Accounting for overdispersion and clustering in binomial data from N-of-1 trials

Sintesi Tecnica: Gestione della Sovradispersione e del Clustering nei Dati Binomiali da Trial N-of-1

Definizione del Problema
I trial N-of-1 sono esperimenti crossover, randomizzati, in doppio cieco e centrati sul paziente, progettati per valutare gli interventi per singoli pazienti con condizioni croniche. Sebbene l'obiettivo primario sia determinare l'efficacia per un paziente specifico, esiste un valore significativo nel raggruppare i risultati di un insieme di trial N-of-1 per ottenere stime di efficacia a livello di popolazione e per valutare il successo dell'individualizzazione del trattamento. Tuttavia, i metodi statistici standard per il raggruppamento di dati binomiali spesso non riescono a tenere conto di due caratteristiche critiche inerenti ai design N-of-1:

1. Sovradispersione: La varianza degli esiti binari spesso supera la relazione media-varianza prescritta dalla distribuzione binomiale standard.
2. Clustering Gerarchico: Le misurazioni sono correlate all'interno dei pazienti a causa di episodi di trattamento ripetuti (correlazione intra-paziente).

Sebbene siano stati proposti metodi bayesiani in questo contesto, in particolare per esiti binari, manca un approccio frequentista che affronti rigorosamente simultaneamente sia la sovradispersione che il clustering. Questo articolo affronta tale lacuna presentando e confrontando due strategie analitiche frequentiste per il raggruppamento di dati binomiali da trial N-of-1.

Metodologia
Gli autori propongono due distinti approcci frequentisti per stimare la proporzione aggregata ($\theta$) di preferenza o successo del trattamento.

• Metodo 1: Approccio di Quasi-Verosimiglianza (QL) (Solo Sovradispersione)
  Questo metodo modella i dati utilizzando una distribuzione Beta-Binomiale per tenere conto della sovradispersione ($\rho$), ma tratta i pazienti come unità indipendenti rispetto alla struttura di clustering.

  • Modello: $X_j \sim \text{BetaBinom}(n_j, \theta, \rho)$, dove $X_j$ è il numero di successi per il paziente $j$ su $n_j$ episodi.
  • Stima: La proporzione aggregata $\theta$ è stimata utilizzando uno stimatore di quasi-verosimiglianza: $\hat{\theta}_{QL} = \frac{\sum c_j X_j}{\sum c_j n_j}$, dove i pesi $c_j$ dipendono dal parametro di sovradispersione $\rho$.
  • Stima della Varianza: Gli errori standard sono derivati dal metodo Jackknife per garantire la coerenza.
  • Stima di $\rho$: Il documento valuta diversi stimatori per il parametro di correlazione intra-cluster (ICC) $\rho$, tra cui l'Analisi della Varianza (AOV), Fleiss-Cuzick (FC), Pearson (PE), Extended Quasi-Likelihood (EQL), Pseudo-Likelihood (PL) e il Metodo dei Momenti (MM). Gli autori osservano che le formule di varianza a forma chiusa per alcuni stimatori (come AOV) possono produrre valori negativi o bias, portandoli a fare affidamento sulla stima della varianza basata su Jackknife per il confronto.

• Metodo 2: Approccio a Effetti Casuali (Sovradispersione e Clustering)
  Questo metodo, adattato da Molenberghs et al., utilizza un modello gerarchico a effetti casuali per tenere conto simultaneamente della sovradispersione e della correlazione tra le misure ripetute all'interno dei pazienti.

  • Modello: $X_j \sim \text{Binom}(n_j, \theta_j)$, dove $\theta_j = \pi_j \kappa_j$. Qui, $\pi_j$ (modellato tramite una distribuzione Beta) tiene conto della sovradispersione residua, e $\kappa_j$ (un effetto casuale derivato da una distribuzione normale) tiene conto del clustering gerarchico.
  • Stima: I parametri sono stimati tramite Massima Verosimiglianza (ML) utilizzando l'integrazione numerica. La stima aggregata finale è derivata dal prodotto dei valori attesi delle componenti casuali: $\hat{\theta} = \hat{E}(\pi_j) \times \hat{E}(\kappa_j)$.
  • Approssimazione: L'aspettativa della funzione sigmoide della variabile casuale normale è approssimata utilizzando una CDF normale standard con un fattore di scala ($\lambda \approx 0.588$).

Studio di Simulazione e Risultati
Gli autori hanno condotto uno studio di simulazione con 1.000 iterazioni per confrontare le prestazioni di questi metodi sotto diversi scenari di proporzione reale ($\theta$) e sovradispersione ($\rho$), con variabili dimensioni campionarie ($J$ pazienti e $n_j$ episodi).

