Extending the saemix package for R to fit non Gaussian outcomes

Nel mondo della ricerca clinica, gli scienziati spesso monitorano come le persone cambiano nel tempo. Potrebbero misurare il livello di un ormone nel sangue, contare quante volte un paziente avverte dolore o registrare se si è verificato un evento specifico, come una visita ospedaliera. Queste misurazioni non sono solo singoli istantanee; sono una storia che si svela nel corso di giorni, settimane o anni. Per dare un senso a questa storia, i ricercatori utilizzano un approccio statistico chiamato modelli a effetti misti non lineari. Pensate a questo come a un modo per tracciare un'unica curva fluida che rappresenti il viaggio medio di un intero gruppo, pur riconoscendo che ogni individuo segue un percorso leggermente diverso. Alcune persone guariscono più velocemente, altre più lentamente, e alcune sperimentano effetti collaterali che altri non hanno. La sfida sorge quando i dati monitorati non seguono un semplice schema a campana. Molte misurazioni biologiche si adattano a questa curva fluida, altre no. Il conteggio degli eventi, le risposte sì-o-no o i tempi fino al verificarsi di un evento creano dati irregolari e frastagliati che gli strumenti tradizionali faticano a interpretare.

Per anni, i ricercatori hanno avuto software potenti per gestire i dati fluidi e a campana, ma gli strumenti per i dati irregolari e frastagliati erano o costosi, o chiusi al pubblico, o difficili da usare. Un team di ricercatori guidato da Emmanuelle Comets, Maud Delattre e Belhal Karimi ha deciso di cambiare le cose ampliando le capacità di un pacchetto software gratuito e open-source chiamato saemix. Originariamente progettato per misurazioni continue, questo strumento è stato ora aggiornato per gestire i dati disordinati del mondo reale che si presentano sotto forma di conteggi, categorie e tempi di sopravvivenza. I ricercatori non si sono limitati a costruire lo strumento; lo hanno testato rigorosamente contro scenari complessi per garantire che potesse trovare le risposte vere nascoste nel rumore. Il loro lavoro fornisce un nuovo modo accessibile per modellare tutto, dalla diffusione delle infezioni alla frequenza dei problemi legati all'alcol, assicurando che i modelli unici dei singoli pazienti non vadano persi nella ricerca di una media generale.

Il cuore di questo lavoro risiede nell'algoritmo utilizzato dal software, noto come algoritmo SAEM. Immaginate di cercare il punto più alto in una vasta catena montuosa avvolta dalla nebbia. Non potete vedere l'intero paesaggio in una volta sola e il terreno è irregolare. L'algoritmo SAEM è un metodo per esplorare questo terreno passo dopo passo. Inizia con un tentativo, simula possibili percorsi attraverso la nebbia e poi affina il suo tentativo in base a ciò che apprende da queste simulazioni. Ripete questo processo, avvicinandosi sempre di più al picco reale, che rappresenta la descrizione più accurata dei dati. I ricercatori hanno esteso questo metodo affinché potesse navigare tra i picchi e le valli frastagliati dei dati non gaussiani — dati che non seguono una normale curva a campana. Ciò include i dati binari, dove l'esito è semplicemente sì o no, come se sia presente o meno un'infezione alle unghie. Copre anche i dati di conteggio, come il numero di volte in cui un paziente riferisce un sintomo specifico, e i dati "time-to-event", che tracciano quanto tempo occorre affinché accada qualcosa, come la ricorrenza di una malattia.

Per dimostrare che la loro estensione funzionasse, il team ha applicato il software aggiornato a dataset del mondo reale. Un esempio riguardava un trial clinico che confrontava due trattamenti per le infezioni fungine alle unghie. In questo studio, 294 pazienti sono stati monitorati per quasi un anno, con lo stato della loro infezione controllato in sette diverse visite. L'esito era binario: l'unghia era pulita o non lo era. I ricercatori hanno usato saemix per modellare come l'infezione si risolvesse nel tempo e se un trattamento funzionasse meglio dell'altro. Hanno scoperto che il software poteva stimare accuratamente il tasso con cui l'infezione si risolveva e l'effetto del trattamento, corrispondendo ai risultati di studi precedenti che utilizzavano software diversi e più costosi. Questa è stata una validazione significativa, dimostrando che lo strumento open-source poteva gestire la complessità dei trial medici in cui i pazienti rispondono diversamente alla stessa terapia.

