Robust evaluation of treatment effects in longitudinal studies with truncation by death or other intercurrent events

Dit artikel introduceert de 'Pairwise Last Observation Time' (PLOT) methode, een robuuste en modelvrije aanpak voor het evalueren van behandelingseffecten in longitudinale studies met intercurrente gebeurtenissen zoals overlijden, die zonder structurele aannames werkt door patiënten te vergelijken op het laatste meetpunt voorafgaand aan een dergelijke gebeurtenis.

De kern

De "Laatste Gezamenlijke Moment"-Methode: Een Nieuwe Manier om Geneesmiddelen te Testen

Stel je voor dat je twee teams van renners hebt die een lange marathon lopen. Je wilt weten welk team de beste schoenen draagt. Maar er is een probleem: sommige renners vallen uit, raken gewond, of besluiten halverwege om van team te wisselen. In de medische wereld noemen we deze gebeurtenissen "tussentijdse gebeurtenissen" (zoals overlijden, stoppen met een medicijn, of uitvallen van een studie).

Hoe meet je dan of de schoenen echt helpen, als je niet weet hoe de renners zouden hebben gelopen als ze niet waren uitgevallen?

Het Oude Probleem: Het "Wat-Zou-Gebeurd-Zijn"-Dilemma

Vroeger probeerden wetenschappers dit op twee manieren op te lossen, maar beide hadden grote nadelen:

1. De "Dromer" (Hypothetische modellen): Ze dachten: "Stel je voor dat niemand was uitgevallen. Hoe zouden ze dan hebben gelopen?" Dit is een mooi verhaal, maar het is gebaseerd op pure fantasie. Je kunt het niet controleren, en als je de verkeerde aannames maakt, is je conclusie fout.
2. De "Overlevenden" (Selectie): Ze keken alleen naar de renners die de finish haalden. Het probleem? Misschien zijn de renners in Team A juist sneller uitgevallen omdat ze het te goed deden en hun schoenen te strak waren, terwijl de slechte renners in Team B gewoon doorgingen. Als je alleen naar de finishlopers kijkt, kun je denken dat Team B beter is, terwijl dat alleen komt omdat de slechte renners er nog zijn.

De Nieuwe Oplossing: PLOT (Pairwise Last Observation Time)

De auteurs van dit paper, Georgi, Kelly en Stijn, hebben een slimme, nieuwe manier bedacht. Ze noemen het PLOT.

Stel je voor dat je elke renner uit Team A koppelt aan een renner uit Team B die precies hetzelfde profiel heeft (zelfde leeftijd, gewicht, ervaring). Je laat ze samen lopen.

De slimme truc:
Je kijkt niet naar het einde van de race. Je kijkt naar het laatste moment waarop beide renners nog samen aan het lopen waren.

• Als renner A op kilometer 20 valt en renner B op kilometer 30, dan kijk je naar hun prestatie op kilometer 20.
• Op dat moment waren ze beide nog in de race. Je vergelijkt hun snelheid op dat exacte moment.

Dit is de kern van de PLOT-methode: Je vergelijkt mensen op het laatste moment dat ze beide nog "in leven" (of in de studie) waren. Je hoeft niet te raden wat er daarna zou gebeuren. Je kijkt gewoon naar de feiten die je echt hebt.

Waarom is dit zo goed?

1. Geen fantasie: Je hoeft niet te speculeren over wat er zou gebeuren als niemand was uitgevallen. Je kijkt naar wat er echt is gebeurd tot het moment dat iemand uitviel.
2. Eerlijke vergelijking: Omdat je kijkt naar het moment dat beide nog meededen, is het een eerlijke race. Je vergeet niet dat renner A misschien eerder uitviel, maar je vergelijkt ze wel op een moment waarop ze beide nog konden presteren.
3. Robuust: Zelfs als de statistische aannames niet perfect zijn (zoals bij de oude methoden), werkt deze methode nog steeds goed. Het is als een auto die ook rijdt als je banden een beetje leeg zijn, terwijl de oude methoden dan plat liggen.

Een Voorbeeld uit de Wereld: De DEVOTE-studie

De auteurs hebben hun methode getest op een echte grote studie met diabetespatiënten.

• Het doel: Kijken welk type insuline (IDeg of IGlar) zorgt voor minder ernstige suikerdalingen (hypoglykemie).
• Het probleem: Sommige patiënten stierven of vielen uit voordat de studie klaar was.
• Het resultaat: Met hun nieuwe PLOT-methode zagen ze duidelijk dat het ene type insuline beter werkte dan het andere. De oude methoden gaven ook een resultaat, maar die waren ofwel te onzeker (te brede marge) of gebaseerd op twijfelachtige aannames. De PLOT-methode gaf een duidelijk, betrouwbaar antwoord zonder veel "wat-als"-gedoe.

