Assessing survival models by interval testing with Poisson-binomial distributions

技術要約：ポアソン・二項分布を用いた区間テストによる生存モデルの評価

問題提起
医薬品の承認申請、特に医療技術評価（HTA）においては、適切なパラメトリック生存モデルを選択することが、経済評価や試験期間を超えた治療効果の補外（エクストラポレーション）を行う上で極めて重要である。標準的なパラメトリックモデル、柔軟なスプラインベースのモデル、外部データ統合モデルなど、利用可能なモデリング手法が増加している一方で、モデル選択は依然として困難な課題となっている。現在の標準的な実務は、AIC（赤池情報量基準）、BIC（ベイズ情報量基準）、および主観的な専門家の意見に大きく依存している。本論文は、これらの手法が主に相対的な適合度の比較を提供するのみであり、「検討されているすべてのモデルが観測データと矛盾しているか」という洞察を提供できていないと主張している。さらに、これらの手法は、長期的な補外の妥当性を評価するために不可ップ欠な、適合したモデルが性能を低下させている特定の時間区間を特定することもできない。

手法
著者らは、生存データを時間区間にグループ化し、適合したモデルから導出された期待イベント数に対して観測されたイベント数を評価することに基づく、適合度検定フレームワークを提案している。

1. 区間の構築:

   • 検閲定義区間: 区間は、右検閲された観測値の固有の時間（$t'_{j,0}$）によって定義される。このアプローチは、Akritas (1988) に基づいており、サブ区間 $(t'_{j-1,0}, t'_{j,0}]$ を作成する。
   • 指定区間: 著者らは、ユーザー定義の区間（例：最後の検閲までの間に等間隔で配置された10個の区間）を許容するようにこの手法を拡張している。これらの指定区間（$V_k$）は、検閲時刻とユーザー定義の境界を結合することで、一連のサブ区間（$I'_i$）を作成する。

2. 統計分布:

   • モデル $M(\beta)$ がイベント発生プロセスを正しく記述しているという帰無仮説の下では、任意の区間におけるイベント数はポアソン・二項分布を用いてモデル化される。
   • 特定の区間において、イベント数は、区間の開始時点まで生存している患者数 $N_{risk}$ と、その区間内でイベントが発生する確率 $p$ を持つ二項分布 $Binomial(N_{risk}, p)$ に従う。
   • 指定された区間内でサブ区間を集計する場合、異なる確率を持つ独立した二項分布の和は、ポアソン・二項分布に従う。このアプローチは、従来のカイ二乗検定（例：Akritas）で必要とされる漸近正規性の仮定を回避するものである。

3. 検定統計量:

   • 個別区間検定: 各区間に対してp値が計算される。著者らは再現性のために「中間点p値（midpoint p-values）」を利用しているが、「ランダム化p値（randomized p-values）」についても理論的な一様性の観点から言及している。
   • ボンフェローニ検定: ファミリーワイズエラー率を強力に制御するために使用される。p値が区間の数に対して極端な場合（非常に低い、または非常に高い場合）、その区間はフラグが立てられる。
   • 変換フィッシャー検定 (TFT): 連続的な検定統計量（$T_{cont} = -2 \sum \log(U_j)$）であり、極端な値（高値と低値の両方）の異常な集中を検出するためにp値を集計し、$\chi^2$ 分布に従う。
   • 極小区間に対する保護 (PAVSI): 離散的な検定統計量（$T_{pavsi}$）であり、p値が中央95%の外側（すなわち、$p < 0.025$ または $p > 0.975$）に落ちる区間の数をカウントする。この統計量は二項分布に従い、単一の極端に極端なp値の影響を軽減するように設計されている。

主な貢献と結果

• 局所的な不適合の特定: AIC/BICとは異なり、提案された手法はモデルが適合しない特定の時間区間を強調し、モデル選択や補外の妥当性に関する実行可能な洞察を提供する。
• シミュレーションによる検証: 12のシナリオ（患者数とデータの成熟度が異なる）を含むシミュレーション研究が、各シナリオにつき10,000回の反復試行で行われた。
  • 第一種の過誤の制御: ランダム化p値を用いた場合、検閲定義区間アプローチと10個の等間隔区間アプローチの両方が、公称の5%レベルに近い経験的な第一種の過誤率を維持した。
  • 中間点p値: 実用的な適用において推奨される中間点p値を使用した場合、検閲定義区間アプローチは非常に保守的となり（第一種の過誤がしばしば0または2%未満）、特にデータが未成熟な場合のTFT統計量において顕著であった。対照的に、10個の等間隔区間アプローチはより優れた性能を示し、第一種の過誤率は一般に0.02から0.05の範囲にあり、患者数が増えるにつれて公称レベルに近づいた。
• 適用例:
  • 例1（指数モデル）: ボンフェローニによる棄却を通じて、視覚的な確認だけでは見逃される可能性のある、曲線の裾（補外領域）における適合不良を検出できることを示した。
  • 例2（HTAシナリオ）: 7つのパラメトリックモデルを比較した。検閲定義アプローチは、区間サイズが小さいために適合不良を検出できなかったが、10個の等間隔アプローチは7つのうち6つのモデルで有意な不適合を特定し、より柔軟なモデル（例：スプライン）の選択を導いた。

意義と主張
本論文は、提案されたポアソン・二項区間検定法が、以下の点で古典的なアプローチよりも大幅な進歩をもたらすと主張している。

1. 漸近的仮定の除去: カイ二乗検定に内在する漸近正規性の仮定に依存しないため、より小さなサンプルサイズや複雑な検閲パターンにも適している。
2. 粒度の高い診断能力: 相対的なモデルのランキングを超えて、絶対的な適合度評価を提供し、時間の経過とともにモデルがデータとどのように矛盾するかを具体的に特定する。
3. 実用的な有用性: 著者らは、実世界のシナリオ（提供されたHTAの例のような）において、第一種の過誤の制御と不適合の検出能力のバランスをとるために、10個の等間隔区間アプローチと中間点p値を組み合わせて使用することを推奨している。

著者らは、本手法は初期のモデル概要把握および棄却のための堅牢なツールではあるものの、単独の決定基準としてではなく、AIC/BICなどの他の指標や視覚的確認と併用して使用されるべきであると結論付けている。また、本手法は区間選択戦略に合わせて柔軟に変更可能であり、リスクスコアモデルにも拡張可能であると述べている。