📊 statistics

Group Sequential Methods for the Win Ratio

Dit artikel stelt vast dat de aanname van onafhankelijke incrementen die vereist is voor klassieke groepssequentiële methoden standhoudt voor de winratio door de asymptotische covariantiestructuur ervan af te leiden, waardoor wordt aangetoond dat traditionele $\alpha$ -spendingfuncties geldig kunnen worden toegepast op gerandomiseerde trials die dit eindpunt gebruiken.

Oorspronkelijke auteurs: Tracy Bergemann, Tim Hanson

Gepubliceerd 2026-02-02

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Tracy Bergemann, Tim Hanson

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat je een rechter bent die een reeks head-to-head bokswedstrijden leidt tussen twee teams: Team A (de nieuwe behandeling) en Team B (de standaardzorg). In een traditionele medische studie zou je simpelweg tellen hoeveel mensen in elk team ziek werden of stierven. Maar in een Win Ratio-studie kijk je naar elke mogelijke koppeling tussen een lid van Team A en een lid van Team B.

Voor elk paar vraag je: "Wie presteerde beter?"

Als de patiënt van Team A een beter resultaat had (bijv. het ledemaat behouden, geen operatie nodig gehad), krijgt Team A een "Winst".
Als de patiënt van Team B beter presteerde, krijgt Team A een "Verlies".
Als ze hetzelfde presteerden, is het een "Gelijkspel".

De Win Ratio is simpelweg het totaal aantal Winsten gedeeld door het totaal aantal Verliezen. Als de ratio hoog is, wint Team A de meerderheid van deze confrontaties.

Het Probleem: De "Moving Target"

Stel je nu voor dat je een trial vroegtijdig wilt stoppen als Team A duidelijk aan het winnen is, in plaats van te wachten tot het allerlaatste moment. Dit wordt een Group Sequential Design genoemd. Je controleert de scorekaart op 50% van de tijd, dan op 75%, enzovoort.

Hier komt het lastige deel bij: in veel statistische methoden moet de "score" die je berekent op het 50%-punt wiskundig onafhankelijk zijn van de score die je berekent op het 75%-punt. Denk aan het gooien van dobbelstenen. Als je bij je eerste worp een 6 gooit, mag dat de kans op een 6 bij je tweede worp niet veranderen.

Echter, in een Win Ratio-studie wordt de wiskunde ingewikkeld. Wanneer je een nieuwe patiënt toevoegt aan de studie op het 75%-punt, vergelijk je die niet alleen met de nieuwe Team B-patiënten; je vergelijkt hen met iedereen in Team B, inclusief de mensen die je al eerder hebt bekeken. Dit creëert een "plakkerige" situatie waarbij de nieuwe score wiskundig verbonden is met de oude score.

Lange tijd maakten statistici zich zorgen dat omdat deze scores "plakkerig" waren (gecorreleerd), je niet de standaard, vertrouwde regels (genaamd Lan-DeMets alpha-spending) kon gebruiken om te beslissen wanneer je een trial voortijdig stopt. Ze dachten dat de regel van "onafhankelijke incrementen" werd geschonden, wat zou betekenen dat de standaardregels te veel valse alarmen zouden kunnen toestaan.

De Oplossing: De "Snapshot" Truc

De auteurs van dit artikel, Tracy Bergemann en Tim Hanson, stelden een simpele vraag: Wat als we de data alleen bekijken als een vaststaand snapshot?

Zij stelden een specifieke manier voor om de trial te draaien:

Vaste Tijd: Iedereen wordt gedurende een vaste periode gevolgd (bijv. 12 maanden).
Het Snapshot: Wanneer je een tussentijdse controle doet (bijv. na 6 maanden), tel je alleen de patiënten die hun volledige 12 maanden aan data hebben afgerond (of uitgevallen zijn). Je negeert iedereen die nog "in gang" is.
Geen Bewegende Delen: Omdat je alleen voltooide patiënten telt, is de data die je gebruikte voor de 6-maandencontrole exact dezelfde data die je gebruikte voor de 12-maandencontrole; je hebt alleen nieuwe voltooide patiënten aan de mix toegevoegd.

De Grote Ontdekking

De auteurs hebben zwaar wiskundig werk verricht (met behulp van iets dat U-statistieken wordt genoemd) om te bewijzen dat als je deze "snapshot"-methode gebruikt, de "plakkerige" correlatie op de lange termijn verdwijnt.

De Analogie:
Stel je voor dat je de hoogte van bomen in een bos telt.

De Oude Manier (Gecorreleerd): Je meet een boompje vandaag, en dan meet je het morgen opnieuw. De tweede meting wordt sterk beïnvloed door de eerste omdat het hetzelfde boompje is dat groeit.
De Manier van de Auteurs (Onafhankelijk): Je meet alleen bomen die hun volledige volwassen hoogte hebben bereikt. Wanneer je het bos na 6 maanden controleert, meet je de volwassen bomen. Na 12 maanden meet je dezelfde volwassen bomen plus nieuwe bomen die net klaar zijn met groeien. De "groei" van de nieuwe bomen verandert de hoogte van de oude bomen niet.

