Robust and Data-Adaptive Integration of Nonconcurrent Data in Platform Trials via Gaussian Processes

Technische Samenvatting: Robuste en data-adaptieve integratie van niet-simultane data in platformtrials via Gaussische processen

Probleemstelling
Platformtrials bieden een efficiënt ontwerp voor het gelijktijdig evalueren van meerdere behandelingen onder één masterprotocol. Statistische inferentie in deze trials staat echter voor een kritieke spanning tussen efficiëntie en validiteit. Traditionele robuuste methoden beperken de analyse tot "gelijktijdig gerandomiseerde" deelnemers – diegenen die zijn ingeschreven tijdens perioden waarin alle te vergelijken behandelingen beschikbaar waren – om bias door temporele trends (bijvoorbeeld verschuivingen in patiëntenpopulaties of standaardzorg) te voorkomen. Hoewel dit validiteit waarborgt, leidt het tot het verwerpen van "niet-simultane" data (doorgaans afkomstig van controlegroepen die zijn ingeschreven voordat een nieuwe behandelingsarm werd geïntroduceerd), wat resulteert in verlies van statistische power en precisie.

Bestaande benaderingen om niet-simultane data op te nemen, lijden vaak onder beperkingen: ze kunnen ontberen aan formeel gedefinieerde causale estimanden, vertrouwen op parametrische modellen die te simplistisch of ondoorzichtig zijn, of afhankelijk zijn van sterke aannames zoals conditionele uitwisselbaarheid. Bovendien bieden veel methoden geen transparante mechanismen voor hoe individuele waarnemingen bijdragen aan de uiteindelijke schatting, waardoor het moeilijk is te diagnosticeren of het lenen van informatie in een specifieke toepassing voordelig of schadelijk is.

Methodologie
De auteurs stellen een flexibel, interpreteerbaar Gaussisch proces (GP)-kader voor dat is ontworpen om niet-simultane data op te nemen terwijl bias wordt gecontroleerd. De methodologie is gebaseerd op causale inferentie en machine learning, met als doel het "volledig gelijktijdig in aanmerking komende" (ECE) estimand gedefinieerd door Qian et al. (2025).

1. Kader en Estimand:
   Het doel-estimand is het contrast tussen de verwachte potentiële uitkomsten voor twee behandelingen binnen de ECE-populatie (individuen die in aanmerking komen voor beide behandelingen tijdens perioden waarin beide beschikbaar zijn). Het kader maakt gebruik van de inschrijvingskalendertijd als een kritieke covariabele, waarbij het profiteert van de "temporele gladheid" die inherent is aan platformtrials, waarbij patiëntdistributies geleidelijk evolueren in de tijd.

2. Gaussische Procesmodellen:

   • Single-Task GP: Past een apart GP toe voor elke behandelingsarm, waarbij de uitkomsttraject wordt gemodelleerd als een latente functie van inschrijftijd plus ruis. Dit vangt temporele gladheid op via een kernfunctie (bijvoorbeeld kwadratisch exponentieel of Matérn).
   • Multi-Task GP: Decomposeert uitkomsten in een gedeelde basale functie (gemeenschappelijk voor alle armen) en een behandelingseffectfunctie. Deze structuur maakt gebruik van het feit dat, hoewel basale risico's in de tijd kunnen verschuiven, behandelingseffecten vaak relatief stabiel blijven. Het model gebruikt een samengestelde kern om zowel variantie binnen de arm als covariantie tussen armen op te vangen.

3. Schatting en Inferentie:
   Het kader past het GP aan met alle in aanmerking komende deelnemers (gelijktijdig en niet-gelijktijdig), maar middelt de schatting van het behandelingseffect alleen over de gelijktijdig in aanmerking komende populatie. Dit verankert het estimand aan de ECE-definitie, terwijl niet-simultane data adaptief het GP-aanpassing kunnen informeren. Inferentie wordt uitgevoerd via Bayesiaanse bootstrap om zowel posterior-onzekerheid als steekproefvariabiliteit in aanmerking te nemen.

4. Frequentistische Interpretatie:
   De auteurs leggen een verband tussen de GP-posteriormiddeling en Kernel Ridge Regression (KRR). Dit levert een transparante frequentistische interpretatie op waarbij de schatter een gewogen lineaire combinatie is van waargenomen uitkomsten. De gewichten hangen af van de kernhyperparameters en de nabijheid van inschrijftijden, waardoor de bijdrage van niet-simultane data expliciet wordt gekwantificeerd.

