📊 statistics

Implementing the principal stratum strategy for intercurrent events with survival outcomes: a tutorial

Questo articolo tutorial esamina e dimostra l'implementazione della strategia del strato principale per la gestione degli eventi intercorrenti nell'analisi di sopravvivenza nell'ambito del quadro degli stimandi ICH E9 (R1), fornendo una guida dettagliata su metodologia, assunzioni, analisi di sensibilità e codice R attraverso un esempio clinico in oncologia e studi di simulazione.

Autori originali: Xiaoxiao Zhou, Joyce Chen, Pallavi Mishra-Kalyani, Xiaoxue Li, Yuan Li Shen, Shu Wang, Susan Halabi, Fan Li

Pubblicato 2026-05-28

📖 6 min di lettura🧠 Approfondimento

CC BY 4.0

Autori originali: Xiaoxiao Zhou, Joyce Chen, Pallavi Mishra-Kalyani, Xiaoxue Li, Yuan Li Shen, Shu Wang, Susan Halabi, Fan Li

Articolo originale sotto licenza CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo

Immagina di organizzare una gara per scoprire quale delle due scarpe da corsa (Scarpa A vs. Scarpa B) aiuta le persone a correre più a lungo. Assegni casualmente la Scarpa A alla metà dei corridori e la Scarpa B all'altra metà.

Ma ecco il problema: durante la gara, molti corridori smettono di indossare le scarpe assegnate. Forse la Scarpa A fa male ai piedi, quindi passano alla Scarpa B. Forse la Scarpa B si rompe, quindi abbandonano completamente la gara.

In un'analisi standard, guarderesti semplicemente chi ha finito la gara per primo, indipendentemente dal fatto che abbiano continuato a indossare la scarpa assegnata. Questo si chiama "Intention-to-Treat" (Analisi per Intenzione di Trattamento). È equo, ma non ti dice se la Scarpa A è effettivamente migliore nell'aiutare le persone a correre, o se le persone che hanno smesso di indossarla erano semplicemente corridori più lenti fin dall'inizio.

Questo articolo è un tutorial (una guida passo dopo passo) per gli scienziati su come rispondere a una domanda molto più difficile: "Se un corridore avesse continuato a indossare la scarpa assegnata per tutto il tempo, come sarebbe andata?"

Gli autori chiamano questo approccio la "Strategia del Principale Strato". Ecco come lo spiegano utilizzando concetti semplici:

1. Il problema del "Viaggio nel Tempo"

Per sapere se una scarpa funziona, devi sapere cosa sarebbe successo se un corridore non avesse mai smesso di indossarla. Ma non puoi viaggiare nel tempo. Puoi vedere solo ciò che è effettivamente accaduto.

Vedi un corridore che ha indossato la Scarpa A per 10 minuti e poi ha smesso.
Non sai se avrebbe smesso anche se gli fosse stata assegnata la Scarpa B.
Non sai se avrebbe continuato se gli fosse stata assegnata la Scarpa A.

Poiché non puoi vedere il "cosa sarebbe successo", questi gruppi di corridori sono invisibili (latenti). L'articolo chiama questi gruppi invisibili "Principali Strati".

2. I Quattro Team Invisibili

Gli autori immaginano che ogni corridore appartenga a uno di quattro team invisibili, basandosi su come reagirebbero alle scarpe, indipendentemente da quale abbiano effettivamente ricevuto:

I "Continuanti Sempre": Persone che continuerebbero a indossare la scarpa indipendentemente da quale ricevano. (Queste sono le persone che vogliamo davvero studiare per vedere se la scarpa funziona).
I "Rinunciatari Sempre": Persone che rinuncerebbero indipendentemente da quale scarpa ricevano.
Gli "Interruttori": Persone che rinuncerebbero se ricevessero la scarpa "cattiva" ma continuerebbero se ricevessero la scarpa "buona".
Gli "Interruttori Inversi": Persone che rinuncerebbero se ricevessero la scarpa "buona" ma continuerebbero se ricevessero la scarpa "cattiva".