Ze bewezen dat onder deze omstandigheden de "score" bij de 6-maandencontrole en de "score" bij de 12-maandencontrole zich gedragen als onafhankelijke worpen met een dobbelsteen. Dit betekent dat je de standaard, vertrouwde regels (Lan-DeMets) kunt gebruiken om te beslissen wanneer je een trial voortijdig stopt.

Het Bewijs: Simulaties en Echte Data

Om er zeker van te zijn dat hun wiskunde niet slechts een theorie was, voerden ze twee tests uit:

Computersimulaties: Ze creëerden 10.000 nep-trials waarbij de nieuwe behandeling eigenlijk niet beter was dan de oude. Ze controleerden of de standaardregels het aantal "valse alarmen" laag hielden. Resultaat: Ja, de regels werkten perfect. De foutmarge bleef precies waar deze hoorde te zijn.
Check met Echte Data: Ze bekeken een echte eerdere trial genaamd IN.PACT SFA (een studie naar slagaderziekte in de benen). Ze heranalyseerden de data alsof ze de scoreboard halverwege de tijd hadden gecontroleerd. Resultaat: Als zij deze methode hadden gebruikt, zou de trial voortijdig zijn gestopt vanwege succes, omdat de nieuwe behandeling zo beslissend aan het winnen was.

De Kernboodschap

Dit artikel zegt: "Maak je geen zorgen over de complexe wiskunde van de Win Ratio. Als je je trial zo ontwerpt dat je alleen patiënten met volledige data telt bij elke controle, dan klopt de wiskunde. Je kunt de standaard, kant-en-klare software en regels gebruiken die artsen al vertrouwen om trials voortijdig te stoppen wanneer een behandeling duidelijk wint."

Wat zij NIET beweerden:

Zij zeiden niet dat dit werkt voor elke soort trial (specifiek voor trials waar patiënten "partiële" of onvolledige data hebben tijdens de tussentijdse controle, hoewel ze een simulatie draalden die suggereerde dat het daar ook zou werken, ze zeiden dat er meer onderzoek nodig is).
Zij hebben niet een nieuwe manier uitgevonden om de Win Ratio te berekenen; ze hebben alleen bewezen dat de regels voor het voortijdig stoppen van een trial van toepassing zijn.

Technische Samenvatting: Groepsequentiële Methoden voor de Win Ratio

Probleemstelling
De win ratio wordt steeds vaker gebruikt in gerandomiseerde klinische trials als primair eindpunt vanwege het vermogen om samengestelde uitkomsten met een hiërarchische klinische ernst te integreren en verschillende soorten data (bijv. tijd-tot-gebeurtenis, binair, tellingen) te combineren. Echter, er bestaat een aanzienlijke methodologische kloof met betrekking tot de implementatie van groepsequentiële ontwerpen (GSD) voor win ratio-eindpunten. Specifiek is het onduidelijk of de aanname van onafhankelijke incrementen, een vereiste voor het toepassen van klassieke Lan-DeMets $\alpha$ -spending functies, standhoudt voor incrementele win-loss teststatistieken.

Eerdere literatuur suggereert dat voor exacte bivariante verdelingen van incrementele statistieken de onafhankelijkheid wordt geschonden omdat nieuw geïncludeerde patiënten op latere interim-momenten worden vergeleken met reeds bestaande patiënten, wat correlatie creëert. Bijgevolg hebben eerdere benaderingen complexe aanpassingen aanbevolen, zoals blokstratificatie (wat onhaalbare tussenruimtes tussen de looks vereist) of empirische bootstrap-schatting van covariantie (wat niet vooraf gespecificeerd kan worden). De centrale vraag die dit artikel behandelt, is of de aanname van onafhankelijke incrementen wordt vervuld voor de asymptotische verdeling van U-statistieken die worden gebruikt om de win ratio te evalueren, waardoor de directe toepassing van traditionele GSD-grenzen mogelijk wordt.

Methodologie
De auteurs ontwikkelen een wiskundig kader om de covariantiestructuur van incrementele U-statistieken onder de asymptotische verdeling af te leiden.

