Tree models for covariate-dependent method agreement with repeated measurements in clinical research

Titolo

Modelli ad albero per l'accordo dei metodi dipendenti dalle covariate con misurazioni ripetute nella ricerca clinica

1. Il Problema

Nella ricerca clinica, l'analisi di Bland-Altman (BA) è lo standard consolidato per valutare l'accordo tra due o più tecniche di misurazione (es. dispositivi medici). Questo metodo stima due grandezze fondamentali: il bias (la differenza media tra i metodi) e i Limiti di Accordo (LoA), che definiscono un intervallo di previsione al 95% per le differenze tra le misurazioni.

Tuttavia, l'analisi BA tradizionale si basa su un'assunzione implicita e spesso non verificata: l'accordo tra i metodi è omogeneo in tutti i soggetti, indipendentemente dalle caratteristiche interne (es. età, sesso, BMI) o esterne. In realtà, l'accordo potrebbe variare in base a specifici sottogruppi di pazienti o condizioni.
Inoltre, mentre lavori precedenti hanno esteso l'analisi BA per gestire misurazioni singole per soggetto in presenza di covariate, la situazione più comune nella pratica clinica è quella delle misurazioni ripetute (replicati) per ogni soggetto. Non esisteva un metodo statistico robusto per modellare l'accordo condizionale alle covariate quando sono presenti dati ripetuti, distinguendo correttamente tra variabilità intra-soggetto e inter-soggetto.

2. Metodologia

Gli autori propongono un nuovo approccio chiamato Conditional Method Agreement Trees (COAT), che estende i modelli ad albero condizionale (Conditional Inference Trees - CTree) per gestire misurazioni ripetute.

• Fondamento Teorico: Il metodo integra i parametri dell'analisi di Bland-Altman (bias e varianza) all'interno di un framework di partizione ricorsiva.
• Gestione delle Misurazioni Ripetute: Il modello distingue tra due scenari, come definito da Bland e Altman:
  1. Misurazioni non appaiate (Unpaired): Il valore vero è costante all'interno del soggetto (es. misurazioni multiple dello stesso stato).
  2. Misurazioni appaiate (Paired): Il valore vero varia nel tempo, ma le misurazioni dei due metodi sono effettuate in coppie temporali corrispondenti (es. monitoraggio continuo).
• Decomposizione della Varianza: Il modello scompone la varianza totale delle differenze ($Y = A - B$) in componenti specifiche per soggetto:
  • Varianza inter-soggetto ($\sigma^2_Y$).
  • Varianza intra-soggetto (errore di misura dei metodi A e B, $\sigma^2_A, \sigma^2_B$ o $\sigma^2_w$).
• Funzione di Trasformazione ($h(\cdot)$): La chiave innovativa è la definizione di una funzione di trasformazione non casuale per l'outcome bivariato del CTree. Invece di modellare solo la media delle differenze, COAT modella simultaneamente:
  • La componente del bias condizionale $E(Y|X)$.
  • La componente della varianza condizionale $Var(Y|X)$.
    Questa trasformazione permette all'albero di cercare partizioni (split) nelle covariate $X$ che massimizzano l'eterogeneità sia nel bias che nella variabilità (e quindi nella larghezza dei LoA).
• Implementazione: L'algoritmo è implementato nel pacchetto R open-source coat. Utilizza statistiche di test permutazionali asintotiche per garantire un controllo rigoroso del livello di errore di Tipo I.

3. Contributi Chiave

1. Estensione alle misurazioni ripetute: Prima applicazione di modelli ad albero condizionale per l'accordo dei metodi che gestisce formalmente la struttura gerarchica dei dati ripetuti (soggetto vs. misurazioni multiple).
2. Modellazione congiunta di Bias e Varianza: A differenza dei metodi tradizionali che spesso analizzano solo la media delle differenze, COAT modella simultaneamente l'attesa e la varianza delle differenze, permettendo di rilevare sottogruppi dove cambia non solo la sistematicità (bias) ma anche la precisione (LoA).
3. Validazione tramite Simulazione: Uno studio di simulazione esteso ha dimostrato che COAT controlla l'errore di Tipo I al livello nominale e possiede un'alta potenza per rilevare associazioni dipendenti dalle covariate, specialmente quando la varianza (LoA) è influenzata dalle covariate.
4. Strumento Software: Rilascio del pacchetto R coat per l'uso immediato nella comunità scientifica.

4. Risultati

Studio di Simulazione:

• Controllo dell'Errore di Tipo I: In scenari "Null" (dove non esiste alcuna associazione tra covariate e accordo), COAT ha mantenuto il tasso di rifiuto dell'ipotesi nulla tra il 3.6% e il 5.2%, confermando la validità statistica.
• Potenza e Accuratezza (ARI):
  • Quando solo il bias varia tra i sottogruppi, i CTree standard (che modellano solo la media) hanno mostrato una potenza leggermente superiore rispetto a COAT, poiché COAT deve gestire un outcome bivariato con più gradi di libertà.
  • Tuttavia, quando solo i Limiti di Accordo (LoA/Varianza) variano, i CTree standard falliscono completamente nel rilevare l'associazione, mentre COAT eccelle, identificando correttamente i sottogruppi con un Adjusted Rand Index (ARI) vicino a 1.
  • In scenari complessi ("Tree") con interazioni tra covariate, COAT supera significativamente i CTree standard all'aumentare della dimensione del campione.

Applicazione Clinica (Gittata Cardiaca - CO):

• Dati: Analisi di 51 pazienti sottoposti a chirurgia cardiaca, con misurazioni ripetute di gittata cardiaca ottenute tramite un metodo invasivo (catetere arterioso polmonare, CO-PAC) e uno non invasivo (sistema NiCCI a manicotto digitale, CO-FC).
• Risultati:
  • È stata rilevata un'accordo migliore (bias inferiore e LoA più stretti) per valori di gittata cardiaca più bassi ($\leq 6.5$ L/min).
  • Analisi esplorative (senza correzione severa per la significatività) hanno suggerito differenze nell'accordo basate su sesso, peso e età, sebbene questi risultati richiedano conferma in studi più ampi.
  • È stato dimostrato che COAT può essere utilizzato come test a due campioni per confrontare l'accordo tra gruppi definiti (es. pazienti con e senza malattia vascolare), anche se in questo caso specifico non è stata trovata una differenza significativa ($p=0.705$).

5. Significato e Implicazioni

Il lavoro di Karapetyan et al. rappresenta un avanzamento significativo nella metodologia di confronto tra dispositivi medici.

• Personalizzazione della Medicina: Dimostra che l'accordo tra metodi non è universale, ma può dipendere dalle caratteristiche del paziente. Questo è cruciale per la sicurezza del paziente: un dispositivo potrebbe essere affidabile solo per specifici sottogruppi (es. pazienti con BMI basso o valori emodinamici specifici).
• Superamento dei Limiti dell'Analisi BA Classica: Fornisce un framework statistico rigoroso per esplorare l'eterogeneità dell'accordo, evitando conclusioni errate derivanti dall'assunzione di omogeneità.
• Impatto Clinico: L'uso di COAT può guidare la selezione di tecnologie diagnostiche in base al profilo del paziente, ottimizzando l'uso di risorse costose o invasive solo quando necessario e garantendo l'accuratezza delle misurazioni in contesti critici come la terapia intensiva.

In sintesi, COAT offre un approccio multivariato teoricamente fondato e praticamente applicabile per definire sottogruppi di accordo eterogeneo in presenza di misurazioni ripetute, colmando un vuoto metodologico importante nella ricerca clinica.