Can Predictive Modeling Inform the Selection of Time Zero for Target Trial Emulations? An Empirical Study of Atorvastatin Initiation in Medicare Beneficiaries

Technische Samenvatting: Kan predictieve modellering de selectie van 'tijd nul' informeren voor het emuleren van doelgerichte klinische trials?

Probleemstelling
In farmaco-epidologisch onderzoek dat gebruikmaakt van real-world data (RWD) om doelgerichte klinische trials (target trials) te emuleren, vormt het definiëren van het "tijd nul"-event een cruciale designuitdaging. Dit event verankert de beoordeling van geschiktheid, de classificatie van blootstelling en de start van de follow-up. Voor studies naar de initiatie van medicatie moet een valide tijd nul-event aan drie voorwaarden voldoen: (1) een sterke associatie met de klinische indicatie voor de behandeling; (2) een redelijk hoge waarschijnlijkheid van daadwerkelijke behandelingsinitiatie; en (3) meetbaarheid met voldoende temporele precisie in administratieve gegevens.

De auteurs stellen dat het uitsluitend vertrouwen op klinische richtlijnen of theoretische kennis onvoldoende is, omdat administratieve gegevens vaak niet de granulariteit bezitten om te bevestigen dat een specifiek klinisch event (bijv. een diagnose) bij alle patiënten leidt tot de start van een behandeling. Heterogeniteit in therapietrouw, voorkeuren of niet-gemeten contra-indicaties kan resulteren in een lage initiatiekans of significante verschillen tussen degenen die de behandeling starten en degenen die dat niet doen. Dit introduceert channeling bias en residu-confounding, wat de interne validiteit van de emulatie ondermijt. De studie adresseert de noodzaak van een empirische methode om tijd nul-events te identificeren die aan deze drie criteria tegelijkertijd voldoen.

Methodologie
De studie maakte gebruik van een retrospectief cohortdesign met behulp van Medicare fee-for-service claimsgegevens (delen A, B en D) van 1 januari 2018 tot 31 december 2019.

• Studiepopulatie: Het cohort omvatte 4.071.007 statine-naïeve Medicare-begunstigden van ≥65 jaar met ≥12 maanden continue inschrijving en geen statine-afgifte in de voorafgaande 12 maanden.
• Blootstellingsdefinitie: De indexdatum werd gedefinieerd als de eerste farmaceutische afgifteclaim voor een nieuw gestarte orale medicatie. Patiënten werden geclassificeerd als "atorvastine-initiators" (n=117.069) of "niet-atorvastine-initiators" (n=393.083, wat een 10% willekeurige steekproef is van in aanmerking komende niet-atorvastine-initiators).
• Predictorvariabelen: Kandidaat-predictors werden vastgesteld tijdens de 6-maandelijkse periode voorafgaand aan de indexdatum. Deze omvatten demografie, comorbiditeiten (gegroepeerd in 552 CCSR-categorieën op basis van ICD-10-CM codes), zorggebruik (SEH-bezoeken, klinische opnames) en farmacotherapie (417 binaire medicatie-indicatoren).
• Statistische benadering: Een vooraf gespecificeerde achttraps variabele-selectieprocedure werd gebruikt om onafhankelijke predictors van incidentele atorvastine-initiatie te identificen:
  1. Databeheer (omgaan met ontbrekende waarden, dichotomisering, verwijderen van zeldzame variabelen).
  2. Screening op onbalans (Standardized Mean Difference ≥ 0,1).
  3. Collineariteitsbeoordeling (verwijderen van variabelen met |r| > 0,8).
  4. Stabiliteitsvalidatie: Twee onafhankelijke Monte Carlo-simulaties (1.000 bootstrap-steekproeven van 10.000 observaties elk) werden uitgevoerd met behulp van Adaptive LASSO-regressie en backward stepwise logistische regressie. Variabelen die in ≥80% van de replicaties in beide methoden werden geselecteerd, werden behouden.
  5. Finale Modellering: Een multivariabele logistische regressie werd gefit met bootstrap standaardfouten. De modelprestaties werden geëvalueerd via de C-statistiek (discriminatie) en kalibratieplots.
  6. Marginale Predictie: Voorspelde waarschijnlijkheden van atorvastine-initiatie werden geschat voor specifieke patiëntprofielen om het criterium van "hoge waarschijnlijkheid" te beoordelen.
• Sensitiviteitsanalyse: Een beperkte analyse werd uitgevoerd op indexdata op of na 1 juli 2018 om temporele trends te evalueren.

