Estimating the new event-free survival

Deze studie introduceert een onbevooroordeelde schattingsmethode voor de gebeurtenisvrije overleving bij acute myeloïde leukemie die, in tegenstelling tot de Kaplan-Meier-schatter op herschreven data, de daling op dag 1 correct weergeeft wanneer behandelfalen gecensureerd zijn, door gebruik te maken van de Aalen-Johansen-schatter en verbanden met genezingsmodellen.

De kern

Stel je voor dat je een marathon organiseert voor patiënten met acute myeloïde leukemie (AML). Het doel is om te kijken hoe lang ze "gebeurtenisvrij" blijven: zonder terugval, zonder dat de behandeling faalt en zonder overlijden. Dit noemen we Event-Free Survival (EFS).

Vroeger keek je gewoon naar de tijd die verstrijkt tot iets misgaat. Maar de grote toezichthouders (zoals de FDA in de VS en de ELN in Europa) hebben een nieuwe regel opgesteld: als een behandeling niet werkt, moet je dat niet wachten tot de officiële controle, maar moet je het direct op dag 1 als een mislukking tellen.

Dit klinkt logisch, maar het creëert een statistisch probleem waar deze paper over gaat. Hier is de uitleg in simpele taal, met een paar creatieve vergelijkingen.

1. Het Probleem: De "Verloren" Lopers

Stel je voor dat je een race hebt. Sommige lopers stoppen halverwege omdat ze een blessure hebben (dit is censering in statistische termen). Je ziet ze niet meer, maar je weet niet of ze nu zijn gevallen of gewoon even op het toilet waren.

De nieuwe regel zegt: "Als een loper de start niet haalt, tellen we dat als een val op dag 1."

• Het oude probleem: Als je gewoon telt hoeveel mensen je daadwerkelijk op dag 1 ziet vallen, en je mist een paar mensen die halverwege de dag zijn verdwenen (censering), dan krijg je een onvolledig beeld. Je denkt: "Oh, er zijn maar 5 mensen gevallen," terwijl er in werkelijkheid misschien 10 waren, maar 5 waren al weg voordat je kon tellen.
• De gevolgen: De standaardmethode (Kaplan-Meier) zou dan denken dat de behandeling beter werkt dan hij eigenlijk doet, omdat hij de "verloren" mislukkingen niet meetelt. Het is alsof je een koekje eet en denkt dat er geen suiker in zit, omdat je de suikerkorrels die al in je mond zijn opgelost, niet ziet.

2. De Oplossing: De Twee-Deuren Methode

De auteurs van dit paper zeggen: "Laten we niet proberen de data te herschrijven, maar laten we een slimme manier vinden om te tellen."

Ze gebruiken een Competing Risks model. Stel je een gebouw voor met twee deuren:

1. Deur 1 (De Dag 1-mislukking): Hier gaan mensen doorheen als de behandeling direct faalt.
2. Deur 2 (De latere gebeurtenis): Hier gaan mensen doorheen als ze later terugvallen of sterven.

In plaats van te wachten tot de mensen door Deur 1 gaan (wat soms te laat is omdat ze al weg zijn), kijken we naar de kans dat ze in principe door Deur 1 zouden gaan, zelfs als we ze niet hebben zien vertrekken. Ze gebruiken een geavanceerde rekenmethode (de Aalen-Johansen schatter) die als een slimme detective werkt: hij rekent uit hoeveel mensen er zouden zijn gevallen op dag 1, zelfs als ze later uit het zicht verdwenen zijn.

De kernboodschap: Deze nieuwe methode geeft een eerlijker beeld van hoe slecht de behandeling op dag 1 presteert, zonder dat je wordt misleid door mensen die halverwege de weg verdwenen zijn.

3. Het Kuren-model: De "Genezen" en de "Risicodragers"

De paper introduceert ook een slimme vergelijking met een Kuren-model (Cure Model).
Stel je voor dat je een groep mensen hebt die een ziekte hebben.

• De ene groep is genezen (of in dit geval: heeft direct een mislukking gehad en stopt met de studie).
• De andere groep is niet genezen en loopt het risico om later nog iets te overkomen.

De auteurs zeggen: "Laten we deze twee groepen apart bekijken."