Poiché non puoi vedere a quale team appartiene una persona, devi usare la matematica per indovinare.

3. Due Modi per Indovinare i Team Invisibili

L'articolo insegna due diversi "trucchetti matematici" per separare questi team invisibili e calcolare i risultati:

Metodo 1: Il Modello di Miscela (L'Approccio "Frullatore")
Immagina di avere un frullato fatto di quattro frutti diversi (i quattro team). Puoi assaggiare il frullato (i dati), ma non puoi vedere i singoli frutti. Questo metodo utilizza un computer per "sfrullare" il frullato. Fa ipotesi sugli ingredienti basandosi sul gusto e sulla ricetta (le assunzioni). È molto flessibile ma richiede molta potenza di calcolo e ipotesi attente.
Metodo 2: Il Metodo di Ponderazione (L'Approccio "Bilancia")
Questo metodo è come mettere pesi su una bilancia. Guarda i corridori che hanno smesso e cerca di trovare corridori che non hanno smesso ma che sembrano esattamente come loro (stessa età, stessa salute, ecc.). Quindi "pondera" i dati per fingere che i team invisibili siano visibili. Questo metodo è più veloce e spesso più preciso, ma si basa su una regola rigida: che le ragioni "invisibili" per la rinuncia siano completamente spie dalle informazioni che abbiamo già (come l'età o la salute).

4. Il Test Reale: Il Sperimento sul Cancro

Per dimostrare che questi metodi funzionano, gli autori li hanno testati su un vero studio medico sul cancro al rene.

Lo Scenario: Ai pazienti è stato somministrato un nuovo farmaco o un farmaco standard. Molti hanno smesso di prendere il nuovo farmaco a causa degli effetti collaterali (tossicità).
L'Obiettivo: Volevano sapere: "Se i pazienti che hanno interrotto il nuovo farmaco fossero stati in grado di continuare a prenderlo, sarebbero vissuti più a lungo?"
Il Risultato: Entrambi i metodi hanno concordato sul quadro generale:
- Per i "Continuanti Sempre" (le persone che potevano tollerare il farmaco), il nuovo farmaco non sembrava fare una grande differenza nel tempo di sopravvivenza rispetto al vecchio farmaco.
- Tuttavia, la matematica ha mostrato che i risultati erano incerti. Gli "intervalli di confidenza" (il margine di errore) erano molto ampi. È come dire: "La nuova scarpa potrebbe aiutare, o potrebbe fare male, o potrebbe non fare nulla: semplicemente non possiamo esserne sicuri ancora".

5. Il Controllo di Sicurezza "Cosa Succederebbe" (Analisi di Sensibilità)

Poiché questi metodi si basano su ipotesi riguardanti persone invisibili, gli autori sottolineano l'importanza dell'Analisi di Sensibilità.
Pensa a questo come a un test di stress. Chiedi: "Cosa succederebbe se la mia ipotesi sui team invisibili fosse leggermente sbagliata?"

Se la risposta cambia drasticamente quando modifichi l'ipotesi, il risultato è fragile.
Se la risposta rimane più o meno la stessa, il risultato è robusto.
L'articolo mostra che anche quando hanno modificato le loro assunzioni, la conclusione principale (che il farmaco non ha chiaramente aiutato i "continuanti sempre") è rimasta la stessa.

Riepilogo

Questo articolo è una guida per gli scienziati che vogliono andare oltre il "rumore" delle persone che abbandonano i trattamenti negli studi clinici. Loro insegna come utilizzare la matematica avanzata per isolare il gruppo specifico di persone che potrebbero attenersi a un trattamento, per vedere se il trattamento funziona effettivamente per loro.

Gli autori concludono che, sebbene questa strategia sia potente e offra intuizioni più profonde rispetto ai metodi standard, è complessa e spesso porta a risposte incerte perché stiamo cercando di misurare cose che non possiamo osservare direttamente. Esortano gli scienziati a usare questi strumenti con cautela, a verificare le loro assunzioni e a utilizzare entrambi i metodi (il "Frullatore" e la "Bilancia") per vedere se concordano.