Belangrijkste Resultaten

• Identificatie van Predictors: Vanuit een initiële set van 1.532 kandidaat-variabelen identificeerde het strikte selectieproces 19 significante, onafhankelijke predictors van atorvastine-initiatie.
• Sterkste Predictors: De twee meest robuuste predictors waren klinische opnames voor cerebrale infarcten (Odds Ratio [OR] 11,29; 95% BI 10,47–12,17) en klinische opnames voor acuut myocardinfarct (OR 6,56; 95% BI 5,92–7,27). Deze werden in bijna alle bootstrap-replicaties door beide validatiemethoden geselecteerd.
• Waarschijnlijkheid van Initiatie:
  • Een witte man met een recent klinisch cerebraal infarct had een voorspelde waarschijnlijkheid van atorvastine-initiatie van 69% (95% CI 68–70%).
  • Een witte man met een recent klinisch acuut myocardinfarct had een voorspelde waarschijnlijkheid van 59% (95% CI 56–61%).
  • In contrast hiermee leverden dezelfde diagnoses geregistreerd uitsluitend in poliklinische claims lagere waarschijnlijkheden op (respectievelijk 41% en 44%), en een poliklinische diagnose van hyperlipidemie leverde een waarschijnlijkheid van 34% op.
• Modelprestaties: Het finale model bereikte een C-statistiek van 0,78 met uitstekende kalibratie.
• Sensitiviteitsanalyse: De resultaten bleven consistent wanneer ze werden beperkt tot de tweede helft van de studieperiode, wat bevestigt dat de geïdentificeerde predictors onafhankelijk zijn van seizoensgebonden of temporele trends.

Betekenis en Claims
Het artikel beweert dat empirische predictieve modellering een systematisch mechanisme biedt om de tijd nul-events te valideren voor het emuleren van doelgerichte klinische trials, waarmee verder wordt gegaan dan theoretische aannames. De studie demonstreert dat het verankeren van tijd nul aan de ontslagdatum uit het ziekenhuis volgend op een klinische opname voor acuut myocard- of cerebraal infarct voldoet aan de drie kritieke vereisten voor een valide tijd nul-event:

1. Klinische Indicatie: Deze events zijn sterk geassocieerd met de richtlijn aanbevolen indicatie voor secundaire preventie met statines.
2. Hoge Initiatiekans: De empirische gegevens bevestigen een hoge waarschijnlijkheid (ca. 60–70%) van daadwerkelijke atorvastine-initiatie volgend op deze specifieke klinische events.
3. Temporele Precisie: Ontslagdata uit het ziekenhuis worden precies geregistreerd in administratieve claims.

De auteurs beargumenteren dat het gebruik van dit empirisch afgeleide tijd nul-event channeling bias, selectiebias (inclusief immortal time bias) en residu-confounding in toekomstige emulaties van doelgerichte klinische trials die de veiligheid van atorvastine bij oudere volwassenen beoordelen, kan verminderen. Door de geschiktheid, toewijzing van de behandeling en de follow-up te synchroniseren op een punt van hoge behandelingswaarschijnlijkheid, kunnen onderzoekers meer vergelijkbare groepen creëren en de interne validiteit van observationele studies naar medicijnveiligheid verbeteren. De studie erkent beperkingen, waaronder het gebrek aan laboratoriumgegevens (bijv. LDL-waarden) en lifestylefactoren, en merkt op dat externe validatie in onafhankelijke databases vereist is om de transporteerbaarheid van deze bevindingen te bevestigen.