• Groep A: De mensen die op dag 1 falen. Dit is als een "cure" (genezing) in de statistiek, maar dan in negatieve zin: ze zijn "weg" uit de studie.
• Groep B: De mensen die het overleven op dag 1. Voor hen kijken we naar de kans op een terugval later.

Door deze twee groepen los van elkaar te analyseren, kunnen artsen beter begrijpen: "Werkt de medicijn op het voorkomen van directe mislukkingen?" en "Werkt het op het voorkomen van latere terugvallen?" Soms werkt een medicijn goed voor de tweede groep, maar slecht voor de eerste, en dat zou je met de oude methoden over het hoofd kunnen zien.

4. Wat betekent dit voor de praktijk?

In de studie die ze onderzochten (AMLSG 09-09), zagen ze het volgende:

• Op korte termijn (tussentijdse analyse): Er waren veel mensen die halverwege de weg verdwenen (censering). De oude methode gaf een te mooi beeld. De nieuwe methode toonde aan dat de behandeling op dag 1 iets slechter presteerde dan gedacht.
• Op lange termijn (eindanalyse): Uiteindelijk waren er bijna geen mensen meer verdwenen. Toen gaven de oude en de nieuwe methode hetzelfde resultaat.

Conclusie voor de leek:
De nieuwe regels van de FDA en ELN zijn goed, maar ze maken de statistiek lastig als je niet goed kijkt naar mensen die halverwege verdwijnen. De auteurs hebben een nieuwe "bril" ontwikkeld (de Aalen-Johansen methode) waardoor je de echte situatie ziet, zelfs als de data imperfect is.

Het is alsof je een foto maakt van een race. De oude methode telt alleen de mensen die je op de foto ziet vallen. De nieuwe methode rekent ook uit hoeveel mensen er zouden zijn gevallen, zelfs als ze net buiten beeld waren. Zo krijg je een eerlijkere score voor de behandeling.

Technische samenvatting

Probleemstelling

In studies naar acute myeloïde leukemie (AML) is gebeurtenisvrije overleving (EFS) een cruciale eindpunt, gedefinieerd als de tijd tot behandelingstijding, terugkeer van de ziekte (relapse) of overlijden. De FDA (sinds 2020) en het European LeukemiaNet (ELN, sinds 2022) bevelen aan om behandelingstijdingen (waarbij een patiënt geen volledige remissie bereikt) te coderen als gebeurtenissen op dag 1 van de randomisatie, in plaats van op het moment van beoordeling.

Deze datamodificatie leidt tot een directe daling van de EFS-curve op dag 1. Het centrale probleem is echter dat de standaard Kaplan-Meier-schatter (KME), toegepast op deze gemodificeerde data, vooringenomen (biased) kan zijn als er censuur optreedt vóór het beoordelingslandmark.

• De KME schat op dag 1 alleen de kans op geobserveerde behandelingstijding.
• Als patiënten gecensureerd zijn voordat de behandelingstijding kan worden vastgesteld, onderschat de KME de werkelijke kans op behandelingstijding.
• Dit leidt tot een onderschatting van de "dag-1-daling" in de EFS-curve, wat de hele overlevingsanalyse beïnvloedt.

Methodologie

De auteurs stellen een nieuwe, onbevooroordeelde schattingsmethode voor die gebruikmaakt van concurrerende risico's en mix-cure modellen, zonder de data handmatig te herschrijven.

1. Concurrerende Risico's Model:

   • In plaats van data te herschrijven, definiëren ze twee soorten gebeurtenissen in de oorspronkelijke data:
     • Type 1: Behandelingstijding (die later als dag-1-gebeurtenis zou worden gecodeerd).
     • Type 2: Andere gebeurtenissen na dag 1 (relapse of overlijden na volledige remissie).
   • Ze gebruiken de Aalen-Johansen-schatter om de cumulatieve incidentiefuncties (CIF) voor beide typen te schatten.
   • De EFS op tijd $t$ wordt berekend als:
     $$EFS(t) = 1 - CIF_1(u_0) - CIF_2(t)$$
     waarbij $u_0$ het landmark is. Hierdoor wordt de kans op behandelingstijding correct geschat, zelfs bij censuur.

