Extending the saemix package for R to fit non Gaussian outcomes

No mundo da pesquisa clínica, cientistas frequentemente acompanham como as pessoas mudam ao longo do tempo. Eles podem medir o nível de um hormônio no sangue, contar quantas vezes um paciente sente dor ou registrar se um evento específico, como uma visita ao hospital, ocorreu. Essas medições não são apenas instantâneos isolados; são uma história que se desenrola ao longo de dias, semanas ou anos. Para dar sentido a essa história, os pesquisadores utilizam uma abordagem estatística chamada modelos de efeitos mistos não lineares. Pense nisso como uma forma de desenhar uma curva única e suave que represente a jornada média de um grupo inteiro, enquanto também reconhece que cada indivíduo percorre um caminho ligeiramente diferente. Algumas pessoas se recuperam mais rápido, outras mais devagar, e algumas apresentam efeitos colaterais que outras não apresentam. O desafio surge quando os dados monitorados não seguem um padrão simples de sino. Contagens de eventos, respostas de sim ou não, ou tempos até que um evento ocorra criam dados irregulares e acidentados que as ferramentas tradicionais têm dificuldade em interpretar.

Durante anos, os pesquisadores tiveram softwares poderosos para lidar com dados suaves e em formato de sino, mas as ferramentas para dados irregulares e acidentados eram caras, fechadas ao público ou difíceis de usar. Uma equipe de pesquisadores liderada por Emmanuelle Comets, Maud Delattre e Belhal Karimi decidiu mudar isso ao expandir as capacidades de um pacote de software gratuito e de código aberto chamado saemix. Originalmente projetado para medições contínuas, este recurso foi agora atualizado para lidar com os dados reais e desordenados que vêm na forma de contagens, categorias e tempos de sobrevivência. Os pesquisadores não apenas construíram a ferramenta; eles a testaram rigorosamente contra cenários complexos para garantir que ela pudesse encontrar as respostas verdadeiras escondidas no ruído. O trabalho deles fornece uma nova maneira acessível para cientistas modelarem desde a propagação de infecções até a frequência de problemas relacionados ao álcool, garantindo que os padrões únicos de pacientes individuais não sejam perdidos na busca por uma média geral.

O cerne deste trabalho reside no algoritmo que o software utiliza, conhecido como algoritmo SAEM. Imagine tentar encontrar o ponto mais alto em uma vasta cordilheira envolta em névoa. Você não consegue ver toda a paisagem de uma só vez, e o terreno é irregular. O algoritmo SAEM é um método para explorar esse terreno passo a passo. Ele começa com um palpite, simula caminhos possíveis através da névoa e, em seguida, refina seu palpite com base no que aprende com essas simulações. Ele repete esse processo, aproximando-se cada vez mais do pico verdadeiro, que representa a descrição mais precisa dos dados. Os pesquisadores estenderam este método para que ele pudesse navegar pelos picos e vales acidentados dos dados não gaussianos — dados que não seguem uma curva de sino padrão. Isso inclui dados binários, onde o resultado é simplesmente sim ou não, como se uma infecção na unha está presente ou ausente. Também abrange dados de contagem, como o número de vezes que um paciente relata um sintoma específico, e dados de tempo até o evento, que rastreia quanto tempo leva para algo acontecer, como a recorrência de uma doença.

Para provar que sua extensão funcionou, a equipe aplicou o software atualizado a conjuntos de dados do mundo real. Um exemplo envolveu um ensaio clínico comparando dois tratamentos para infecções fúngicas nas unhas. Neste estudo, 294 pacientes foram monitorados por quase um ano, com o status de sua infecção verificado em sete visitas diferentes. O resultado era binário: a unha estava limpa ou não estava. Os pesquisadores usaram o saemix para modelar como a infecção se resolvia ao longo do tempo e se um tratamento funcionava melhor que o outro. Eles descobriram que o software podia estimar com precisão a taxa de resolução da infecção e o efeito do tratamento, coincidindo com resultados de estudos anteriores que usaram softwares diferentes e mais caros. Esta foi uma validação significativa, mostrando que a ferramenta de código aberto poderia lidar com a complexidade de ensaios médicos onde os pacientes respondem de forma diferente à mesma terapia.

