Efficient Cumulative Incidence Estimation in Biobank Studies Using All Prevalent and Incident Events

Sintesi Tecnica: Stima Efficiente dell'Incidenza Cumulativa negli Studi di Biobank

Definizione del Problema
Il documento affronta la sfida di stimare la Funzione di Incidenza Cumulativa (CIF) per una specifica patologia utilizzando dati di biobank basati sulla popolazione. Gli studi di biobank reclutano tipicamente soggetti entro una specifica finestra di età $[R_L, R_U]$ (ad esempio, età compresa tra 40 e 69 anni nel UK Biobank) e li seguono prospetticamente. Questo disegno introduce due criticità statistiche fondamentali:

1. Troncamento a Sinistra: Gli individui vengono osservati solo se sopravvivono all'età di reclutamento $R_i$. Di conseguenza, l'incidenza deve essere stimata condizionatamente alla sopravvivenza a $R_L$, denotata come $G_1(t | T_2 > R_L)$.
2. Casi Prevalenti vs. Incidenti: I dati includono "casi prevalenti" (individui diagnosticati prima del reclutamento) e "casi incidenti" (diagnosticati dopo il reclutamento). Inoltre, la malattia non è terminale; gli individui possono morire dopo la diagnosi o rimanere in vita alla fine del follow-up.

I metodi esistenti non riescono a gestire efficientemente la combinazione di questi fattori. Lo stimatore di Aalen-Johansen (AJ) standard corretto per il troncamento a sinistra esclude i casi prevalenti, stimando efficacemente un target differente: la CIF condizionata all'assenza di malattia al momento del reclutamento ($G_1(t | T_1 > R_L, T_2 > R_L)$). I metodi di Inverse Probability Weighting (IPW), come quelli di Chang e Tzeng (2006), Vakulenko-Lagun et al. (2017) e Gorfine et al. (2025) (GZS), tentano di includere i casi prevalenti ma soffrono di limitazioni significative. Nello specifico, lo stimatore GZS assegna massa positiva solo ai casi di malattia in cui l'individuo è deceduto durante il periodo di follow-up. Ciò conduce a un sostanziale bias e inefficienza in scenari in cui la sopravvivenza dopo l'insorgenza della malattia è lunga (una caratteristica comune per malattie come il tumore al seno), poiché molti casi prevalenti e incidenti rimangono in vita alla fine dello studio e vengono quindi scartati dal metodo GZS.

Metodologia
Gli autori propongono un nuovo stimatore della CIF completamente non parametrico, denotato $\hat{G}_1(t^*_1)$, progettato per incorporare tutti i casi di malattia osservati (sia prevalenti che incidenti), indipendentemente dal fatto che l'individuo sia deceduto durante lo studio o sia sopravvissuto fino alla fine del follow-up.

Lo stimatore è costruito all'interno del modello illness-death (semi-competing risks), dove le transizioni avvengono da sano (0) a malato (1) e da malato (1) a morto (2), oppure direttamente da sano (0) a morto (2). Il nucleo del metodo proposto riguarda uno schema di ponderazione derivato dalla densità congiunta condizionata dei dati. Lo stimatore assume la forma:
$$\hat{G}_1(t^*_1) = \frac{1}{n} \sum_{i=1}^n \delta_{1i} I(V_{1i} \le t^*_1) \hat{Q}(V_{1i})$$
dove $\delta_{1i}$ indica l'insorgenza della malattia, $V_{1i}$ è il tempo osservato del primo evento (diagnosi o morte) e $\hat{Q}$ è una funzione di peso guidata dai dati.

Per garantire la coerenza, $\hat{Q}$ è scelto come l'inverso di una funzione stimata $\hat{B}(V_{1i})$, che tiene conto di:

• La distribuzione delle età di reclutamento condizionatamente alla sopravvivenza ($f_{R|R \le T_2}$).
• La funzione di sopravvivenza del decesso ($S_{T_2}$).
• La sopravvivenza condizionata del decesso data l'insorgenza della malattia ($S_{T_2|T_1}$).
• La distribuzione del tempo dal reclutamento alla censura ($S_W$).

