Joint modelling of time-dependent biomarker variability and time-to-event outcomes, a two-step approach

Riepilogo Tecnico: Modellazione Congiunta della Variabilità Temporale dei Biomarcatori e degli Esiti Tempo-Evento

Enunciato del Problema
I modelli congiunti standard per biomarcatori longitudinali ed esiti tempo-evento si concentrano tipicamente sul valore atteso (traiettoria media) del biomarcatore, assumendo una variabilità residua costante tra individui e nel tempo. Tuttavia, evidenze emergenti in oncologia e cardiologia suggeriscono che la variabilità (instabilità) dei biomarcatori longitudinali trasporta informazioni prognostiche indipendenti per gli esiti clinici. Sebbene esistano estensioni pienamente congiunte che modellano la varianza residua specifica del soggetto, queste sono computazionalmente onerose, richiedono spesso pacchetti software dedicati e mancano della flessibilità necessaria per gestire multipli biomarcatori, rischi competitivi o previsioni dinamiche. Inoltre, i metodi esistenti si basano frequentemente su strutture di associazione restrittive o statistiche riassuntive semplici (ad esempio, la deviazione standard sull'intero periodo) che non riescono a catturare le fluttuazioni dipendenti dal tempo, potenzialmente introducendo distorsioni come il bias del tempo immortale e la diluizione della regressione.

Metodologia
Gli autori propongono un approccio flessibile ed efficiente dal punto di vista computazionale a due passaggi per incorporare la variabilità temporale dei biomarcatori nei framework di modellazione congiunta standard, senza richiedere estensioni software personalizzate.

1. Passaggio 1: Stima dei Residui Specifici del Soggetto
   Viene adattato un modello standard a effetti misti lineari ai dati longitudinali del biomarcatore per stimare la traiettoria media specifica del soggetto ($m_i(t)$). Questo modello assume inizialmente una varianza residua costante. I residui individuali ($\hat{\epsilon}_i(t)$) sono calcolati come la differenza tra i valori osservati e le traiettorie specifiche del soggetto adattate. Questi residui rappresentano le fluttuazioni intra-soggetto attorno alla traiettoria attesa.

2. Passaggio 2: Modellazione della Variabilità come Esito Longitudinale
   I residui (o le loro trasformazioni, come i residui al quadrato $\hat{\epsilon}_i(t)^2$ o i residui assoluti $|\hat{\epsilon}_i(t)|$) sono trattati come un nuovo esito longitudinale che rappresenta la variabilità del biomarcatore.

   • Viene adattato un secondo modello a effetti misti a questi residui per catturare sia le tendenze a livello di popolazione che i modelli specifici del soggetto nella variabilità.
   • Queste misure di variabilità sono quindi incorporate come covariate dipendenti dal tempo in un modello congiunto standard, insieme alla traiettoria media originale del biomarcatore.
   • Il sottomodello tempo-evento (tipicamente un modello di rischi proporzionali di Cox) collega il rischio di evento sia al valore corrente della traiettoria media del biomarcatore sia al valore corrente della misura di variabilità stimata.

L'approccio è implementato utilizzando software di modellazione congiunta Bayesiana esistente (in particolare il pacchetto JMbayes2 in R), sfruttando il campionamento Markov Chain Monte Carlo (MCMC) per la stima dei parametri.

Contributi Chiave

• Accessibilità dell'Implementazione: Il metodo permette ai ricercatori di modellare la variabilità dei biomarcatori utilizzando software di modellazione congiunta standard, evitando la necessità di estensioni complesse e codificate su misura o pacchetti specializzati che spesso mancano di funzionalità come la gestione di multipli biomarcatori o la previsione dinamica.
• Variabilità Dipendente dal Tempo: A differenza dei precedenti approcci a due stadi che utilizzano statistiche riassuntive statiche (ad esempio, la deviazione standard complessiva), questo metodo tratta la variabilità come una quantità dipendente dal tempo, preservando le informazioni temporali e mitigando le distorsioni associate a osservazioni scarse.
• Scalabilità: Il framework supporta l'inclusione simultanea di multipli biomarcatori, ciascuno con i propri componenti di media e variabilità, una funzionalità spesso limitata nei modelli di varianza pienamente congiunti esistenti.

Risultati

• Studio di Simulazione: Gli autori hanno valutato il metodo attraverso scenari con traiettorie di biomarcatori lineari e non lineari e diverse intensità di associazione tra variabilità e rischio di evento.
  • L'approccio ha dimostrato prestazioni ragionevoli con distorsioni minime per associazioni deboli o moderate.
  • Per associazioni più forti, il metodo ha mostrato una certa distorsione e tassi di copertura ridotti, probabilmente a causa delle sfide intrinseche nella stima della varianza dipendente dal tempo dai residui e del fatto che la deviazione standard campionaria è uno stimatore distorto della deviazione standard della popolazione.
  • La convergenza è stata generalmente buona, sebbene dimensioni campionarie più piccole (n=100) abbiano presentato sfide computazionali.
• Esempio Stimolante (Studio su Glioblastoma): Il metodo è stato applicato ai dati sul conteggio dei globuli bianchi (WBC) dallo studio di fase III EORTC 1709/MIRAGE (n=680).
  • I risultati hanno indicato che sia il livello medio sia la variabilità intra-soggetto dei conteggi WBC trasportano informazioni prognostiche per la sopravvivenza globale (OS).
  • Nello specifico, conteggi WBC medi più elevati erano associati a un rischio ridotto di morte, mentre una maggiore variabilità intra-soggetto nei conteggi WBC era associata a un rischio aumentato di morte.
  • È stata evidenziata l'efficienza computazionale: l'approccio a due passaggi ha richiesto circa 8,6 minuti, rispetto a oltre 3,6 ore per un approccio frequentista pienamente congiunto (FlexVarJM) sugli stessi dati.

Significato e Affermazioni
Il documento afferma che questo approccio a due passaggi offre una strategia pratica ed efficiente dal punto di vista computazionale per incorporare la variabilità specifica del soggetto dei biomarcatori nei modelli congiunti. Consente un'applicazione più ampia nella ricerca clinica sfruttando l'infrastruttura software esistente. Gli autori riconoscono che, in quanto metodo a due stadi, non tiene pienamente conto dell'incertezza introdotta nella stima del primo stadio quando si adatta il modello di sopravvivenza del secondo stadio, il che può portare a una sottostima della variabilità dei parametri di associazione rispetto ai modelli pienamente congiunti. Tuttavia, sostengono che il compromesso è accettabile per contesti in cui flessibilità, scalabilità (gestione di multipli biomarcatori) e fattibilità computazionale sono priorità. Il metodo fornisce un'alternativa preziosa per i ricercatori che desiderano esplorare il valore prognostico dell'instabilità dei biomarcatori senza le barriere di una modellazione complessa e personalizzata.