Sample size and power determination for assessing overall SNP effects in joint modeling of longitudinal and time-to-event data

Título: Determinação de Tamanho Amostral e Poder para Avaliar Efeitos Globais de SNPs na Modelagem Conjunta de Dados Longitudinais e Tempo até Evento

Autores: Yuan Bian e Shelley B. Bull

1. Problema e Contexto

Em estudos genéticos, particularmente aqueles que envolvem biomarcadores longitudinais (como níveis de hemoglobina A1c) e desfechos de tempo até evento (como o desenvolvimento de complicações diabéticas), existe uma lacuna significativa nas considerações de desenho estatístico. Embora métodos para modelagem conjunta de dados longitudinais e de sobrevivência tenham avançado, há pouca atenção dedicada ao cálculo de tamanho amostral e poder estatístico para esses cenários.

O problema central abordado é a necessidade de estimar adequadamente o tamanho da amostra para detectar o efeito global de um Polimorfismo de Nucleotídeo Único (SNP). O efeito genético pode ocorrer de duas formas:

1. Efeito Direto: O SNP influencia diretamente o risco do evento (hazard).
2. Efeito Indireto: O SNP influencia o biomarcador longitudinal, que por sua vez afeta o risco do evento.

A maioria das fórmulas existentes foca em covariáveis binárias ou tratamentos, não sendo diretamente aplicáveis a SNPs, que são variáveis categóricas com três níveis (0, 1 ou 2 cópias do alelo de risco) e cujos efeitos podem ser bidirecionais (aumentar ou diminuir o risco), exigindo testes de hipótese de duas caudas.

2. Metodologia

Os autores desenvolveram uma abordagem baseada em Modelagem Conjunta (Joint Modeling) que integra dois submodelos:

• Submodelo Longitudinal: Modela a trajetória verdadeira do biomarcador ($\eta_i(t)$) como uma função do tempo e do genótipo do SNP, incluindo efeitos fixos e aleatórios específicos do sujeito.
• Submodelo de Sobrevivência: Utiliza um modelo de riscos proporcionais onde o hazard ($\lambda_i(t)$) depende da trajetória longitudinal verdadeira e do genótipo do SNP.

A Fórmula de Tamanho Amostral:
O artigo deriva uma fórmula de forma fechada para determinar o número de eventos ($D$) necessários para testar a hipótese nula de que o efeito global do SNP é zero ($H_0: \gamma_g + \alpha\beta_g = 0$), onde:

• $\gamma_g$: Efeito direto do SNP no hazard.
• $\beta_g$: Efeito do SNP na trajetória longitudinal.
• $\alpha$: Associação entre a trajetória longitudinal e o risco do evento.
• $2pq$: Variância do genótipo do SNP (onde $p$ é a frequência do alelo minoritário).

A fórmula proposta é:
$$D = \frac{(Z_{1-\tilde{\beta}} + Z_{1-\tilde{\alpha}/2})^2}{2pq(\gamma_g + \alpha\beta_g)^2}$$

Abordagem de Validação (Método de Duas Etapas):
Devido à complexidade computacional da modelagem conjunta direta (que frequentemente usa algoritmos EM), os autores propõem e validam um método de duas etapas para estimar o poder empírico:

1. Ajustar o modelo longitudinal completo para estimar o efeito do SNP ($\hat{\beta}_g$) e remover essa variação dos dados observados.
2. Ajustar um modelo de sobrevivência utilizando a trajetória longitudinal ajustada e o SNP para estimar o efeito global ($\theta_g$).

3. Principais Contribuições

• Fórmula de Forma Fechada: Derivação de uma fórmula analítica específica para o efeito global de SNPs em modelos conjuntos, superando a limitação de fórmulas anteriores focadas em tratamentos binários.
• Aplicação Prática: Desenvolvimento de um aplicativo interativo (Shiny app) para facilitar o cálculo de poder e tamanho amostral para pesquisadores.
• Análise de Viabilidade: Demonstração de que o tamanho amostral necessário é inversamente proporcional à variância do genótipo e ao quadrado do tamanho do efeito global, destacando a dificuldade de detectar variantes raras ou efeitos modestos.
• Validação Robusta: Extensa validação via simulações mostrando que a fórmula é precisa em diversas configurações de parâmetros, frequências de visitas e estruturas de efeitos aleatórios.

4. Resultados das Simulações e Análise de Dados

• Precisão da Fórmula: As simulações (1000 réplicas) demonstraram que a fórmula calculada fornece estimativas precisas do poder e do número de eventos necessários, mesmo com diferentes estruturas de covariância e tamanhos de efeito.
• Robustez: O poder estimado foi pouco afetado pelos parâmetros dos efeitos aleatórios, mas a precisão diminuiu quando o número de medições longitudinais por sujeito era muito baixo (cenários de censura intervalar).
• Viés na Omissão da Trajetória: A análise mostrou que ignorar o processo longitudinal ao modelar a sobrevivência leva a estimativas enviesadas do efeito direto do SNP, especialmente quando há uma forte associação entre o biomarcador e o evento.
• Aplicação no Estudo DCCT: Ao aplicar o método aos dados do Diabetes Control and Complications Trial (DCCT), os autores concluíram que o tamanho amostral original do estudo (aprox. 1.441 participantes) é insuficiente para alcançar poder estatístico adequado (80%) em níveis de significância convencionais de GWAS (ex: $5 \times 10^{-8}$), especialmente para alelos com frequências moderadas ou baixas. O braço de tratamento intensivo, com menos eventos, mostrou-se particularmente subpotente.

5. Significância e Conclusão

Este trabalho preenche uma lacuna crítica no desenho de estudos genéticos longitudinais. A fórmula proposta permite que pesquisadores planejem estudos com maior rigor, garantindo que o tamanho amostral seja suficiente para detectar efeitos genéticos sutis que operam tanto diretamente quanto através de biomarcadores intermediários.

A descoberta de que estudos existentes como o DCCT podem estar subdimensionados para análises de associação genética em modelos conjuntos tem implicações importantes para a interpretação de resultados negativos em estudos passados e para o planejamento de futuros ensaios clínicos e estudos de coorte. O método destaca a necessidade de equilibrar o controle de falsos positivos (com thresholds rigorosos de GWAS) com a necessidade de tamanhos de amostra maiores para variantes raras ou efeitos de pequeno porte.

Limitações Notadas: A precisão da fórmula depende da correta especificação do modelo longitudinal (não linearidade) e da suposição de que a censura não é informativa. A má especificação do modelo longitudinal pode levar a estimativas de poder incorretas.