[논문 리뷰] SurvRegCensCov: Weibull Regression for a Right-Censored Endpoint with a Censored Covariate

Stanislas Hubeaux, Kaspar Rufibach|arXiv (Cornell University)|2014. 02. 03.

Advanced Causal Inference Techniques참고 문헌 16인용 수 6

한 줄 요약

이 논문은 오른쪽으로 근거된 시간-사건 결과에 대해 Weibull 회귀를 가능하게 하는 R 패키지 SurvRegCensCov를 소개한다. 이는 한 개의 예측변수가 왼쪽 또는 간격으로 근거된 경우, 예를 들어 감도 한계 이하의 생물학적 마커 데이터와 같은 경우에 적용 가능하다. 이 방법은 파라미터적 가정(생존에 대해 Weibull, 근거된 예측변수에 대해 정규분포) 하에서 전체 우도 추정을 사용하여, 전통적인 대체 방법보다 낮은 편향과 평균제곱오차를 제공하며, 가설 검정에서 타입 I 오류를 정확하게 제어한다.

ABSTRACT

Biomarker data is often subject to limits of quantification and/or limits of detection. Statistically, this corresponds to left- or interval-censoring. To be able to associate a censored time-to-event endpoint to a biomarker covariate, the R package SurvRegCensCov provides software for Weibull regression for a right-censored endpoint, one interval-censored, and an arbitrary number of non-censored covariates. Furthermore, the package provides functions to estimate canonical parameters from censored samples based on several distributional assumptions, and a function to switch between different parametrizations used in R for Weibull regression. We illustrate the new software by applying it to assess Prentice's criteria for surrogacy in data simulated from a randomized clinical registration trial.

연구 동기 및 목표

• 예측변수가 근거된 경우(예: 감도 한계 이하)에 파라미터적 생존 회귀 소프트웨어의 부족을 해결하기 위해.
• 전체 우도 추정을 사용하여 근거된 예측변수의 분포적 성질을 정확히 반영함으로써 편향이 생기는 대체 전략을 피하기 위해.
• 기존 방법을 확장하여 예측변수의 간격 근거, 임의의 비근거된 예측변수, Weibull 회귀에서의 민감한 파arameter화를 허용하기 위해.
• 가설 검정에서 타입 I 오류 비율을 정확히 유지함으로써 통계적 추론의 타당성을 확보하기 위해(대체 기반 접근과 달리).
• 연구자들이 실제 임상 시험 데이터에 이 방법을 적용할 수 있도록 오픈소스 R 패키지를 제공하기 위해.

제안 방법

• 오른쪽 근거된 시간-사건 결과(Weibull 분포)와 근거된 예측변수(정규분포로 가정)를 함께 모델링하는 전체 우도 함수를 사용한다.
• 근거된 예측변수 관측치의 우도 기여도를 계산하기 위해 수치적 적분을 사용하여, Simpson의 법칙과 같은 조정 파rameter에 의존하지 않는다.
• 근거된 예측변수가 알려진 분포(예: 정규분포)를 따른다고 가정하는 파라미터 모델을 구현함으로써, 적절한 특정 조건 하에서 일관된 추정이 가능하다.
• 예측변수의 왼쪽 근거 및 간격 근거를 모두 지원하여 생물학적 마커 측정 한계를 더 현실적으로 모델링할 수 있다.
• R에서 사용되는 Weibull 회귀 모델의 다양한 파arameter화 방식 간 전환 기능을 제공하여 사용성과 호환성을 향상시킨다.
• Weibull 분포의 형태 및 척도 파ram터, 근거된 및 비근거된 예측변수의 회귀 계수를 추정할 수 있다.

실험 결과

연구 질문

• RQ1 생물학적 마커 예측변수가 왼쪽 근거된 경우, 전체 우도 추정을 사용한 Weibull 회귀는 전통적인 대체 방법(예: 감도 한계, 감도 한계/2, 또는 감도 한계/√2로 대체)과 비교해 편향과 평균제곱오차 측면에서 어떻게 다른가?
• RQ2 제안된 방법은 치료 효과에 대한 가설 검정에서 타입 I 오류 비율을 적절하게 유지하는가? 대체 기반 접근과 비교해 보자.
• RQ3 예측변수가 단순히 왼쪽 근거된 것 대비 간격 근거된 경우에 메서드의 성능은 어떻게 변화하는가?
• RQ4 정확성과 계산 가능성을 유지하면서도, 다수의 비근거된 예측변수를 포함할 수 있도록 메서드를 확장할 수 있는가?
• RQ5 모든 군집에서 근거된 예측변수에 대해 동일한 분포를 가정하는 것과 군집별로 다른 분포를 허용하는 것의 추정 편향에 미치는 영향은 무엇인가?

주요 결과

• 생물학적 마커 예측변수의 왼쪽 근거를 고려한 전체 우도 추정을 사용한 Weibull 회귀는 LOD 대체 방법(72.7 MSE)에 비해 훨씬 낮은 편향(β_MRD에 대해 0.00002)을 보였으며, 이는 더 높은 정확성을 의미한다.
• 치료 효과 파ram터 β_tmt의 평균제곱오차(MSE)는 제안된 방법에서 0.00004였고, Weibull 및 Cox 회귀의 LOD 대체 방법에 비해 각각 22.8과 1.8이었다.
• 제안된 방법은 명목상의 타입 I 오류 비율 0.05(실제 기각률: 0.050)를 유지하였고, LOD 대체 방법은 약간 과도하게 높였으며(각각 0.062 및 0.059) 이는 더 나은 빈도적 성질을 나타낸다.
• 중간 정도의 근거 비율(예: MRD 값의 35%가 근거됨)에서도 강건한 성능을 보였으며, 편향과 효율성 측면에서 전통적 방법을 능가했다.
• 패키지는 간격 근거된 예측변수를 성공적으로 처리할 수 있으며, 다수의 비근거된 예측변수를 포함할 수 있어 원래의 Sattar 등(2012)의 프레임워크를 초월한 적용 가능성을 확장한다.
• 수치적 적분이 필요하나, 계산 성능는 여전히 수용 가능하며, 일반적인 임상 시험 응용에 충분히 효율적이다.