2. Variantie en Betrouwbaarheidsintervallen:

   • Er wordt een variantieschatter afgeleid voor de gecombineerde EFS-schatting.
   • Voor gelijktijdige betrouwbaarheidsbanden (die de hele curve over een interval dekken) wordt de wild bootstrap gebruikt. Dit is essentieel omdat standaard Efron's bootstrap niet werkt bij data die afhankelijk is van het aantal waargenomen gebeurtenissen (zoals bij tussentijdse analyses).

3. Gelijktijdige Toetsing:

   • Er wordt een methode ontwikkeld om simultaan te toetsen of er verschillen zijn tussen groepen op dag 1 én op een later tijdstip, gebruikmakend van bivariate Gaussische processen en maximum-type tests.

4. Link met Mix-Cure Modellen:

   • Er wordt een formele link gelegd met mix-cure modellen. Patiënten met een dag-1-gebeurtenis worden gelijkgesteld aan de "genezen" (cured) proportie in de terminologie van cure-modellen, omdat zij geen latere EFS-gebeurtenis meer kunnen hebben.
   • Dit stelt onderzoekers in staat om het effect van de behandeling op de proportie behandelingstijdingen (logistieke regressie) en de relatie-vrije overleving bij patiënten zonder behandelingstijding (Weibull-model) gescheiden te analyseren.

Belangrijkste Resultaten

De methoden werden getoetst aan de data van de AMLSG 09-09 studie (een fase 3-studie bij AML-patiënten), zowel voor de tussentijdse analyse als de definitieve analyse.

• Vergelijking KME vs. Nieuwe Methode:
  • Tussentijdse analyse: Hier was sprake van aanzienlijke censuur vóór het landmark. De KME op gemodificeerde data onderschatte de dag-1-daling (bijv. 0,137 vs. 0,147 in de experimentele groep). De nieuwe methode gaf een correctere, hogere schatting van de daling.
  • Definitieve analyse: Hier was de censuur minimaal. De resultaten van de KME en de nieuwe methode vielen samen, wat bevestigt dat de bias verdwijnt bij voldoende follow-up.
• Confidentiebanden: De gebruikte wild bootstrap leverde bredere, simultane betrouwbaarheidsbanden op, wat een robuustere analyse mogelijk maakt dan puntsgewijze intervallen.
• Toetsing: In de definitieve analyse was er geen significant verschil tussen de groepen op dag 1 of op 2 jaar. Er was wel een signaal voor een verschil op 10 jaar (p=0,088).
• Cure Model Analyse:
  • De odds ratio voor behandelingstijding was niet significant verschillend tussen de groepen.
  • De hazard ratio voor relapse/overlijden na volledige remissie was echter significant lager in de experimentele groep (HR 0,69, p=0,003).
  • Het grote verschil tussen de odds ratio's en hazard ratio's suggereert dat een standaard Cox-analyse van de volledige EFS-curve misleidend zou zijn.

Bijdragen en Significantie

1. Onbevooroordeelde Schatting: Het artikel biedt een wiskundig onderbouwde oplossing voor het bias-probleem dat ontstaat door de FDA/ELN-richtlijnen, vooral in studies met beperkte follow-up of hoge censuur.
2. Methodologische Innovatie: De integratie van concurrerende risico's met de specifieke definitie van dag-1-gebeurtenissen en de koppeling aan cure-modellen biedt een nieuw raamwerk voor de analyse van samengestelde eindpunten.
3. Praktische Toepasbaarheid: De methoden zijn gebaseerd op gevestigde statistische theorie en kunnen worden geïmplementeerd in standaard software (zoals R). De auteurs leveren zelfs voorbeeldcode.
4. Interpretatie van Risico's: Het werk benadrukt dat door de dag-1-daling de EFS-curve een mix wordt van een discrete en een continue component. Dit maakt traditionele hazard ratio's voor de hele curve twijfelachtig en pleit voor gescheiden analyses van de behandelingstijdingsproportie en de latere overleving.

Conclusie: Hoewel de KME op gemodificeerde data werkt bij weinig censuur, is de voorgestelde Aalen-Johansen-benadering noodzakelijk voor een correcte, onbevooroordeelde schatting van de dag-1-daling en de daaropvolgende EFS, vooral in de vroege fasen van klinische studies of bij studies met veel censuur.