Return-to-Baseline Testing via Empirically Calibrated e-processes

Sintesi Tecnica: Test di Ritorno alla Baseline tramite e-process con Calibrazione Empirica

Formulazione del Problema
Il documento affronta il problema del rilevamento di un "Ritorno alla Baseline" (Return-to-Baseline, RtB) in dati di monitoraggio ad alta frequenza. L'impostazione prevede una distribuzione di baseline specifica per il soggetto $P$ dalla quale vengono raccolte $n$ osservazioni. Un intervento avviene, alterando temporaneamente la distribuzione dei dati generati verso una $P_i$ sconosciuta per una durata $r$. L'obiettivo è identificare sequenzialmente il punto temporale in cui la distribuzione si riallinea con la baseline pre-intervento $P$.

Questo problema è distinto dai test sequenziali classici (ad esempio, il test del rapporto di verosimiglianza di Wald) o dal rilevamento dei punti di cambiamento (ad esempio, CUSUM) perché:

1. La distribuzione di baseline $P$ è sconosciuta e deve essere stimata da un campione finito, rendendo composita l'ipotesi nulla.
2. L'obiettivo inferenziale è certificare un ritorno a una distribuzione precedentemente osservata piuttosto che rilevare una deviazione da un modello nullo fisso.
3. La procedura deve rimanere valida sotto monitoraggio continuo e arresto opzionale (inferenza valida in qualsiasi momento), senza richiedere un orizzonte pre-specificato.

Metodologia
Gli autori propongono una procedura di test sequenziale, priva di distribuzione, basata sugli e-processi, che forniscono un controllo dell'errore valido in qualsiasi momento tramite super-martingale non negative. La metodologia procede come segue:

1. Modello dei Dati: I dati di baseline sono modellati come quasi-periodici. Le osservazioni sono raccolte ai tempi $t_{i,j}$ all'interno dei periodi, dove le funzioni quantili condizionali $f^{(\tau)}(t)$ esibiscono periodicità. Sotto l'intervento, la distribuzione può cambiare arbitrariamente, perdendo potenzialmente questa periodicità.
2. Misura di Discrepanza: Il metodo utilizza concetti di inferenza universale. Stima le funzioni quantili condizionali $\hat{f}^{(\tau)}$ dai dati di baseline utilizzando la regressione quantilica con B-spline. Per un nuovo vettore di osservazioni $x$, viene definita una statistica di discrepanza $T^{(\tau, -k)}(x, S)$ basata sul conteggio dei punti che eccedono i quantili stimati, confrontato con il conteggio atteso $(1-\tau)|S|$.
3. Calibrazione Empirica: A differenza degli e-processi tradizionali che si affidano a modelli nulli parametrici, questo metodo calibra l'e-processo empiricamente utilizzando solo i dati di baseline.
   • Un sottoinsieme casuale di indici $Z$ viene selezionato per calcolare una discrepanza massima $F(Z)$.
   • Una costante di normalizzazione $D_\gamma$ viene derivata come quantile campionario della distribuzione di queste discrepanze calcolate sui dati di baseline (utilizzando un approccio "leave-one-out" in cui ogni periodo di baseline viene tenuto fuori per la validazione).
   • Questa calibrazione assicura che il processo sia specifico per il soggetto e non richieda la specifica di un sotto-modello nullo.
4. Costruzione dell'E-Process: L'e-processo $M_t$ è costruito come un minimo corrente di termini di discrepanza scalati.
   • $M_t = \frac{1}{n} \sum_{k=1}^n M^{(-k)}_t$, dove ogni $M^{(-k)}_t$ è un minimo corrente.
   • La struttura del minimo corrente è scelta specificamente per garantire che, una volta osservati i dati della distribuzione nulla (baseline), il processo scenda immediatamente, permettendo il rilevamento del RtB senza il ritardo associato alle medie o ai prodotti mobili.
   • Il processo viene interrotto quando $M_t$ scende al di sotto di una soglia $1/\alpha$, certificando un RtB.