Outro caso de teste envolveu um estudo sobre problemas relacionados ao álcool entre estudantes universitários. Este conjunto de dados continha milhares de medições repetidas de quantos problemas os estudantes relatavam a cada seis meses. Os dados eram complicados porque um grande número de estudantes relatou zero problemas em muitos pontos, criando um pico massivo na base do gráfico, enquanto outros relataram números variados de problemas. Modelos padrão costumam falhar com tais dados porque não conseguem distinguir facilmente entre pessoas que nunca têm problemas e aquelas que os têm ocasionalmente. Os pesquisadores usaram o saemix para ajustar três tipos diferentes de modelos a esses dados de contagem. Eles descobriram que modelos especificamente projetados para lidar com o excesso de zeros, como o modelo de Poisson com excesso de zeros, forneceram um ajuste muito melhor do que um modelo padrão. O software capturou com sucesso o fato de que o número de problemas diminuía ao longo do tempo e que os homens tendiam a relatar um pouco mais de problemas do que as mulheres, tudo isso ao mesmo tempo em que considerava a variabilidade única entre os estudantes individuais.

Para ter certeza absoluta de que o software era confiável, a equipe não parou nos exemplos do mundo real. Eles criaram um estudo de simulação, essencialmente gerando milhares de conjuntos de dados falsos onde sabiam as respostas exatas de antemão. Eles alimentaram esses cenários conhecidos no saemix para ver se o software conseguia recuperar os valores verdadeiros. No caso de dados binários, o software teve um desempenho excepcional, recuperando os parâmetros verdadeiros com muito pouco erro. Mesmo quando introduziram mais complexidade ao permitir a variabilidade individual na taxa de mudança, o software permaneceu estável. Os pesquisadores também testaram diferentes pontos de partida para os cálculos para garantir que os resultados não fossem apenas um palpite de sorte baseado em onde o algoritmo começou. A consistência dos resultados através dessas simulações deu a eles confiança de que a ferramenta é robusta e pronta para o uso por outros cientistas.

O artigo também aborda uma limitação prática na forma como a incerteza é medida. Em estatística, saber a resposta não é suficiente; os pesquisadores precisam saber o quão confiantes podem estar nessa resposta. Para dados padrão, isso é geralmente calculado com uma fórmula que funciona bem. No entanto, para os tipos de dados irregulares nos quais este artigo se concentra, essa fórmula padrão muitas vezes produz resultados enganosos. Os pesquisamadores descobriram que uma abordagem diferente, chamada bootstrapping, funcionava muito melhor. Este método envolve a reamostragem dos dados muitas vezes para ver o quanto os resultados variam. Eles demonstraram que o uso dessa técnica de reamostragem no saemix forneceu um quadro mais preciso da incerteza, garantindo que, quando um pesquisador afirma que um efeito de tratamento é significativo, essa afirmação seja sustentada por evidências sólidas.

Ao longo de todo o seu trabalho, os autores enfatizaram a flexibilidade. O pacote saemix atualizado permite que os usuários definam suas próprias funções de verossimilhança, que é a regra matemática que descreve a probabilidade de um conjunto específico de dados ocorrer. Isso significa que, se um pesquisador encontrar um novo tipo de dado ou um processo biológico único, ele não ficará preso a um modelo pré-definido. Ele pode escrever as regras para sua situação específica, e o software lidará com o trabalho pesado dos cálculos. Esta flexibilidade é uma grande vantagem sobre o software comercial, que frequentemente restringe os usuários a um conjunto fixo de modelos. A equipe também melhorou as ferramentas visuais dentro do pacote, permitindo que os pesquisadores criem gráficos claros que mostram o quão bem o modelo se ajusta aos dados, ajudando-os a detectar quaisquer fraquezas ou áreas de melhoria.

As implicações deste trabalho estendem-se para além do código. Ao tornar estas técnicas avançadas de modelagem gratuitas e fáceis de usar, os pesquisadores estão baixando a barreira para cientistas que desejam analisar dados longitudinais complexos. Seja monitorando a progressão de uma doença crônica, avaliando a eficácia de uma intervenção de saúde pública ou compreendendo a dinâmica de um sistema biológico, a capacidade de modelar com precisão dados não padronizados é crucial. O artigo conclui que o saemix é agora uma ferramenta poderosa e totalmente de código aberto, capaz de lidar com uma ampla variedade de tipos de dados. Embora ainda existam algumas limitações, como a dificuldade de lidar com equações diferenciais complexas dentro do software, a extensão marca um passo significativo à frente. Oferece uma alternativa confiável, transparente e flexível para a comunidade científica, garantindo que as histórias escondidas em dados irregulares possam finalmente ser contadas com clareza e precisão.