Kader en Aannames:
- De studie gaat uit van een vaste follow-up tijd $T$ voor alle deelnemers, waarbij het primaire eindpunt wordt geëvalueerd op tijdstip $T$ . Dit voorkomt afhankelijkheid van variabele follow-up tijden.
- Voor de primaire theoretische afleiding nemen de auteurs aan dat alleen patiënten met een voltooide follow-up worden meegenomen in de interim-analyses. Dit zorgt ervoor dat de informatie die een patiënt bijdraagt aan een interim-statistiek $Z_k$ constant blijft in opeenvolgende statistieken $Z_l$ ( $k < l$ ).
- De win ratio ( $\psi = \tau_1/\tau_2$ ) en het win-verschil worden gedefinieerd via U-statistieken gebaseerd op paargewijze vergelijkingen tussen de behandelgroep ( $X$ ) en de controlegroep ( $Y$ ).
Wiskundige Afleiding:
- Win-verschil: De auteurs bewijzen dat voor de incrementele teststatistieken van het win-verschil ( $U_{1k} - U_{2k}$ ), de covariantie tussen de incrementen op momenten $k$ en $l$ gelijk is aan de variantie van de latere increment: $\text{cov}(Z_k, Z_l) = \sqrt{I_k(\theta)/I_l(\theta)}$ . Dit bevestigt dat de aanname van onafhankelijke incrementen standhoudt voor de asymptotische verdeling van het win-verschil.
- Win Ratio: De afleiding wordt uitgebreid naar de log-getransformeerde win ratio. De auteurs demonstreren dat $\text{cov}(\log(\hat{\psi}_k), \log(\hat{\psi}_l)) \approx \text{var}(\log(\hat{\psi}_l))$ , wat aangeeft dat de aanname van onafhankelijke incrementen ongeveer standhoudt voor de win ratio onder asymptotische condities.
Simulatiestudies:
- Scenario 1 (Volledige Informatie): Simulaties werden uitgevoerd met steekproefomvang $N=200$ en $N=400$ om de algehele Type I fout-ratio te evalueren met de Hwang-Shih-DeCani $\alpha$ -spending functie. De analyse omvatte alleen patiënten met een volledige follow-up bij elk interim-moment.
- Scenario 2 (Partiële Informatie): De simulaties werden uitgebreid door patiënten mee te nemen die partiële follow-up informatie leveren bij interim-analyses, waarbij informatiefracties op basis van persoonsjaren werden berekend.

Belangrijkste Resultaten

Theoretisch Bewijs: Het artikel levert een wiskundig bewijs dat de aanname van onafhankelijke incrementen wordt vervuld voor de asymptotische verdeling van U-statistieken die het win-verschil testen. Het toont verder aan dat deze eigenschap ongeveer standhoudt voor de log-getransformeerde win ratio.
Controle van Type I Fout: In de simulatiestudie met $N=200$ was de empirische Type I fout-ratio 0,0517; voor $N=400$ was deze 0,0487. Deze resultaten demonstreren dat traditionele $\alpha$ -spending functies de Type I fout-ratio behouden, zelfs met relatief kleine steekproeven.
Partiële Informatie: De resultaten van de simulatie voor Scenario 2 (partiële informatie) bevestigden vergelijkbare bevindingen, wat suggereert dat de methode robuust is, zelfs wanneer onvolledige data worden gebruikt, hoewel het theoretische bewijs voor dit specifieke geval niet volledig in de tekst is vastgelegd.
Retrospectieve Toepassing: Een heranalyse van de IN.PACT SFA klinische trial-data werd uitgevoerd. Onder een hypothetisch groepsequentieel ontwerp met interim-momenten bij 50% en 75% informatie, zou de trial bij het eerste interim-moment (50% informatie) zijn gestopt voor succes met een win ratio van 4,29 ( $p < 0,001$ ), vergeleken met het uiteindelijke resultaat van 3,82.

Betekenis en Claims
De auteurs stellen dat dit onderzoek aantoont dat een eenvoudige toepassing van Lan-DeMets $\alpha$ -spending functies mogelijk is voor gerandomiseerde trials met een win ratio, mits de steekproefomvang voldoende groot is om asymptotische verdelingen aan te nemen en aan specifieke voorwaarden met betrekking tot de follow-up van patiënten wordt voldaan.

Belangrijke implicaties die door de auteurs worden benadrukt zijn:

Eliminatie van Empirische Grenzen: Onderzoekers hoeven geen grenzen meer empirisch te genereren via bootstrapping op het moment van de interim-looks, wat niet vooraf gespecificeerd kan worden.
Softwarecompatibiliteit: Bestaande softwarepakketten die in staat zijn om traditionele groepsequentiële grenzen te berekenen (bijv. het gsDesign pakket in R), kunnen direct worden ingezet voor win ratio-eindpunten.
Beperkte Reikwijdte: De auteurs merken expliciet op dat hun primaire afleidingen steunen op de aanname van het gebruik van enkel patiënten met een voltooide follow-up. Hoewel simulaties suggereren dat de methode werkt met partiële informatie, stellen zij dat "verder onderzoek nodig is om dat resultaat vast te stellen" voor situaties waarin partiële patiëntinformatie wordt gebruikt in eerdere interim-analyses, vergelijkbaar met de log-rank test.

Het artikel concludeert dat de aanname van onafhankelijke incrementen wordt vervuld voor het win-verschil en ongeveer voor de win ratio onder asymptotische condities, wat het gebruik van standaard groepsequentiële methodologieën voor deze eindpunten valideert.

Het Probleem: De "Moving Target"

De Oplossing: De "Snapshot" Truc

De Grote Ontdekking

Het Bewijs: Simulaties en Echte Data

De Kernboodschap

Meer zoals dit