivenza (tempi di evento). Sebbene esistano metodi avanzati per la modellazione congiunta (joint modeling) di dati longitudinali e di sopravvivenza, vi è una carenza significativa di considerazioni relative alla progettazione statistica, in particolare per quanto riguarda il calcolo della dimensione campionaria e della potenza negli studi genetici.

Le sfide specifiche includono:

• Natura delle variabili esplicative: A differenza dei trattamenti (spesso binari), le varianti genetiche (SNP) sono variabili categoriali con tre livelli (0, 1, 2 copie dell'allele di rischio) e possono avere distribuzioni sbilanciate a seconda della frequenza dell'allele minore.
• Effetti diretti e indiretti: Le varianti genetiche possono influenzare il rischio di evento sia direttamente sia indirettamente, mediando attraverso il biomarcatore longitudinale.
• Test bilaterali: Gli effetti genetici possono aumentare o diminuire il rischio, rendendo necessari test di ipotesi bilaterali, a differenza dei trattamenti che sono spesso direzionali.
• Mancanza di formule: Non esisteva una formula chiusa specifica per calcolare la dimensione campionaria necessaria per testare l'effetto complessivo di un SNP (somma dell'effetto diretto e di quello mediato) all'interno di un framework di modellazione congiunta.

2. Metodologia

Gli autori propongono un approccio basato su un framework di modellazione congiunta che collega un sottoprocesso longitudinale a un processo di sopravvivenza.

• Modello Statistico:

  • Sottoprocesso Longitudinale: $Y_i(t) = \eta_i(t) + \epsilon_i(t)$, dove la traiettoria vera $\eta_i(t)$ è modellata come una funzione polinomiale del tempo con effetti fissi (incluso l'effetto dell'SNP, $\beta_g$) e effetti casuali specifici per il soggetto.
  • Sottoprocesso di Sopravvivenza: Modello a rischi proporzionali di Cox: $\lambda_i(t) = \lambda_0(t) \exp \{ \gamma_g SNP_i + \alpha \eta_i(t) \}$.
    • $\gamma_g$: Effetto diretto dell'SNP sul rischio.
    • $\alpha$: Associazione tra la traiettoria longitudinale vera e il rischio di evento.
    • $\alpha \beta_g$: Effetto indiretto dell'SNP mediato dal biomarcatore.
  • Obiettivo: Testare l'ipotesi nulla $H_0: \gamma_g + \alpha \beta_g = 0$ contro l'alternativa bilaterale.

• Derivazione della Formula:
  Gli autori derivano una formula chiusa per il numero di eventi necessari ($D$) per raggiungere una potenza $1-\tilde{\beta}$ a un livello di significatività $\tilde{\alpha}$:
  $$D = \frac{(Z_{1-\tilde{\beta}} + Z_{1-\tilde{\alpha}/2})^2}{2pq(\gamma_g + \alpha\beta_g)^2}$$
  Dove $2pq$ rappresenta la varianza del genotipo (con $p$ frequenza dell'allele minore). La formula è l'inverso della classica formula di Schoenfeld, adattata per la varianza del genotipo e per il test bilaterale.

• Stima della Potenza Empirica (Metodo a Due Stadi):
  Per validare la formula e gestire la complessità computazionale della modellazione congiunta completa (che richiede algoritmi EM), gli autori propongono un metodo a due stadi:

  1. Stimare l'effetto longitudinale ($\beta_g$) e rimuovere la variazione legata all'SNP dai dati osservati.
  2. Adattare un modello di sopravvivenza sulla traiettoria longitudinale aggiustata per stimare l'effetto complessivo ($\theta_g$).
     Questo approccio riduce drasticamente il carico computazionale, rendendolo fattibile per studi su larga scala (GWAS).

• Strumenti: È stato sviluppato un'applicazione interattiva Shiny per facilitare il calcolo della dimensione campionaria e della potenza.

3. Risultati Chiave

Gli autori hanno valutato le prestazioni della formula attraverso studi di simulazione e un'analisi retrospettiva sui dati del Diabetes Control and Complications Trial (DCCT).

• Validazione tramite Simulazione:

  • La formula fornisce stime accurate e robuste in campioni finiti per una vasta gamma di parametri (dimensione dell'effetto, frequenze alleliche, strutture di covarianza degli effetti casuali).
  • La potenza è poco influenzata dai parametri specifici degli effetti casuali longitudinali, ma dipende fortemente dalla dimensione dell'effetto complessivo e dalla frequenza dell'allele.
  • Limiti: La precisione della formula diminuisce quando il numero di misurazioni longitudinali è molto basso (censura a intervalli), portando a sottostime della potenza. Inoltre, una specifica errata del modello longitudinale (es. usare un modello lineare quando la realtà è quadratica) può portare a una sottostima della potenza empirica.
  • Bias: Ignorare il processo longitudinale nel modello di sopravvivenza porta a stime distorte (bias) dell'effetto genetico diretto. I metodi a due stadi e la verosimiglianza congiunta correggono efficacemente questo bias.

• Analisi Retrospettiva (DCCT):

  • Applicando la formula ai dati del DCCT (1.441 pazienti con diabete di tipo 1), gli autori hanno dimostrato che la dimensione campionaria dello studio originale è insufficiente per raggiungere una potenza adeguata (80%) ai livelli di significatività convenzionali del GWAS ($5 \times 10^{-8}$), specialmente per varianti con frequenze alleliche moderate o basse.
  • Il braccio di trattamento "convenzionale" richiede una frequenza dell'allele maggiore di 0.20 per avere una potenza accettabile, mentre il braccio "intensivo" (con meno eventi) richiede una frequenza di circa 0.40.

4. Contributi Principali

1. Formula Chiusa Innovativa: Prima formula analitica per il calcolo della dimensione campionaria per l'effetto complessivo di un SNP in un contesto di modellazione congiunta, che integra effetti diretti e indiretti.
2. Adattamento ai Dati Genetici: Gestione specifica della natura categorica (3 livelli) e della distribuzione potenzialmente sbilanciata degli SNP, nonché dell'uso di test bilaterali.
3. Strumento Pratico: Sviluppo di un'applicazione Shiny interattiva per rendere la metodologia accessibile ai ricercatori.
4. Validazione Rigorosa: Dimostrazione empirica che il metodo a due stadi offre un compromesso efficace tra accuratezza statistica e efficienza computazionale rispetto alla modellazione congiunta completa.

5. Significato e Implicazioni

Questo lavoro colma un divario critico nella progettazione degli studi genetici che coinvolgono dati longitudinali e di sopravvivenza.

• Ottimizzazione delle Risorse: Fornisce ai ricercatori uno strumento per determinare a priori la dimensione campionaria necessaria, evitando studi sottodimensionati che non riescono a rilevare effetti genetici reali (falsi negativi) o sovradimensionati che sprecherebbero risorse.
• Interpretazione Biologica: Sottolinea l'importanza di considerare sia i meccanismi diretti che quelli mediati dai biomarcatori quando si valutano le associazioni genetiche.
• Avvertenze Pratiche: Evidenzia che la corretta specificazione del modello longitudinale è fondamentale; modelli errati possono compromettere la validità delle stime di potenza e dei risultati genetici.
• Applicabilità: Sebbene derivata in un contesto specifico, la formula è applicabile a una vasta gamma di studi di associazione genetica che integrano dati ripetuti nel tempo e tempi di evento, offrendo una guida robusta per la pianificazione di futuri trial clinici e studi osservazionali.