Conclusie

Deze paper introduceert een manier om medicijnen te testen die minder afhankelijk is van fantasie en meer kijkt naar de harde realiteit. Door mensen te vergelijken op het laatste moment dat ze beide nog deelnamen, krijgen artsen en toezichthouders een eerlijker beeld van wat een medicijn echt doet, zelfs als mensen halverwege uitvallen.

Het is alsof je een wedstrijd oordeelt niet op wie als eerste de finish haalt, maar op wie op elk moment van de race het beste presteerde, zolang ze maar beide nog meededen.

Technische samenvatting

Hier is een gedetailleerde technische samenvatting van het artikel "Robust Evaluation of Treatment Effects in Longitudinal Studies with Truncation by Death or Other Intercurrent Events" in het Nederlands.

Titel

Robuuste evaluatie van behandelingseffecten in longitudinale studies met truncatie door overlijden of andere intercurrente gebeurtenissen.

1. Het Probleem

In gerandomiseerde klinische trials (RCT's) worden vaak intercurrente gebeurtenissen (ICE's) waargenomen, zoals het wisselen van behandeling, het gebruik van reddingsmedicatie, uitval (dropout) of overlijden (truncatie by death). Deze gebeurtenissen vinden plaats na de start van de behandeling maar vóór de meting van het eindpunt.

• Intention-to-Treat (ITT) analyse: Traditionele ITT-analyses worden hierdoor vertekend. Een gunstige behandeling kan bijvoorbeeld ongunstig lijken in een ITT-analyse als patiënten in de controlegroep verslechteren en daardoor vaker naar een succesvolle reddingsbehandeling worden verwezen.
• Bestaande methoden en hun beperkingen:
  • Hypothetische schattingen (Estimands): Deze proberen te beantwoorden wat het effect zou zijn geweest als ICE's niet waren opgetreden. Ze vereisen echter vaak oncontroleerbare aannames over de onderliggende mechanismen.
  • Primaire strata (Principal Stratum) en SACE (Survivor Average Causal Effect): Deze richten zich op subgroepen (bijv. mensen die onder elke behandeling zouden overleven). Het probleem is dat deze groepen op baseline niet identificeerbaar zijn en de schattingen zeer gevoelig zijn voor schendingen van de "positivity" (de kans dat iemand in een bepaalde stratum terechtkomt is bijna nul onder bepaalde omstandigheden).
  • LOCF (Last Observation Carried Forward): Vergelijkt waarden op verschillende tijdstippen, wat leidt tot selectiebias als de tijd tot ICE verschilt tussen de behandelingsgroepen.

De auteurs stellen dat bestaande methoden vaak te afhankelijk zijn van sterke structurele aannames en gevoelig zijn voor ongemeten confounding, wat de robuustheid van de conclusies in regulatorische contexten ondermijnt.

2. Methodologie: PLOT en CPLOT

De auteurs introduceren een nieuwe aanpak die zich baseert op het vergelijken van behandelde en onbehandelde individuen op het laatste gemeenschappelijke tijdstip waarop beiden nog geen ICE hebben ondergaan.

• Pairwise Last Observation Time (PLOT) schattingen:

  • Het idee is om twee willekeurige individuen te koppelen (één behandeld, één onbehandeld) en hun uitkomsten te vergelijken op het tijdstip $t^* = \min(T_1, T^*_0, t)$, waarbij $T_1$ en $T^*_0$ de tijdstippen zijn waarop respectievelijk de behandelde en de onbehandelde persoon een ICE ondergaat.
  • Dit zorgt ervoor dat de vergelijking "synchronisch" is: beide individuen worden vergeleken op een moment waarop ze beiden nog in de studie waren en geen ICE hadden ondergaan.
  • Dit voorkomt dat het behandelingseffect wordt vervormd door verschillen in overlevingstijd of tijdstippen van ICE's tussen de groepen.

• Conditional PLOT (CPLOT):

  • Om selectiebias te minimaliseren, worden de paren niet willekeurig gekozen, maar gematched op baseline covariaten ($L$).
  • De schatting $\Phi_t$ vergelijkt de uitkomsten binnen paren met dezelfde baseline kenmerken.
  • Dit leidt tot een robuustere vergelijking die minder gevoelig is voor ongemeten confounding dan PLOT, hoewel het theoretisch nog steeds vatbaar kan zijn voor een vorm van residual selection bias (die de auteurs aantonen verwaarloosbaar klein is onder standaard omstandigheden).

