Dealing with positivity violations in mediation analysis via weighted controlled effects, with application to assessing immune correlates of protection in antigen-experienced participants

Deze paper introduceert een gewogen gecontroleerd risico-benadering om positiviteitsviolaties in mediatieanalyse op te lossen bij antigeen-ervaren populaties en past deze methode toe op het evalueren van immunologische beschermingscorrelaten in de COVAIL-studie.

De kern

Stel je voor dat je een nieuwe, superkrachtige vaccin wilt testen. Je wilt niet alleen weten of het werkt, maar ook waarom het werkt. Is het omdat het je lichaam een bepaald soort "schild" (antistoffen) laat maken? En hoe dik moet dat schild zijn om je echt te beschermen?

Dit is het probleem dat dit wetenschappelijke artikel oplost, maar dan voor een heel specifieke groep mensen: degenen die al eerder ziek zijn geweest of al eerder gevaccineerd zijn.

Hier is de uitleg in simpele taal, met een paar leuke vergelijkingen.

1. Het oude probleem: De "Onmogelijke Droom"

In het verleden keken onderzoekers naar mensen die nooit eerder met het virus in aanraking waren gekomen (de "onbesmetten"). Voor hen was het makkelijk om een hypothetische vraag te stellen:
"Wat zou er gebeuren als we iedereen vaccineren en hun antistoffen op een heel laag niveau zetten?"

Omdat deze mensen nog niets hadden, kon hun niveau gewoon op nul staan. Dat was logisch.

Maar nu hebben we te maken met mensen die al een vaccin hebben gehad of het virus hebben gehad. Zij hebben al een "basisniveau" aan antistoffen.
Stel je voor dat iemand al een heuvel van 10 meter hoog heeft (hun huidige immuunsysteem). De oude methode vroeg: "Wat gebeurt er als we die heuvel veranderen in een heuvel van 2 meter?"

Dat is onmogelijk! Je kunt een heuvel van 10 meter niet zomaar veranderen in 2 meter zonder de grond onder je voeten weg te halen. In de statistiek noemen ze dit een schending van de "positiviteit": het is onwaarschijnlijk dat iemand met een hoge basis, na een vaccinatie, opeens een heel lage waarde heeft. De oude rekenmethodes raakten hierdoor in de war en gaven onjuiste antwoorden.

2. De nieuwe oplossing: De "Slimme Filter"

De auteurs van dit artikel (Qijia He en Bo Zhang) hebben een nieuwe manier bedacht om dit op te lossen. Ze zeggen: "Oké, we kunnen niet iedereen in de vergelijking meenemen. Laten we alleen kijken naar de mensen voor wie het logisch is om op dat specifieke niveau te eindigen."

Ze gebruiken een gewichtssysteem (zoals een filter in een koffiezetapparaat):

• Als je een doelwaarde kiest die heel laag is (bijvoorbeeld 2 meter), dan tellen ze alleen mensen mee die kansen hebben om daar te komen (mensen met een lage basis). Mensen met een hoge basis worden "weggewogen" of genegeerd, omdat het voor hen onmogelijk is om daar te komen.
• Als je een doelwaarde kiest die heel hoog is (bijvoorbeeld 20 meter), dan tellen ze alleen mensen mee die die kans hebben.

De analogie:
Stel je voor dat je een wedstrijd organiseert om te zien wie het hoogst kan springen.

• De oude methode vroeg: "Wat als we iedereen dwingen om 1 meter hoog te springen?" Voor een professionele atleet is dat makkelijk, maar voor iemand met een gebroken been is dat onmogelijk. De statistiek faalt.
• De nieuwe methode zegt: "Laten we alleen kijken naar de atleten die kansen hebben om 1 meter te springen. Voor de mensen die dat fysiek niet kunnen, tellen we ze niet mee in deze specifieke berekening."

Zo krijgen ze een eerlijk beeld van wat het vaccin doet, zonder dat ze onmogelijke situaties hoeven te simuleren.

3. Wat hebben ze ontdekt? (De COVAIL-studie)

Ze hebben deze nieuwe methode toegepast op echte data van de COVAIL-studie. Dit was een groot onderzoek naar een tweede booster-prik tegen COVID-19. Veel deelnemers hadden al eerder een prik gehad of waren besmet.

Ze keken naar de neutraliserende antistoffen (het "schild") en of dat beschermde tegen besmetting.
Met hun nieuwe methode konden ze zien:

• Hoe hoger het niveau van de antistoffen (het schild), hoe kleiner de kans op besmetting.
• Ze konden zelfs kijken naar het "zuivere effect" van het vaccin zelf, los van de antistoffen.