Riepilogo Tecnico: Implementazione della Strategia del Strato Principale per Eventi Intercorrenti con Esiti di Sopravvivenza

Enunciato del Problema
Gli studi clinici incontrano frequentemente eventi intercorrenti (ICE)—eventi successivi alla randomizzazione che influenzano l'interpretazione o l'esistenza delle misurazioni degli esiti. L'addendum ICH E9 (R1) ha introdotto il quadro degli stimandi per affrontare gli ICE, offrendo cinque strategie: politica di trattamento, ipotetica, strato principale, durante il trattamento e composita. Tra queste, la strategia dello strato principale è la più impegnativa concettualmente e tecnicamente perché definisce gli effetti del trattamento su sottopopolazioni non osservate (latenti) basandosi sugli stati controfattuali degli ICE. Sebbene il quadro sia consolidato, le indicazioni pratiche per l'implementazione della strategia dello strato principale, in particolare con esiti di sopravvivenza (tempo fino all'evento), rimangono limitate. La letteratura esistente si concentra spesso su principi generali o esiti non censurati, lasciando un vuoto nella pratica regolatoria e clinica riguardo a come stimare questi effetti in presenza di censura.

Metodologia
Il documento si concentra su uno scenario specifico e comune: un trattamento binario e un singolo ICE binario (interruzione del trattamento). Definisce lo stimando target come l'effetto causale principale di sopravvivenza (SPCE) all'interno di specifici strati principali, in particolare lo strato "sempre-continuatore" ( $U=(0,0)$ ), che rappresenta i pazienti che continuerebbero il trattamento indipendentemente dall'assegnazione.

Gli autori esaminano e confrontano due approcci principali di stima per gli esiti di sopravvivenza:

L'Approccio di Modellazione a Miscele (Bayesiano):
- Concetto: Tratta i dati osservati come una miscela di strati latenti. Impiega un modello per gli strati (regressione logistica multinomiale) per prevedere l'assegnazione allo strato principale (punteggi principali) e un modello per l'esito (rischi proporzionali Weibull-Cox) per modellare la sopravvivenza all'interno degli strati.
- Assunzioni: Si basa sull'assegnazione non confusa, sulla monotonia (ad esempio, il trattamento attivo è più probabile che causi interruzione) e spesso sull'assunzione di Restrizione di Esclusione (ER) (il trattamento non ha effetto sugli strati in cui l'ICE si verifica indipendentemente dall'assegnazione, ad esempio "sempre-interruttori").
- Implementazione: Utilizza l'inferenza bayesiana (MCMC/HMC) per gestire l'assegnazione non osservata agli strati, implementata tramite il pacchetto R PStrata.
L'Approccio di Ponderazione con Punteggi Principali (Frequentista):
- Concetto: Un stimatore "multi-robusto" che evita la modellazione diretta degli strati latenti utilizzando la ponderazione. Si basa sull'assunzione di Ignorabilità Principale (PI), che postula che, condizionatamente alle covariate, le funzioni di sopravvivenza potenziali siano identiche tra strati specifici (ad esempio, $U=11$ e $U=01$ ).
- Assunzioni: Richiede assegnazione non confusa, monotonia e PI.
- Implementazione: Coinvolge la stima di quattro modelli: punteggio di propensione, punteggio principale (derivato dalle probabilità osservate degli ICE), tempo fino all'evento e tempo fino alla censura. Utilizza la ponderazione inversa della probabilità per aggiustare la confusione. Implementato tramite il pacchetto R mrPStrata.

