Can Predictive Modeling Inform the Selection of Time Zero for Target Trial Emulations? An Empirical Study of Atorvastatin Initiation in Medicare Beneficiaries

Sintesi Tecnica: La modellazione predittiva può informare la selezione del "tempo zero" per le emulazioni di trial target?

Problema
Nella ricerca farmacoepidemiologica che utilizza dati del mondo reale (RWD) per emulare i target trial, una sfida critica nel design consiste nel definire l'evento di "tempo zero". Questo evento ancora la valutazione dell'eleggibilità, la classificazione dell'esposizione e l'inizio del follow-up. Per gli studi sull'inizio della terapia farmacologica, un evento di tempo zero valido deve soddisfare tre condizioni: (1) una forte associazione con l'indicazione clinica per il trattamento; (2) una probabilità ragionevolmente alta di effettivo inizio del trattamento; e (3) misurabilità con sufficiente precisione temporale nei dati amministrativi.

Gli autori sostengono che fare affidamento esclusivamente sulle linee guida cliniche o sulla conoscenza teorica sia insufficiente perché i dati amministrativi spesso mancano della granularità necessaria per confermare che un evento clinico specifico (ad esempio, una diagnosi) porti all'inizio del trattamento per tutti i pazienti. L'eterogeneità nell'aderenza dei pazienti, nelle preferenze o nelle controindicazioni non misurate può risultare in una bassa probabilità di inizio o in differenze significative tra coloro che iniziano il trattamento e coloro che non lo fanno. Ciò introduce un bias di channeling e un confondimento residuo, minando la validità interna dell'emulazione. Lo studio affronta la necessità di un metodo empirico per identificare eventi di tempo zero che soddisfino simultaneamente questi tre criteri.

Metodologia
Lo studio ha impiegato un disegno di coorte retrospettiva utilizzando i dati dei rimborsi Medicare fee-for-service (Parti A, B e D) dal 1° gennaio 2018 al 31 dicembre 2019.

• Popolazione dello studio: La coorte includeva 4.071.007 beneficiari Medicare naïve per quanto riguarda le statine, con età ≥65 anni, con ≥12 mesi di copertura continua e nessun consumo di statine nei 12 mesi precedenti.
• Definizione di esposizione: La data indice è stata definita come la prima richiesta di erogazione farmaceutica per un nuovo inizio di terapia farmacologica orale. I pazienti sono stati classificati come "iniziatori di atorvastatina" (n=117.069) o "non iniziatori di atorvastina" (n=393.083, rappresentanti un campione casuale del 10% degli iniziatori di atorvastina eleggibili).
• Variabili predittive: Le variabili candidate sono state accertate durante il periodo di 6 mesi precedente la data indice. Queste includevano demografia, comorbidità (raggruppate in 552 categorie CCSR da codici ICD-10-CM), utilizzo delle risorse sanitarie (visite al pronto soccorso, ricoveri ospedalieri) e farmacoterapia (417 indicatori binari di farmaci).
• Approccio statistico: È stata utilizzata una procedura di selezione delle variabili pre-specificata in otto fasi per identificare i predittori indipendenti dell'inizio di atorvastatina:
  1. Gestione dei dati (gestione dei valori mancanti, dicotomizzazione, rimozione delle variabili rare).
  2. Screening per squilibrio (Differenza Media Standardizzata ≥ 0,1).
  3. Valutazione della collinearità (rimozione delle variabili con |r| > 0,8).
  4. Validazione della stabilità: Due indipendenti simulazioni Monte Carlo (1.000 campioni bootstrap di 10.000 osservazioni ciascuno) sono state eseguite utilizzando la regressione Adaptive LASSO e la regressione logistica backward stepwise. Le variabili selezionate in ≥80% delle replicazioni in entrambi i metodi sono state mantenute.
  5. Modellazione finale: Una regressione logistica multivariata è stata applicata con errori standard bootstrap. Le prestazioni del modello sono state valutate tramite la C-statistica (discriminazione) e i grafici di calibrazione.
  6. Predizione marginale: Le probabilità predette di inizio di atorvastatina sono state stimate per specifici profili di pazienti per valutare il criterio di "alta probabilità".
• Analisi di sensibilità: È stata condotta un'analisi ristretta su date indice occurring on or after July 1, 2018, per valutare i trend temporali.

Risultati chiave

• Identificazione dei predittori: Da un set iniziale di 1.532 variabili candidate, il rigoroso processo di selezione ha identificato 19 predittori significativi e indipendenti dell'inizio di atorvastatina.
• Predittori più forti: I due predittori più robusti sono stati i ricoveri ospedalieri per infarto cerebrale (Odds Ratio [OR] 11,29; 95% CI 10,47–12,17) e i ricoveri ospedalieri per infarto miocardico acuto (OR 6,56; 95% CI 5,92–7,27). Questi sono stati selezionati in quasi tutte le repliche bootstrap da entrambi i metodi di validazione.
• Probabilità di inizio:
  • Un uomo bianco con un recente infarto cerebrale ospedaliero aveva una probabilità predetta di inizio di atorvastatina del 69% (95% CI 68–70%).
  • Un uomo bianco con un recente infarto miocardico acuto ospedaliero aveva una probabilità predetta del 59% (95% CI 56–61%).
  • Al contrario, le stesse diagnosi registrate solo in ambito ambulatoriale hanno prodotto probabilità inferiori (41% e 44%, rispettivamente), e una diagnosi ambulatoriale di iperlipidemia ha fornito una probabilità del 34%.
• Prestazioni del modello: Il modello finale ha raggiunto una C-statistica di 0,78 con un'eccellente calibrazione.
• Analisi di sensibilità: I risultati sono rimasti coerenti quando limitati alla seconda metà del periodo di studio, confermando che i predittori identificati erano indipendenti dai trend stagionali o temporali.

Significatività e affermazioni
L'articolo afferma che la modellazione predittiva empirica fornisce un meccanismo sistematico per validare gli eventi di tempo zero per le emulazioni di target trial, andando oltre le assunzioni teoriche. Lo studio dimostra che ancorare il tempo zero alla dimissione ospedaliera a seguito di un ricovero per infarto miocardico o cerebrale acuto soddisfa i tre requisiti critici per un evento di tempo zero valido:

1. Indicazione clinica: Questi eventi sono fortemente associati all'indicazione raccomandata dalle linee guida per la terapia preventiva secondaria con statine.
2. Alta probabilità di inizio: I dati empirici confermano un'alta probabilità (circa il 60–70%) di effettivo inizio di atorvastina a seguito di questi specifici eventi ospedalieri.
3. Precisione temporale: Le date di dimissione ospedaliera sono registrate con precisione nei dati amministrativi.

Gli autori sostengono che l'utilizzo di questo evento di tempo zero derivato empiricamente dovrebbe mitigare il bias di channeling, il bias di selezione (inclusi il bias del tempo immortale) e il confondimento residuo nelle future emulazioni di target trial che valutano la sicurezza di atorvastina negli anziani. Sincronizzando l'eleggibilità, l'assegnazione del trattamento e il follow-up in un punto di alta probabilità di trattamento, i ricercatori possono creare gruppi più comparabili e migliorare la validità interna degli studi osservazionali sulla sicurezza dei farmaci. Lo studio riconosce i limiti, tra cui la mancanza di dati di laboratorio (ad esempio, livelli di LDL) e fattori di stile di vita, e osserva che è necessaria una validazione esterna in database indipendenti per confermare la trasportabilità di questi risultati.