• Prestazioni degli stimatori di $\rho$: Lo stimatore Extended Quasi-Likelihood (EQL) per $\rho$ nel Metodo 1 ha mostrato un elevato Errore Quadratico Medio (MSE) e bias, particolarmente quando $\theta = 0.50$. Tuttavia, nonostante la scarsa prestazione dello stimatore EQL per $\rho$, la stima della proporzione aggregata ($\hat{\theta}$) risultante ha performato in modo comparabile o talvolta migliore rispetto ad altri stimatori. Gli autori attribuiscono ciò a un effetto di cancellazione in cui il bias in $\hat{\rho}$ riduce il contributo della varianza del termine $\rho$ nell'espansione del metodo Delta di $\text{Var}(\hat{\theta})$.
• Prestazioni del Metodo 1 vs. Metodo 2:
  • MSE: Gli stimatori del Metodo 1 hanno generalmente mostrato MSE stabili. Il Metodo 2 ha mostrato MSE competitivi in alcuni scenari, ma ha performato peggio quando $\theta = 0.75$.
  • Probabilità di Copertura: Il Metodo 1 ha mantenuto probabilità di copertura vicine al livello nominale del 95% in tutti gli scenari. Il Metodo 2 (Effetti Casuali) ha mostrato una copertura significativamente scarsa (fino a circa il 78%) quando $\theta = 0.75$. Gli autori attribuiscono questo alla distribuzione di campionamento asimmetrica delle stime di varianza nei Modelli Lineari Generalizzati a Effetti Misti (GLMM), che rende inappropriati gli intervalli di confidenza simmetrici in tali scenari specifici.
• Effetti della Dimensione Campionaria: L'aumento del numero di pazienti ($J$) ha ridotto l'MSE più efficacemente rispetto all'aumento del numero di episodi per paziente ($n_j$).

Applicazioni su Dati Reali
I metodi sono stati applicati a tre dataset di trial N-of-1 del mondo reale:

1. Amitriptilina per la Fibromialgia: Tutti i metodi hanno prodotto stime aggregate di preferenza simili ($\hat{\theta} \approx 0.67$). Non è stata rilevata una sovradispersione significativa (gli intervalli di confidenza per $\rho$ includevano lo zero).
2. FANS vs. Paracetamolo per l'Osteoartrite: I risultati sono stati coerenti tra i metodi ($\hat{\theta} \approx 0.42$ per il punteggio totale del diario). Non è stata trovata alcuna sovradispersione significativa.
3. Teofillina per CAL Irreversibile: Le stime aggregate sono state coerenti ($\hat{\theta} \approx 0.51$). Anche in questo caso, non è stata rilevata alcuna evidenza significativa di sovradispersione.

In tutti gli esempi di dati reali, le stime puntuali della proporzione aggregata sono state notevolmente coerenti tra i diversi metodi, nonostante le variazioni nei parametri di sovradispersione stimati.

Significatività e Rivendicazioni
L'articolo sostiene di fornire i primi metodi basati sulla frequenza per il raggruppamento di dati binomiali da trial N-of-1 che affrontano esplicitamente la sovradispersione e il clustering gerarchico.

• Contributo Metodologico: Gli autori introducono un framework di quasi-verosimiglianza per la sovradispersione e adattano un framework a effetti casuali per la gestione simultanea di sovradispersione e clustering.
• Distinzione Interpretativa: Il documento evidenzia una differenza concettuale tra i due metodi. Il Metodo 1 produce stime "medie della popolazione" (PA), mentre il Metodo 2 produce stime "specifiche per il soggetto" (SS). Dato che i trial N-of-1 sono intrinsecamente focalizzati sulle differenze individuali, gli autori suggeriscono che l'interpretazione del Metodo 2 (SS) possa essere leggermente più appropriata per il contesto N-of-1, nonostante la sua complessità computazionale e i problemi occasionali di copertura.
• Utilità Pratica: Lo studio dimostra che, sebbene la stima del parametro di sovradispersione ($\rho$) possa essere instabile (particolarmente con EQL), la stima della proporzione aggregata ($\hat{\theta}$) risultante è robusta attraverso diverse strategie di stima. Concludono che, per applicazioni pratiche, la scelta del metodo può dipendere dal fatto che l'obiettivo inferenziale sia a livello di popolazione o individuale, e che il Metodo 1 offre un'alternativa più semplice e robusta quando le proprietà di copertura del Metodo 2 sono oggetto di preoccupazione.