Improved prediction of extreme random effects in joint models: WRaPs

Technische Samenvatting: Verbeterde voorspelling van extreme random effects in joint modellen: WRaPs

Probleemstelling
In de gepersonaliseerde geneeskunde, met name in de oncologie en de intensive care, is er een groeiende behoefte aan het identificeren van patiënten met een hoog risico op ernstige uitkomsten, gedefinieerd niet alleen door overleving maar ook door een slechte kwaliteit van leven (QoL). Standaard voorspellingsinstrumenten in joint modellen (die longitudinale uitkomsten en overleving simultaan modelleren) vertrouwen doorgaans op Best Linear Unbiased Predictors (BLUP's) of Empirical Bayes-schattingen voor random effects. BLUP's staan echter bekend om hun "shrinkage" (krimp), waarbij extreme waarden van de random effects naar het populatiegemiddelde worden getrokken. In klinische contexten waar het doel is om patiënten met een zeer slechte gezondheid of lage overlevingskansen te signaleren, leidt deze shrinkage tot te optimistische voorspellingen, wat zorgt voor een onderidentificatie van hoogrisicopatiënten. Hoewel gewogen random effect-schatters zijn voorgesteld voor lineaire gemengde modellen om dit te mitigeren, waren deze nog niet uitgebreid naar het joint modeling-framework waar longitudinale en overlevingsprocessen aan elkaar gekoppeld zijn.

Methodologie
De auteurs stellen WRaPs (Weighted Random effect Predictors) voor, een uitbreiding van gewogen schattingsmethoden naar joint modellen met gedeelde random effects.

• Framework: De methode opereert binnen een joint model waarbij een longitudinale uitkomst ($Y_{ij}$) en een overlevingstijd ($T_i$) gekoppeld zijn via gedeelde subject-specifieke random effects ($U_i$). De overlevingshazard wordt gemodelleerd als een functie van baseline covariaten en de gedeelde random effects.
• Kerninnovatie: In plaats van de standaard gemiddelde kwadratische fout (MSE) te minimaliseren om BLUP's te verkrijgen, minimaliseren WRaPs een gewogen gemiddelde kwadratische fout van de vorm $E((\tilde{U} - U)'W(U; \lambda)(\tilde{U} - U))$. De gewichtsfunctie $W(U; \lambda)$ is ontworpen om fouten zwaarder te bestraffen in de staarten van de verdeling van de random effects.
• Gewichtsfuncties: De paper maakt gebruik van verschillende gewichtsfuncties aangepast van McCulloch en Neuhaus (2023), waaronder:
  • Gekwadrateerd ($SQ$):$W(u) = \exp(\lambda u^2)$
  • Absoluut ($AB$):$W(u) = \exp(\lambda |u|)$
  • Gecensureerde drempel ($CT$):$W(u) = I(|u| > \lambda)$
  • Asymmetrisch ($AS$):$W(u) = \exp(-\lambda u)$ (specifiek gericht op lage waarden).
• Implementatie:
  • Analytische oplossingen: Voor basismodellen (bijv. random intercept met log-normale overleving) leiden de auteurs gesloten analytische expressies af voor WRaPs.
  • Bayesiaanse numerieke oplossingen: Voor complexe modellen (bijv. random intercept en slope, proportionele hazards) maken de auteurs gebruik van een Bayesiaans framework via Markov Chain Monte Carlo (MCMC)-methoden via het rjags-pakket. WRaPs worden berekend als de ratio van de posterieure gemiddelden van de gewogen random effects en de gewichten zelf.
• Flagging-strategie: De methode wordt toegepast om patiënten te "flaggen" (signaleren) die naar verwachting zullen overlijden of zullen overleven met een substandaard QoL binnen een toekomstige tijdshorizon. Een patiënt wordt geflagd als de voorspelde overlevingskans onder een drempel $c$ valt of als de vopred Spanning van de gemiddelde QoL onder een specifiek percentiel valt. De afstemparameter $\lambda$ wordt geselecteerd om een balans te vinden tussen de True Positive Rates (TPR) en de False Positive Rates (FPR).