Un altro caso di test ha riguardato uno studio sui problemi legati all'alcol tra gli studenti universitari. Questo dataset conteneva migliaia di misurazioni ripetute di quanti problemi gli studenti riportassero ogni sei mesi. I dati erano complicati perché un gran numero di studenti riportava zero problemi in molti momenti, creando un enorme picco nella parte bassa del grafico, mentre altri riportavano un numero variabile di problemi. I modelli standard spesso falliscono con tali dati perché non riescono a distinguere facilmente tra chi non ha mai problemi e chi li ha occasionalmente. I ricercatori hanno usato saemix per adattare tre diversi tipi di modelli a questi dati di conteggio. Hanno scoperto che i modelli progettati specificamente per gestire gli zeri in eccesso, come il modello di Poisson con inflazione di zeri (zero-inflated Poisson), fornivano un adattamento molto migliore rispetto a un modello standard. Il software ha catturato con successo il fatto che il numero di problemi diminuiva nel tempo e che gli uomini tendevano a riportare leggermente più problemi delle donne, il tutto tenendo conto della variabilità unica tra i singoli studenti.

Per essere assolutamente certi che il software fosse affidabile, il team non si è fermato agli esempi del mondo reale. Hanno creato uno studio di simulazione, generando essenzialmente migliaia di dataset finti in cui conoscevano già le risposte esatte. Hanno inserito questi scenari noti in saemix per vedere se il software potesse recuperare i valori reali. Nel caso dei dati binari, il software si è comportato eccezionalmente bene, recuperando i parametri reali con pochissimo errore. Anche introducendo maggiore complessità permettendo la variabilità individuale nel tasso di cambiamento, il software è rimasto stabile. I ricercatori hanno anche testato diversi punti di partenza per i calcoli per garantire che i risultati non fossero solo un colpo di fortuna basato su dove l'algoritmo fosse iniziato. La coerenza dei risultati in queste simulazioni ha dato loro la certezza che lo strumento sia robusto e pronto per essere utilizzato da altri scienziati.

Il documento affronta anche un limite pratico nel modo in cui viene misurata l'incertezza. In statistica, conoscere la risposta non basta; i ricercatori devono sapere quanto possono essere sicuri di quella risposta. Per i dati standard, questo viene solitamente calcolato con una formula che funziona bene. Tuttavia, per i tipi di dati irregolari su cui si concentra questo articolo, quella formula standard spesso fornisce risultati fuorvianti. I ricercatori hanno scoperto che un approccio diverso, chiamato bootstrapping, funzionava molto meglio. Questo metodo prevede il campionamento ripetuto dei dati molte volte per vedere quanto variano i risultati. Hanno dimostrato che l'uso di questa tecnica di ricampionamento in saemix forniva un quadro più accurato dell'incertezza, garantendo che quando un ricercatore afferma che un effetto del trattamento è significativo, tale affermazione sia supportata da prove solide.

Durante tutto il loro lavoro, gli autori hanno enfatizzato la flessibilità. Il pacchetto saemix aggiornato consente agli utenti di definire le proprie funzioni di verosimiglianza, che sono la regola matematica che descrive quanto sia probabile che un determinato set di dati si verifichi. Ciò significa che se un ricercatore incontra un nuovo tipo di dati o un processo biologico unico, non è vincolato a un modello preimpostato. Può scrivere le regole per la sua situazione specifica e il software gestirà il lavoro pesante dei calcoli. Questa flessibilità è un grande vantaggio rispetto ai software commerciali, che spesso limitano gli utenti a un set fisso di modelli. Il team ha anche migliorato gli strumenti visivi all'interno del pacchetto, consentendo ai ricercatori di creare grafici chiari che mostrano quanto bene il modello si adatta ai dati, aiutandoli a individuare eventuali debolezze o aree di miglioramento.

Le implicazioni di questo lavoro vanno oltre il semplice codice. Rendendo queste tecniche di modellazione avanzate liberamente disponibili e facili da usare, i ricercatori stanno abbassando la barriera per gli scienziati che vogliono analizzare dati longitudinali complessi. Che si tratti di monitorare la progressione di una malattia cronica, valutare l'efficacia di un intervento di sanità pubblica o comprendere la dinamica di un sistema biologico, la capacità di modellare accuratamente dati non standard è fondamentale. Il documento conclude che saemix è ora uno strumento potente e completamente open-source capace di gestire una vasta gamma di tipi di dati. Sebbene esistano ancora alcune limitazioni, come la difficoltà di gestire equazioni differenziali complesse all'interno del software, l'estensione rappresenta un passo avanti significativo. Offre un'alternativa affidabile, trasparente e flessibile per la comunità scientifica, assicurando che le storie nascoste nei dati irregolari possano finalmente essere raccontate con chiarezza e precisione.