Assessing survival models by interval testing with Poisson-binomial distributions

Resumo Técnico: Avaliação de Modelos de Sobrevivência por meio de Testes de Intervalo com Distribuições Poisson-binomiais

Definição do Problema
Nas submissões regulatórias para produtos farmacêuticos, particularmente em avaliações de tecnologias de saúde (HTA), a seleção do modelo paramétrico de sobrevivência apropriado é crítica para avaliações econômicas e para a extrapolação da eficácia do tratamento além das durações dos ensaios clínicos. Embora o número de abordagens de modelagem disponíveis (incluindo modelos paramétricos padrão, baseados em splines flexíveis e modelos integrados com dados externos) esteja aumentando, a seleção de modelos continua sendo um desafio. As práticas padrão atuais dependem fortemente do Critério de Informação de Akaike (AIC), do Critério de Informação Bayesiano (BIC) e da opinião subjetiva de especialistas. O artigo argumenta que esses métodos oferecem primariamente comparações de bondade de ajuste relativo, falhando em fornecer insights sobre se todos os modelos considerados são incompatíveis com os dados observados. Além disso, eles não identificam intervalos de tempo específicos onde um modelo ajustado apresenta desempenho insatisfatório, o que é vital para avaliar a validade das extrapolações de longo prazo.

Metodologia
Os autores propõem uma estrutura de teste de bondade de ajuste baseada no agrupamento de dados de sobrevivência em intervalos de tempo e na avaliação das contagens de eventos observados contra as contagens esperadas derivadas de um modelo ajustado.

1. Construção de Intervalos:

   • Intervalos Definidos por Censura: Os intervalos são definidos pelos tempos únicos de observações com censura à direita ($t'_{j,0}$). Esta abordagem, fundamentada em Akritas (1988), cria subintervalos $(t'_{j-1,0}, t'_{j,0}]$.
   • Intervalos Especificados: Os autores estendem o método para permitir intervalos definidos pelo usuário (por exemplo, 10 intervalos igualmente espaçados até o último censor). Esses intervalos especificados ($V_k$) são construídos fundindo os tempos de censura com as fronteiras definidas pelo usuário, criando um conjunto de subintervalos ($I'_i$).

2. Distribuição Estatística:

   • Sob a hipótese nula de que o modelo $M(\beta)$ descreve corretamente o processo gerador de eventos, o número de eventos em qualquer intervalo é modelado usando uma distribuição Poisson-binomial.
   • Para um intervalo específico, o número de eventos segue uma distribuição binomial $Binomial(N_{risk}, p)$, onde $N_{risk}$ é o número de pacientes em risco e $p$ é a probabilidade de um evento ocorrer naquele intervalo, dado que houve sobrevivência até o início do intervalo.
   • Ao agregar subintervalos dentro de um intervalo especificado, a soma de binomials independentes com probabilidades variáveis segue uma distribuição Poisson-binomial. Esta abordagem evita as suposições de normalidade assintótica exigidas pelos testes tradicionais de qui-quadrado (ex: Akritas).

3. Estatísticas de Teste:

   • Teste de Intervalo Individual: Os p-valores são calculados para cada intervalo. Os autores utilizam "p-valores de ponto médio" (midpoint p-values) para reprodutibilidade, embora reconheçam o uso de "p-valores randomizados" para uniformidade teórica.
   • Teste de Bonferroni: Utilizado para controlar fortemente a taxa de erro do tipo família (familywise error rate). Um intervalo é sinalizado se seu p-valor for extremo (muito baixo ou muito alto) em relação ao número de intervalos.
   • Teste de Fisher Transformado (TFT): Te uma estatística de teste contínua ($T_{cont} = -2 \sum \log(U_j)$) que agrega p-valores para detectar uma concentração incomum de valores extremos (tanto altos quanto baixos), seguindo uma distribuição $\chi^2$.
   • Proteção Contra Intervalos Muito Pequenos (PAVSI): Uma estatística de teste discreta ($T_{pavsi}$) que conta o número de intervalos cujos p-valores caem fora dos 95% centrais (ou seja, $p < 0,025$ ou $p > 0,975$). Esta estatística segue uma distribuição binomial e é projetada para mitigar a influência de p-valores extremamente extremos individuais.

Principais Contribuições e Resultados

• Identificação de Desajuste Local: Diferente do AIC/BIC, o método proposto destaca intervalos de tempo específicos onde os modelos falham, fornecendo insights acionáveis para a seleção de modelos e validade da extrapolação.
• Validação por Simulação: Um estudo de simulação envolvendo 12 cenários (variando número de pacientes e maturidade dos dados) e 10.000 iterações por cenário foi realizado.
  • Controle do Erro do Tipo I: Para p-valores randomizados, tanto a abordagem de intervalos definidos por censura quanto a de 10 intervalos igualmente espaçados mantiveram taxas de erro do Tipo I empíricas próximas ao nível nominal de 5%.
  • P-valores de Ponto Médio: Quando utilizando p-valores de ponto médio (recomendados para aplicação prática), a abordagem de intervalos definidos por censura mostrou-se altamente conservadora (erro do Tipo I frequentemente próximo de 0 ou <2%), particularmente para a estatística TFT em dados imaturos. Em contraste, a abordagem de 10 intervalos igualmente espaçados apresentou melhor desempenho, com taxas de erro do Tipo I geralmente variando entre 0,02 e 0,05, aproximando-se do nível nominal conforme o número de pacientes aumentava.
• Exemplos de Aplicação:
  • Exemplo 1 (Modelo Exponencial): Demonstrou a capacidade de detectar um ajuste ruim na cauda da curva (região de extrapolação) via rejeição de Bonferroni, o que a inspeção visual isolada poderia não detectar.
  • Exemplo 2 (Cenário de HTA): Comparou sete modelos paramétricos. A abordagem definida por censura falhou em detectar o ajuste ruim devido ao tamanho pequeno dos intervalos, enquanto a abordagem de 10 intervalos igualmente espaçados identificou desajuste significativo em 6 de 7 modelos, orientando a seleção de modelos mais flexíveis (ex: splines).

Significância e Alegações
O artigo alega que o método de teste de intervalo Poisson-binomial proposto oferece um avanço significativo sobre as abordagens clássicas ao:

1. Remover Suposições Assintóticas: Não depende das suposições de normalidade assintótica inerentes aos testes de qui-quadrado, tornando-o adequado para amostras menores ou padrões de censura complexos.
2. Capacidade Diagnóstica Granular: Vai além do ranking relativo de modelos para fornecer avaliações absolutas de bondade de ajuste, identificando especificamente onde no horizonte temporal um modelo é incompatível com os dados.
3. Utilidade Prática: Os autores recomendam a abordagem de 10 intervalos igualmente espaçados combinada com p-valores de ponto médio para uso prático, pois esta equilibra o controle do erro do Tipo I com a capacidade de detectar desajustes em cenários do mundo real (como o exemplo de HTA fornecido).

Os autores concluem que, embora o método seja uma ferramenta robusta para uma visão geral inicial e rejeição, ele deve ser utilizado em conjunto com outras métricas (como AIC/BIC) e inspeção visual, e não como um critério de decisão único. Eles observam que o método é flexível o suficiente para acomodar diferentes estratégias de seleção de intervalos e pode ser estendido para modelos de escore de risco.