Het resultaat? Hun methode werkte perfect. Ze konden laten zien dat een hoger niveau van antistoffen echt leidt tot minder ziekte, zelfs bij mensen die al een "basis" hadden.

4. Waarom is dit belangrijk?

Vroeger konden onderzoekers niet goed analyseren wat er gebeurde bij mensen met een voorgeschiedenis (zoals bij griep, dengue of nu bij COVID-boosters). Ze moesten vaak kiezen tussen:

1. Alles negeren (en dan onnauwkeurig zijn).
2. Onmogelijke scenario's simuleren (en dan fouten maken).

Met deze nieuwe "gewichtige" methode kunnen ze nu precies zeggen: "Voor de groep mensen die een kans hebben om dit specifieke niveau te bereiken, werkt het vaccin zo en zo."

Kort samengevat:
De auteurs hebben een slimme statistische "bril" ontwikkeld. Door deze bril te dragen, kunnen onderzoekers kijken naar de mensen voor wie een bepaald scenario logisch is, en de mensen voor wie het onmogelijk is, negeren ze tijdelijk. Hierdoor krijgen ze een helder, eerlijk beeld van hoe vaccins werken, zelfs in een wereld waar bijna iedereen al een beetje "geïnfecteerd" of gevaccineerd is.

Technische samenvatting

Probleemstelling

Causale mediatiestudies zijn essentieel in vaccinonderzoek om te bepalen of immunologische biomarkers (zoals neutraliserende antilichamen) fungeren als correlaten van bescherming (CoP). Een veelgebruikt raamwerk is de gecontroleerde effecten-aanpak (controlled effects approach), waarbij wordt geschat wat het risico op een klinisch eindpunt zou zijn onder een tegenwerkelijk scenario waarin de hele populatie wordt gevaccineerd en hun immuunrespons op een specifiek, vast niveau wordt ingesteld.

Dit raamwerk werkt goed voor antigeen-naïeve populaties (personen zonder eerdere blootstelling), waar de basale immuunrespons onder de detectiegrens (LOD) ligt. Echter, bij antigeen-ervaren populaties (bijv. door eerdere infectie of eerdere vaccinatie, zoals bij booster-vaccinaties tegen COVID-19, influenza of dengue), wordt de positiviteitsaanname geschonden.

• De schending: De positiviteitsaanname vereist dat elke individuele, gegeven hun covariaten, een niet-nul kans heeft om elk niveau van de mediator (de post-vaccinatie immuunmarker) te bereiken. Bij niet-naïeve deelnemers is de post-vaccinatie respons echter zelden lager dan de basale respons. Het is dus onwaarschijnlijk (kans = 0) dat een individu met een hoge basale titer na vaccinatie een lagere titer bereikt.
• Gevolg: Standaard schatters voor gecontroleerde risico's worden vertekend of niet-identificeerbaar als ze proberen scenario's te evalueren waarbij de immuunmarker wordt ingesteld op een niveau lager dan de basale lijn van de deelnemer.

Methodologie

De auteurs introduceren een gewogen gecontroleerd risico-benadering (Weighted Controlled Risk) die specifiek is ontworpen om positiviteitsviolaties in mediatiestudies aan te pakken.

1. Definitie van een "Relevante Subpopulatie":
   In plaats van te proberen het risico te schatten voor de hele populatie bij een willekeurige immuunwaarde $s$, definiëren de auteurs een subpopulatie van deelnemers voor wie het plausibel is om dat niveau $s$ te bereiken. Concreet wordt dit de groep deelnemers met een kans groter dan een vooraf bepaalde drempelwaarde $t$ (bijv. 10%) om een post-vaccinatie marker $S=s$ te bereiken, gegeven hun vaccinatie $A=a$ en basale kenmerken $(B, X)$.

2. Gegewogen Schatters (Weighted Estimators):

   • Trimmed Weighted Controlled Risk (TWCR): Een parameter die het gemiddelde potentiële resultaat schat binnen deze relevante subpopulatie. Dit wordt bereikt door een wegingsfunctie $\omega$ toe te passen die individuen met een lage kans op het bereiken van $s$ uitsluit (trimmen).
   • Gegladde Schatters (Smoothed Estimators): Omdat de indicatorfunctie (die bepaalt of de kans $> t$ is) en de continue mediator niet differentieerbaar zijn (nodig voor asymptotische lineariteit), passen de auteurs twee smoothing-technieken toe:
     • Vervanging van de indicatorfunctie door een gladde benadering (bijv. de cumulatieve verdelingsfunctie van een normale verdeling).
     • Toepassing van kernel-smoothing op de continue mediatorwaarde.
   • Dit resulteert in de Smoothed Trimmed Weighted Controlled Risk (STWCR).