Contributi Chiave

Tutorial e Implementazione: Il documento fornisce un tutorial completo che colma il divario tra la stratificazione principale teorica e l'implementazione pratica per i dati di sopravvivenza.
Software e Codice: Dettaglia l'uso di due specifici pacchetti R (PStrata e mrPStrata) e fornisce codice R di esempio sia per dati sintetici che reali.
Quadro di Analisi di Sensibilità: Gli autori elaborano metodi per valutare la robustezza dei risultati rispetto alle violazioni delle assunzioni chiave (monotonia, ER e PI) utilizzando parametri di sensibilità (ad esempio, $\xi$ per PI, $\zeta$ per monotonia).
Studio di Caso: I metodi sono stati applicati al trial CALGB 90206 (carcinoma renale metastatico), rianalizzando l'effetto di bevacizumab più interferone alfa rispetto alla monoterapia con interferone alfa sulla sopravvivenza globale, tenendo conto dell'interruzione del trattamento.
Studio di Simulazione: Sono state condotte estese simulazioni che imitano il trial CALGB 90206 per valutare le caratteristiche operative (bias, copertura, precisione) di entrambi i metodi in varie violazioni delle assunzioni.

Risultati

Risultati dello Studio di Caso: Nella rianalisi del CALGB 90206, entrambi i metodi hanno indicato eterogeneità negli effetti del trattamento attraverso gli strati principali. Per lo strato target "sempre-continuatore", l'intervento ha mostrato un effetto nullo sulla sopravvivenza. Lo strato "sempre-interruttore" ha mostrato un effetto dannoso, mentre altri strati hanno mostrato effetti protettivi.
Precisione e Incertezza: Il metodo di ponderazione ha prodotto intervalli di confidenza significativamente più stretti (maggiore precisione) rispetto al modello a miscele, attribuito alla più forte assunzione PI. Tuttavia, entrambi i metodi hanno prodotto ampi intervalli credibili/di confidenza che includevano lo zero per lo strato target primario, portando a risultati inconcludenti riguardo all'efficacia dell'intervento per i continuatori.
Sensibilità: I risultati sono stati generalmente robusti alle variazioni dei parametri di sensibilità per PI e monotonia, sebbene il modello a miscele abbia mostrato maggiore incertezza senza assunzioni restrittive come l'ER.
Simulazione: Le simulazioni hanno confermato che entrambi i metodi possono recuperare i veri effetti causali per gli strati con campioni sufficienti (ad esempio 00 e 11) anche con lievi violazioni delle assunzioni. Tuttavia, per gli strati con poche unità (ad esempio 10 o 01), entrambi i metodi hanno prodotto stime inaffidabili con ampi intervalli, evidenziando la difficoltà intrinseca nell'identificare piccole sottopopolazioni latenti.

Significato e Affermazioni
Il documento afferma di fornire una risorsa necessaria per i praticanti e i regolatori per implementare la strategia dello strato principale per gli esiti di sopravvivenza, un'area precedentemente considerata inaccessibile. Sottolinea che, sebbene la strategia offra intuizioni cliniche raffinate oltre l'analisi standard Intenzione-di-Trattare (ITT) caratterizzando l'eterogeneità dell'effetto del trattamento, è intrisa di grandi incertezze anche in semplici scenari di ICE binari.

Gli autori concludono con modestia che:

La strategia dello strato principale è concettualmente e tecnicamente complessa, e la sua adozione richiede un'attenta considerazione della plausibilità delle assunzioni causali sottostanti (monotonia, ER, PI).
Non esiste un unico metodo "migliore"; la scelta dipende dal contesto clinico e dalla plausibilità delle assunzioni. Raccomandano di analizzare i dati con entrambi i metodi; risultati concordanti conferiscono credibilità, mentre risultati discordanti suggeriscono violazioni delle assunzioni.
L'analisi di sensibilità non è opzionale ma essenziale per interpretare i risultati, poiché le assunzioni richieste per l'identificazione non sono verificabili dai soli dati osservati.
La strategia è più adatta per gestire un singolo ICE; estenderla a più ICE porta a un aumento esponenziale degli strati, rendendo spesso la stima non fattibile senza assunzioni forti e potenzialmente irrealistiche.