• Schatting en Inferentie:

  • De auteurs ontwikkelen asymptotisch efficiënte, modelvrije schatters (model-free estimators).
  • Ze gebruiken Data-Adaptive Nuisance Parameter Estimation (o.a. Super Learner en Survival Random Forests) in combinatie met Cross-Fitting om overfitting te voorkomen en de convergentie-eisen te voldoen.
  • De methode maakt gebruik van Efficient Influence Functions (EIF) om betrouwbare standaardfouten en betrouwbaarheidsintervallen te construeren, zelfs bij complexe, niet-lineaire modellen.

3. Belangrijkste Bijdragen

1. Nieuwe Estimand: Introductie van PLOT en CPLOT, die het probleem van ICE's aanpakken zonder extrapolatie naar onwaarneembare post-ICE uitkomsten (in tegenstelling tot hypothetische schattingen).
2. Identificatie zonder sterke aannames: PLOT/CPLOT zijn geïdentificeerd onder randomisatie en consistentie alleen, zelfs bij ernstige schendingen van de positiviteit (positivity violations).
3. Robuustheid: De methode is minder gevoelig voor ongemeten confounding en schendingen van structurele aannames dan SACE of IPCW (Inverse Probability Censoring Weighting) methoden.
4. Interpretatie: De auteurs tonen aan hoe CPLOT kan worden omgezet naar een schatting van het hypothetische behandelingseffect (onder bepaalde aannames) of een SACE-interpretatie, maar met veel kleinere variantie dan traditionele SACE-schattingen.
5. Flexibiliteit: De methode werkt voor continue, binaire en telbare uitkomsten en is toepasbaar op zowel RCT's als observationele studies (mits adequate aanpassing voor confounding).

4. Resultaten

De auteurs evalueren de methode via uitgebreide simulaties en een toepassing op de DEVOTE-trial (een cardiovasculaire trial bij type 2-diabetes).

• Simulaties:

  • In scenario's met time-varying confounding en near-positivity violations (waarbij bestaande methoden zoals SACE en IPCW faalden of grote bias vertoonden), leverden de PLOT/CPLOT-schattingen onbevooroordeelde resultaten met een dekking van 95% betrouwbaarheidsintervallen die dicht bij het nominale niveau lag.
  • De variantie van de CPLOT-schatting was aanzienlijk lager dan die van SACE en IPCW.
  • Zelfs wanneer de null-hypothese (geen behandelingseffect) niet strikt waar was door niet-lineaire effecten, was de bias klein en kleiner dan bij alternatieve methoden.

• Toepassing op DEVOTE-trial:

  • Doel: Vergelijking van insuline degludec (IDeg OD) versus insuline glargine (IGlar OD) op het aantal ernstige hypoglykemie-episoden, gecorrigeerd voor overlijden en uitval.
  • Resultaat: De CPLOT-schatting toonde een significant gunstig effect voor IDeg OD (reductie van het aantal episodes met ongeveer 0,043 per persoon, $p=0.0007$).
  • Vergelijking: Traditionele SACE-schattingen leverden een vergelijkbaar punt-schatting op, maar met een extreem breed betrouwbaarheidsinterval (onbruikbaar). De PLOT-methode leverde een veel nauwkeuriger schatting op.
  • De resultaten waren consistent met LOCF en "survivors-only" analyses, maar de PLOT-methode biedt een geldigere causale interpretatie zonder de aanname dat overleving en toewijzing onafhankelijk zijn.

5. Betekenis en Conclusie

Deze paper biedt een robust, datagedreven alternatief voor de evaluatie van behandelingseffecten in de aanwezigheid van complexe intercurrente gebeurtenissen.

• Regulatorische relevantie: De methode vermijdt de "what-if" redenering van hypothetische estimands, wat vaak als minder relevant wordt gezien voor de evaluatie van een medicijn in zijn huidige vorm.
• Stabiliteit: Door dichter bij de waargenomen data te blijven en minder te extrapoleren, reduceert de methode de invloed van oncontroleerbare structurele aannames.
• Efficiëntie: De voorgestelde schatters zijn asymptotisch efficiënter dan bestaande methoden zoals IPCW en SACE, wat leidt tot smaller betrouwbaarheidsintervallen en meer betrouwbare conclusies.

Kortom, de PLOT/CPLOT-methode lost het dilemma op tussen de noodzaak om ICE's te corrigeren en de onmogelijkheid om betrouwbare aannames te maken over wat er zou zijn gebeurd als deze ICE's niet waren opgetreden.