3. Gecontroleerde Relatieve Vaccin-Efficiëntie (STWCRVE):
   De methode wordt uitgebreid naar het vergelijken van twee vaccins of twee niveaus van een mediator. De STWCRVE vergelijkt gecontroleerde risico's binnen een gemeenschappelijke subpopulatie die plausibel beide interventies kan bereiken. Dit zorgt voor een geldige causale contrast.

4. Statistische Inference:
   De auteurs leiden de Efficient Influence Functions (EIF) af voor de nieuwe parameters. Hierdoor kunnen ze cross-fitted one-step schatters construeren die robuust zijn tegen fouten in het schatten van storende functies (nuisance parameters) en asymptotisch normaal verdeeld zijn. Dit maakt het mogelijk om betrouwbare betrouwbaarheidsintervallen te berekenen.

Belangrijkste Bijdragen

• Oplossing voor Positiviteitsviolatie: Het biedt een rigoureuze statistische oplossing voor het probleem van schending van de positiviteitsaanname in mediatiestudies met continue behandelingen/mediators, specifiek in de context van immunologie.
• Generalisatie van Bestaande Werk: De methode generaliseert eerder werk over "propensity score trimming" (Branson et al., 2023) naar een mediatiestudie-context.
• Theoretische Fundamenten: Het levert bewijzen voor de asymptotische lineariteit en de afleiding van de EIF voor de nieuwe parameters, wat essentieel is voor geldige inferentie.
• Toepasbaarheid: De methode is direct toepasbaar op moderne vaccintrialdata waar deelnemers gemengde immunologische achtergronden hebben (naïef vs. niet-naïef).

Resultaten

1. Simulatiestudies:

   • De auteurs simuleerden data voor een niet-naïeve populatie met verschillende verdelingen van de basale marker (discreet, continu, en met een piek bij nul).
   • De schatters vertoonden weinig bias en de empirische dekking van de 95% betrouwbaarheidsintervallen lag dicht bij het nominale niveau (95%) in de meeste scenario's.
   • Er werd opgemerkt dat de prestaties iets verslechterden bij waarden van de mediator die dicht bij de randen van de verdeling lagen (waar de relevante subpopulatie klein is), maar dit werd opgelost door de steekproefomvang te vergroten.

2. Toepassing op de COVAIL Trial:

   • De methode werd toegepast op data van de Coronavirus Variant Immunologic Landscape (COVAIL) trial, waarbij deelnemers een tweede booster kregen.
   • Analyse: De auteurs evalueerden neutraliserende antilichaam-titers (nAb-ID50) als een correlaat van bescherming tegen Omicron BA.4/BA.5.
   • Vondst: De analyse toonde aan dat binnen de relevante subpopulatie (deelnemers met een >10% kans om een bepaalde titer te bereiken), een hogere piek-titer leidde tot een lager gecontroleerd risico op infectie.
   • Directe Effecten: Er werd geen significant "gecontroleerd direct effect" gevonden van het type vaccin (Omicron-bevattend vs. Prototype) wanneer de immuunrespons gelijk werd gehouden, wat suggereert dat het beschermende effect voornamelijk via de immuunrespons loopt.

Significantie

Deze studie is van groot belang voor de toekomstige ontwikkeling en evaluatie van vaccins, vooral in een wereld waar steeds meer mensen al blootgesteld zijn aan een pathogeen of eerder gevaccineerd zijn.

• Validiteit: Het stelt onderzoekers in staat om causale mediatiestudies uit te voeren zonder de onrealistische aanname te doen dat immuunresponsen willekeurig lager kunnen zijn dan de basale lijn.
• Subpopulatie-focus: In plaats van te proberen een gemiddeld effect voor de hele populatie te schatten (wat misleidend kan zijn door de schending van de aanname), focust de methode op de subpopulatie waar de interventie plausibel is. Dit geeft een nauwkeurigere inschatting van de rol van immunologische markers in bescherming.
• Beleid en Registratie: De resultaten kunnen helpen bij het definiëren van immunologische correlaten van bescherming voor nieuwe vaccinvarianten of voor populaties met complexe immunologische geschiedenissen, wat essentieel is voor snellere goedkeuringen en aanpassingen van vaccinbeleid.

Kortom, de auteurs bieden een wiskundig onderbouwde en praktisch toepasbare methode om een fundamenteel statistisch obstakel in de moderne vaccinwetenschap te overwinnen.