Longitudinal Outcomes Truncated by Death: Causal Estimands and Bayesian Estimators

1. Enunciato del Problema

Negli studi clinici per malattie gravi e potenzialmente letali (ad esempio, la Sclerosi Laterale Amiotrofica - SLA), gli esiti longitudinali riportati dai pazienti (quali la qualità della vita o i punteggi funzionali) sono spesso troncati dalla morte. Una volta che un paziente muore, il suo esito longitudinale diventa indefinito. Ciò crea una sfida fondamentale nell'inferenza causale:

• Mancanza di Ordinamento: Non esiste un modo naturale per ordinare un "paziente vivente con un punteggio specifico" rispetto a un "paziente deceduto".
• Mancanza di Distanza: È impossibile definire una metrica significativa (distanza) tra una variazione del punteggio funzionale e il tempo di morte.
• Limitazioni Attuali: I metodi esistenti si basano spesso su confronti ingenui dei sopravvissuti (introducendo un bias di selezione), su endpoint compositi con interpretazioni causali poco chiare (ad esempio, il Win Ratio), o su scenari ipotetici che assumono che la morte possa essere prevenuta senza influenzare il decorso della malattia (spesso clinicamente implausibili).

Il documento sostiene che, senza un quadro unificato che definisca l'estimando causale (la specifica quantità da stimare) e le assunzioni necessarie per identificarlo, l'interpretazione degli effetti del trattamento in questi contesti rimane ambigua.

2. Metodologia

A. Quadro Causale ed Estimandi

Gli autori propongono un quadro basato sul paradigma delle Risultati Potenziali e sulla Stratificazione Principale. Categorizzano i pazienti in quattro strati principali in base alla loro potenziale sopravvivenza sotto trattamento ($W=1$) e controllo ($W=0$):

1. Sempre-sopravvissuti ($LL$): Sopravvivono in entrambi i casi.
2. Protetti ($DL$): Muoiono sotto controllo, sopravvivono sotto trattamento.
3. Danneggiati ($LD$): Sopravvivono sotto controllo, muoiono sotto trattamento.
4. Mai-sopravvissuti ($DD$): Muoiono in entrambi i casi.

Rivedono e formalizzano quattro distinti estimandi causali:

1. Effetto Causale Medio Stratificato (SACE): L'effetto medio del trattamento limitato allo strato dei Sempre-sopravvissuti ($LL$). Questo preserva la metrica naturale dell'esito longitudinale ma richiede l'identificazione dello strato non osservabile.
2. Tempo Medio di Sopravvivenza Limitato (RMST): Un estimando basato sulla sopravvivenza che rappresenta il tempo medio di sopravvivenza fino a un orizzonte specifico.
3. Confronto a Coppie (PC): Un estimando composito che tratta la morte come l'esito peggiore possibile. Calcola la probabilità che un paziente selezionato casualmente abbia un esito composito "migliore" (sopravvivenza + punteggio) sotto trattamento rispetto al controllo. Si basa sull'ordinamento ma evita di definire una metrica finita per tutte le coppie.
4. Mediana Incorporata nella Sopravvivenza (SIM): La mediana della distribuzione degli esiti compositi. Questo tenta di fornire una "magnitudine" dell'effetto ma può essere indefinita (infinita) se una grande proporzione di pazienti muore.

B. Approccio di Stima Bayesiana

Gli autori sviluppano un quadro basato su modelli Bayesiani (utilizzando la libreria PyMC) per stimare queste quantità. Le scelte di modellazione chiave includono:

• Modello di Sopravvivenza: Un modello bayesiano a rischi proporzionali a costanti a tratti per stimare le probabilità di sopravvivenza ($S_{i,t}$) e identificare gli strati principali.
• Modello Longitudinale: Un modello lineare ad effetti misti per l'esito longitudinale, condizionato al fatto che il paziente sia vivo.
• Ignorabilità Principale: Un'assunzione critica che afferma che, condizionatamente alle covariate basali ($X$), lo stato di sopravvivenza potenziale è indipendente dall'esito longitudinale potenziale. Ciò consente l'imputazione dei dati longitudinali mancanti per coloro che sono deceduti.
• Procedura in Due Passi: Il modello di sopravvivenza viene stimato per primo per generare le probabilità di appartenenza allo strato "sempre-sopravvissuto". Queste probabilità vengono poi utilizzate come pesi nella funzione di verosimiglianza per il modello longitudinale.
• Gestione dell'Incertezza: Gli stimatori tengono esplicitamente conto dell'incertezza nell'appartenenza allo strato (ad esempio, un paziente osservato come sopravvissuto potrebbe teoricamente essere deceduto sotto il trattamento alternativo).