Contributi Chiave

• Formulazione: Il problema del RtB è esplicitamente formulato come un compito di test sequenziale per dati ad alta frequenza con distribuzioni di baseline sconosciute e arresto opzionale.
• E-Process con Calibrazione Empirica: Viene proposto un nuovo procedimento privo di distribuzione in cui l'e-processo è calibrato esclusivamente sui dati di baseline, evitando la necessità di modelli nulli parametrici.
• Limiti a Campione Finito: Il documento stabilisce limiti a campione finito per l'errore di calibrazione (Teorema 1). Questi limiti dipendono dalla quantità di dati di baseline ($n, p$), dalla regolarità delle funzioni quantili ($\beta$), dal numero di nodi spline ($d$), dalla dimensione del sottocampionamento ($s$) e da un parametro di gap ($\delta$). I limiti chiariscono i compromessi tra conservatività e potenza.
• Analisi Computazionale: Viene analizzata la complessità computazionale, in particolare riguardo alla scelta della dimensione del sottocampione $s$ e del numero di livelli quantilici.

Risultati

• Simulazioni: La procedura è stata testata su dati sintetici con diversi numeri di periodi di baseline ($n$), osservazioni per periodo ($p$) e dimensioni del sottocampione ($s$).
  • Il metodo ha rilevato accuratamente il RtB con alta probabilità (ad esempio, ~90% delle simulazioni ha rilevato il RtB con 0 o 1 unità di ritardo).
  • È stato dimostrato che il metodo è robusto alla scelta dei gradi di libertà ($df$) delle spline.
  • Il confronto con metodi alternativi (p-valori calibrati convertiti in e-valori e Bonferroni sequenziale) ha mostrato che l'e-processo proposto con calibrazione empirica supera l'approccio dell'e-valore calibrato (che perde potenza a causa della funzione calibratrice) e eguaglia l'approccio Bonferroni fornendo garanzie valide in qualsiasi momento senza un orizzonte pre-specificato.
• Caso Clinico: Il metodo è stato applicato a dati di monitoraggio materno-fetale (frequenza cardiaca fetale) dallo studio NIEM-O a seguito della somministrazione di corticosteroidi.
  • Utilizzando i dati di un singolo paziente, la procedura ha rilevato un ritorno alla baseline circa 35 ore dopo la somministrazione.
  • L'analisi è stata condotta su molteplici risoluzioni temporali (sotto-segmenti da 15 a 50 minuti), dimostrando la capacità multi-scala del metodo.
  • I risultati sono stati coerenti con le evidenze farmacocinetiche e con le analisi più grossolane della letteratura esistente, ma hanno offerto una risoluzione temporale più fine e un'inferenza specifica per il soggetto.

Significatività e Rivendicazioni
Il documento sostiene che la procedura proposta soddisfa con successo i rigorosi requisiti del monitoraggio moderno ad alta frequenza:

1. Specifico per il Soggetto: Si adatta alle baseline individuali senza fare affidamento su modelli parametrici di popolazione.
2. Valido in Qualsiasi Momento: Fornisce un controllo valido dell'errore di Tipo I sotto monitoraggio continuo e arresto opzionale tramite il framework dell'e-processo (disuguaglianza di Ville).
3. Robustezza: È privo di distribuzione e robusto rispetto agli outlier e alla specificazione errata del modello, poiché la calibrazione è empirica.
4. Assenza di Ritardo: L'uso di un minimo corrente consente un rilevamento immediato del ritorno alla baseline, evitando il ritardo inerente ad altri metodi sequenziali.

Gli autori osservano che, sebbene i limiti teorici si basino su assunzioni di regolarità (classe di Hölder) che non possono essere verificate nella pratica, la fase di calibrazione rimane valida anche se il modello è specificato in modo errato. Gli esperimenti numerici suggeriscono che la procedura è conservativa, il che implica che i limiti teorici potrebbero essere migliorati in lavori futuri. Il framework è inoltre presentato come estendibile a più segnali e covariate.