Belangrijkste bijdragen

1. Uitbreiding naar Joint Modellen: Het artikel breidt het concept van gewogen random effect-voorspelling van lineaire gemengde modellen uit naar joint modellen, waarbij rekening wordt gehouden met de afhankelijkheid tussen longitudinale QoL- en overlevingsuitkomsten.
2. Omgaan met extreme uitkomsten: Het biedt een mechanisme om de shrinkage-bias die inherent is aan BLUP's te verminderen, specifiek door de nauwkeurigheid van de voorspelling in de staarten van de verdeling van de random effects (d.w.z. patiënten met de slechtste uitkomsten) te verbeteren.
3. Flexibele Afstemming: De introductie van de afstemparameter $\lambda$ stelt clinici of onderzoekers in staat om hun voorspellingsmodel zelf te kalibreren, waarbij een afruil wordt gemaakt tussen de algemene MSE en een verbeterde sensitiviteit voor het identificeren van hoogrisicopatiënten.
4. Computationeel Framework: Het artikel biedt zowel analytische afleidingen voor eenvoudige gevallen als een robuust Bayesiaans computationeel framework voor complexe, hoogdimensionale structuren van random effects.

Resultaten
De auteurs hebben WRaPs geëvalueerd via Type I simulatiestudies en een casestudy met gegevens uit een EORTC glioblastoomtrial (Stupp et al., 2005; Taphoorn et al., 2005).

• Simulatiestudies:
  • In modellen met random intercepts en slopes vertoonden WRaPs consequent een lagere Mean Squared Error (MSE) dan BLUP's voor subgroepen met extreme random effects (bijv. $|z_i| > 1.5$), terwijl BLUP's een lagere totale MSE over de gehele populatie behielden.
  • In de "flagging"-simulaties verbeterden WRaPs de True Positive Rate (TPR) aanzienlijk voor het identificeren van patiënten die zouden overlijden of een slechte QoL zouden hebben. Bijvoorbeeld, in een scenario met een False Positive Rate (FPR) van 5%, verhoogden WRaPs de TPR van ~58% (BLUP) naar ~65–80%, afhankelijk van de gewichtsfunctie en drempelwaarde.
  • De Asymmetrische (AS) gewichtsfunctie was bijzonder effectief voor het identificeren van patiënten met een lage QoL, waarbij TPR's van meer dan 75% werden behaald bij gematigde FPR's.
• Casestudy (Glioblastoom):
  • Toegepast op 573 patiënten, signaleerde de methode patiënten die risico lopen op overlijden of een slechte QoL tussen week 33 en 46.
  • Voor een QoL-drempel van het 25e percentiel verhoogden WRaPs de TPR van 32% (BLUP) naar meer dan 50% over alle gewichtsfuncties, met FPR's tussen 10–20%.
  • Voor een striktere 5e percentiel-drempel presteerden BLUP's zeer conservatief (TPR = 5,7%), terwijl WRaPs (specifiek de AS-methode) een TPR van ongeveer 75% bereikten bij een FPR van 25%.
  • De Positive Predictive Values (PPV) en Negative Predictive Values (NPV) verbeterden over het algemeen met WRaPs vergeleken met BLUP's.

Betekenis en Claims
Het artikel claimt dat WRaPs een praktische en effectieve methode bieden om de detectie van patiënten die risico lopen op ernstige uitkomsten te verbeteren door de shrinkage van random effects in de staarten van hun verdeling te mitigeren. De auteurs positioneren WRaPs niet als een vervanging voor standaard BLUP's in alle contexten, maar als een gespecialiseerd instrument voor scenario's waar het identificeren van extreme, slechte uitkomsten cruciaal is (bijv. "high-risk flagging").

De betekenis ligt in de verschuiving van de focus van puur op overleving gebaseerde metrieken naar een twee-dimensionale uitkomst (overleving + QoL), wat inspeelt op de klinische realiteit dat overlevingsvoordelen de bijwerkingen van behandelingen of de verslechtering van de kwaliteit van leven niet noodzakelijkerwijs compenseren. Door de mogelijkheid te bieden om $\lambda$ af te stemmen om een balans te vinden tussen sensitiviteit en specificiteit, bieden WRaPs een flexibel, klinisch interpreteerbaar complement aan standaard joint model-voorspellingen, wat bijdraagt aan een verschuiving naar meer patiëntgerichte zorg in oncologische en intensive care settings. De auteurs merken op dat hoewel parameteronzekerheid werd afgehandeld via plug-in schattingen om de computationele last te beperken, toekomstig werk de volledige Bayesiaanse integratie van parameteronzekerheid of hybride voorspellers kan verkennen die WRaPs en BLUP's combineren over verschillende regio's van de verdeling.