3. Contributi Chiave

1. Quadro Unificato: Il documento fornisce un quadro causale completo che collega esplicitamente la definizione degli estimandi alle assunzioni sottostanti (ad esempio, Ignorabilità Principale, Monotonia) necessarie per la loro identificazione.
2. Stimatori Bayesiani: Introduce nuovi stimatori bayesiani per SACE, PC, SIM e RMST che gestiscono rigorosamente l'incertezza dell'appartenenza agli strati principali, evitando la classificazione "rigida" spesso utilizzata negli approcci frequentisti.
3. Chiarimento dei Trade-off: Gli autori dimostrano che nessun singolo estimando è perfetto.
   • SACE + RMST fornisce un quadro completo e multidimensionale (separando gli effetti sulla sopravvivenza da quelli funzionali) ma produce numeri multipli.
   • PC fornisce una singola probabilità scalare di beneficio ma si basa sulla forte assunzione che la morte sia strettamente peggiore di qualsiasi punteggio funzionale.
   • SIM è intuitivo ma può essere indefinito in contesti ad alta mortalità.
4. Implementazione Software: Gli autori forniscono codice open-source (repository Truncation By Death Estimates) per facilitare l'applicazione di questi metodi.

4. Risultati

Studio di Simulazione

Gli autori hanno condotto uno studio di simulazione su quattro scenari (nessun effetto, benefico, effetti misti e censura) per validare gli stimatori:

• RMST: Ha mostrato prestazioni robuste in tutti gli scenari con una copertura accurata.
• SACE: Ha mostrato un'incertezza crescente (intervalli di credibilità più ampi) all'aumentare del numero di decessi, riflettendo la difficoltà di identificare lo strato "sempre-sopravvissuto". Tuttavia, quando combinato con RMST, ha fornito un quadro completo degli effetti del trattamento in scenari "misti" (dove il trattamento migliora la funzione ma danneggia la sopravvivenza, o viceversa).
• PC: Ha catturato con successo il compromesso tra sopravvivenza e funzione. Negli scenari misti, la stima PC è passata da >0.5 (benefico) a <0.5 (detrimento) all'aumentare della mortalità sotto trattamento.
• SIM: Spesso indefinito negli scenari con alti tassi di mortalità (a causa di valori infiniti nella distribuzione), evidenziando i suoi limiti nei contesti di malattie gravi.

Applicazione ai Dati SLA (Studio su Olesoxime)

I metodi sono stati applicati a uno studio controllato randomizzato su Olesoxime in pazienti con SLA ($N=512$).

• Risultati: L'analisi ingenua (confrontando solo i sopravvissuti) ha mostrato un beneficio modesto e non sostenuto.
• Risultati Bayesiani:
  • SACE & RMST: Hanno suggerito un effetto benefico del trattamento, sebbene gli intervalli di credibilità al 95% includessero il nullo.
  • PC & SIM: Hanno mostrato effetti più pronunciati, in particolare a 12 mesi. La stima PC era $0.53$ (IC 95%: $0.53, 0.60$), indicando una probabilità di un esito composito migliore a favore del trattamento.
• Prestazioni del Modello: La ricostruzione dei dati mancanti ha mostrato un'adeguata calibrazione (Integrated Brier Score) ma una discriminazione moderata, coerente con la difficoltà di prevedere la sopravvivenza nella SLA.

5. Significato e Conclusione

Questo documento affronta una lacuna critica nell'analisi degli studi clinici per malattie fatali. Spostandosi da approcci puramente basati sui modelli (come la modellazione congiunta) verso approcci basati su estimandi causali, gli autori garantiscono che la domanda statistica a cui si risponde sia allineata alla domanda clinica.

• Raccomandazione: Gli autori raccomandano l'uso congiunto di SACE e RMST. Questo approccio districa la componente di sopravvivenza dalla componente funzionale longitudinale, riconoscendo la natura intrinsecamente multifattoriale degli effetti del trattamento nelle malattie fatali.
• Impatto: Il quadro aiuta i regolatori (come FDA ed EMA) e i ricercatori a interpretare dati di studi complessi in cui la morte tronca l'endpoint primario, prevenendo conclusioni fuorvianti derivanti da analisi ingenua dei sopravvissuti o da punteggi compositi eccessivamente semplificati.
• Lavori Futuri: Il quadro è indicato come applicabile ad altri eventi intercorrenti (ad esempio, la non aderenza al trattamento) dove definire ordinamento e distanza è impegnativo.