La funzione di sopravvivenza condizionata $S_{T_2|T_1}$ è stimata utilizzando un approccio di regressione non parametrica basato su kernel (versione Nelson-Aalen dello stimatore di Beran). La larghezza di banda (bandwidth) del kernel è selezionata tramite una procedura di cross-validazione K-fold basata sui residui di martingala.

Contributi Chiave

1. Nuovo Stimatore: Il documento introduce il primo stimatore della CIF completamente non parametrico e consistente nel modello illness-death che utilizza tutti i casi di malattia, inclusi i casi prevalenti e coloro che sopravvivono al periodo di studio.
2. Proprietà Teoriche: Gli autori stabiliscono la coerenza e l'asintotica normalità del proposto stimatore. Forniscono formule esplicite per la funzione di influenza, consentendo la costruzione di intervalli di confidenza puntuali e bande di confidenza simultanee.
3. Guadagni di Efficienza: Incorporando i dati che i metodi precedenti scartano (specificamente i casi prevalenti e i sopravvissuti a lungo termine), il nuovo metodo raggiunge una efficienza sostanzialmente superiore, risultando in intervalli di confidenza più stretti.
4. Implementazione Software: È fornito un pacchetto R, illdthCIF1, per implementare lo stimatore proposto.

Risultati

• Studio di Simulazione: Gli autori hanno condotto estese simulazioni attraverso diversi scenari coinvolgenti differenti distribuzioni per l'insorgenza della malattia, il decesso e la censura.
  • In scenari con un follow-up breve rispetto alla sopravvivenza post-diagnosi (dove molti pazienti rimangono in vita), lo stimatore GZS ha mostrato un serio bias, sottostimando la CIF. Il proposto stimatore è rimasto ampiamente non distorto, con solo un leggero bias in configurazioni specifiche che diminuiva con l'aumentare della dimensione del campione.
  • In scenari con un follow-up lungo, lo stimatore GZS era non distorto, ma il proposto stimatore dimostrava una deviazione standard inferiore (maggiore efficienza).
  • Il metodo proposto ha fornito una copertura soddisfacente sia per gli intervalli di confidenza puntuali che per le bande di confidenza simultanee nella maggior parte degli scenari.
• Applicazione al UK Biobank: Il metodo è stato applicato ai dati su tumore al seno e altri tipi di cancro del UK Biobank (circa 250.000 partecipanti femminili).
  • Per il tumore al seno, dove la sopravvivenza post-diagnosi è spesso lunga, lo stimatore GZS ha sistematicamente sottostimato la CIF rispetto agli stimatori AJ e proposto.
  • Il proposto stimatore e lo stimatore AJ hanno prodotto stime puntuali simili per il tumore al seno, ma il metodo proposto ha fornito bande di confidenza significativamente più strette. Nello specifico, la larghezza media della banda di confidenza simultanea al 95% per il tumore al seno è stata ridotta da 0,0068 (AJ) a 0,0035 (proposto), rappresentando un guadagno di efficienza di quasi due volte.
  • Per i tumori con una sopravvivenza post-diagnosi più breve (es. polmone, leucemia), tutti e tre i metodi hanno prodotto stime simili, poiché i decessi sono stati osservati in modo più completo.

Significatività
Il documento afferma che la sua principale significatività risiede nel colmare un vuoto metodologico nell'analisi dei biobank. Sebbene i biobank offrano un potere senza precedenti per lo studio di malattie rare e endpoint a lunga latenza, gli stimatori standard o scartano dati prevalenti preziosi (AJ) o non tengono conto della lunga sopravvivenza dopo la diagnosi (GZS). Il metodo proposto consente la stima efficiente e consistente dell'incidenza della malattia condizionata alla sopravvivenza al reclutamento, utilizzando l'intero spettro di dati disponibili. Ciò è particolarmente cruciale per malattie come il tumore al seno, dove ignorare i casi prevalenti o i sopravvissuti a lungo termine porta a stime distorte o inefficienti. Gli autori sottolineano che il loro approccio allinea la stima con il vero estimando condizionato dei biobank, massimizzando al contempo l'efficienza statistica.