5. Extensies:
   Het kader wordt uitgebreid om discrete uitkomsten (binair of tellend) te verwerken via gegeneraliseerde lineaire modellen met exponentiële familie-likelihoods, en om aan te passen voor basale covariaten via additieve of productkernen.

Belangrijkste Theoretische Garanties
Het artikel stelt twee primaire theoretische resultaten vast met betrekking tot de eigenschappen van de voorgestelde schatters:

• Variantiereductie: Het opnemen van niet-simultane controles is bewezen de posteriorvariantie te verminderen van zowel de uitkomstgemiddelde (single-task) als de behandelingseffectfunctie (multi-task). Dit geldt omdat het conditioneren van een Gaussisch proces op extra variabelen de conditionele variantie nooit verhoogt.
• Biascontrole: De bias die wordt geïntroduceerd door niet-simultane data, wordt begrensd door een grootheid die niet toeneemt wanneer niet-simultane controles worden toegevoegd. Hoewel de bias zelf niet gegarandeerd afneemt, is de bovengrens niet-stijgend, waardoor wordt gewaarborgd dat de winst in efficiëntie niet ten koste gaat van ongecontroleerde bias-inflatie, mits het werkmodel redelijk is.

Resultaten
De auteurs valideren de methode via simulatiestudies en een toepassing op reële data:

• Simulaties: In een gesimuleerde platformtrial met twee inschrijvingsvensters vertoonden de voorgestelde GP-methoden (zowel single-task als multi-task) superieure prestaties in vergelijking met benchmarks die alleen gelijktijdige data gebruikten (ANOVA, ANHECOVA) en andere methoden voor niet-simultane data (Bayesian Time Machine, LR-EW).
  • De multi-task GP die alle data opnam, bereikte een kleinere standaardfout (0,395) dan welke methode die alleen gelijktijdige data gebruikte (bijvoorbeeld 0,420 voor ANHECOVA), terwijl een bijna nominale dekking (94,4%) werd behouden.
  • Concurrerende methoden vertoonden aanzienlijke nadelen: de Bayesian Time Machine toonde een hoge gevoeligheid voor specificatie van de prior met te brede credible intervallen, terwijl het lineaire model met aanpassing voor inschrijvingsvensters (LR-EW) last had van bias wanneer temporele trends niet-lineair waren.
  • Zelfs onder verkeerd gespecificeerde omstandigheden (plotselinge temporele verschuivingen) behielden de GP-methoden gecontroleerde bias en presteerden ze beter dan concurrenten, hoewel de dekking licht afnam.
• Toepassing op Reële Data: De methode werd toegepast op een hypothetische platformtrial die is opgebouwd uit de SURMOUNT-1-obesiteitstrial. De GP-methoden die niet-simultane controles opnamen, verlaagden de variantie binnen imputatie met 12–16% in vergelijking met analyses die alleen gelijktijdige data gebruikten, met stabiele punt-schattingen, wat wijst op succesvolle winst in efficiëntie zonder betekenisvolle bias in te brengen.

Betekenis en Claims
Het artikel claimt een principiële oplossing te bieden voor de afweging tussen efficiëntie en validiteit in platformtrials. Door gebruik te maken van de temporele gladheid van inschrijving, staat het voorgestelde GP-kader toe om niet-simultane data robuust te integreren zonder waardevolle informatie te verwerpen. Belangrijke bijdragen zijn:

• Transparantie: Het verband met kernel ridge regression levert expliciete gewichten voor elke waarneming op, waardoor onderzoekers de invloed van niet-simultane data kunnen diagnosticeren.
• Theoretische Strenge: De vaststelling van variantiereductie en niet-stijgende biasgrenzen biedt een formele garantie voor de robuustheid van de methode.
• Flexibiliteit: Het kader komt tegemoet aan diverse uitkomsttypen en aanpassingen voor covariaten, en gaat verder dan de beperkingen van eerdere parametrische of niet-parametrische benaderingen.
• Implementatie: De auteurs bieden een implementatie in het R-pakket RobinCID, wat praktische toepassing faciliteert.

De auteurs concluderen dat, hoewel de methode de schattings-efficiëntie verbetert, het essentieel blijft temporele trends te onderzoeken, aangezien de mate van lenen en potentiële bias afhangt van de geldigheid van de gladheidsaanname. Het artikel claimt niet om bias volledig te elimineren, maar eerder om deze te beheersen binnen een niet-stijgende grens terwijl de variantie aanzienlijk wordt verminderd.