OBIETTIVO DEL CORSO 

 

L’analisi classica dei dati di sopravvivenza standard presuppone che i soggetti siano esposti al rischio di un solo tipo di evento nel corso del follow-up, come per esempio la manifestazione di un evento serio di tipo cardiovascolare. Tale evento, è spesso di tipo composto in quanto definito come la manifestazione di almeno un evento all’interno di un insieme di eventi semplici, distinguendo nel caso in esame, ad esempio, tra evento serio cardiovascolare di tipo fatale e non fatale. In caso di analisi classica gli eventi semplici sono considerati equivalenti, pur comportando conseguenze ed interpretazioni nel contesto di analisi molto diverse.

 

La reinterpretazione di eventi semplici in competizione tra loro nell’originare l’evento composto, ha portato: i) da un lato all’applicazione degli strumenti tradizionali per descrivere il processo di sopravvivenza, quali ad esempio il metodo Kaplan Meier ed il modello di Cox, nascondendo errori grossolani; ii) dall’altro lato una richiesta da parte di revisori di manoscritti di analisi che tenessero conto di rischi competitivi anche in situazioni dove questo non risponda a delle domande a monte o sia poco realistico da considerarsi.

 

L’analisi dei dati in presenza di rischi competitivi include sia strumenti di analisi dedicati, che ad esempio vanno oltre dell’approccio basato sulla funzione azzardo attraverso il concetto di restricted mean model, che chiarisce sotto quali assunti si possano utilizzare gli strumenti standard e a quali domande di ricerca rispondano. L’analisi per rischi competitivi basata sulle incidenze osservate dei singoli eventi tiene conto della protezione indiretta che ogni evento semplice genera rispetto agli eventi rimanenti e conduce all’analisi attraverso il modello multi-stato che ne costituisce una interessante generalizzazione al caso di eventi successivi al primo trovando grande utilità come modello descrittivo in epidemiologia. Per converso, nell’analisi per rischi competitivi basata sui tempi potenziali dei singoli eventi (tempi latenti) l’effetto di protezione indiretta viene invece artificialmente rimosso. Quest’ultimo approccio sta ricevendo sempre più attenzione nell’analisi in medicina ed epidemiologia sulla manifestazione degli eventi avversi al trattamento in presenza di un evento di primario interesse. E’ il caso ad esempio degli eventi competitivi ricaduta e tossicità in un trial clinico.

 

Il corso “Analisi dei Rischi Competitivi” offre una panoramica teorica e applicata degli strumenti per gli studi di sopravvivenza nella presenza di rischi competitivi. Dopo una discussione della notazione per il dato di sopravvivenza in presenza di rischi competitivi, la distinzione tra censura e rischio competitivo ed il lessico generalmente utilizzato in letteratura, il corso si dipana in una serie di esempi illustrativi sugli strumenti per l’analisi di rischi competitivi basati sulle incidenze osservate e gli azzardi causa specifica e sui tempi potenziali dei singoli eventi (tempi latenti). Gli strumenti ed approcci all’analisi discussi considereranno la domanda clinica/epidemiologica come punto di partenza nell’individuare il tipo di analisi necessaria al contesto in esame. Il corso affronta i vari aspetti di analisi dei rischi competitivi rispondendo in particolare a specifiche domande clinico/epidemiologiche e guidando sia alla tipologia di analisi adottata sia all’interpretazione dei risultati.

 

DESTINATARI

 

Il corso è rivolto a ricercatori clinico-epidemiologici interessati ai principi di analisi e all’applicazione della metodologia per lo studio dei rischi competitivi comprendendo anche gli errori comunemente presenti in letteratura, utilizzando il software Stata. E’ disegnato per medici ed operatori in sanità pubblica provenienti da istituzioni pubbliche e private ma è anche indicato per Studenti, Dottorandi, Specializzandi e Assegnisti di Ricerca.

 

REQUISITI RICHIESTI

 

Conoscenza adeguata dei principi di base della biostatistica, della statistica e degli strumenti di base dell’analisi della sopravvivenza, nonché una conoscenza base del Software Stata.


PROGRAMMA

 

SESSIONE I

 

Censoring e troncamento

Presenza di rischio competitivo

Censoring informativo da rischio competitivo

Funzione di sopravvivenza

Incidenza cumulativa

Azzardo istantaneo

Azzardo cumulativo

Interpretazione del valore numerico della funzione azzardo

Legame con il tasso epidemiologico

Metodo Kaplan-Meier, Aalen-Nelson, Log-rank

 

Possiamo estenderli al caso dei rischi competitivi?

 

Modello di regressione di Cox.

 

Possiamo estenderli al caso dei rischi competitivi?

 

SESSIONE II

 

Funzioni di incidenza cumulativa grezza

Azzardo istantaneo causa specifica

Azzardo cumulato causa specifica in presenza di rischi competitivi

Metodo Aalen-Johansen, Aalen-Nelson, Log-rank in presenza di rischi competitivi. Relazioni teoriche e pratiche con l’analisi della sopravvivenza classica

Calcolo dei tassi in presenza di rischi competitivi e loro potenzialità.

 

SESSIONE III

 

Modello di Fine e Gray

Modelli di Andersen basato sugli pseudo valori

restricted mean models per rischi competitivi.

 

SESSIONE IV

 

Funzioni di sopravvivenza

 

 

 

 

Incidenza cumulativa

Azzardo istantaneo

Azzardo cumulativo – per variabile latente

Esempi motivanti (reazioni avverse in ambito clinico).

 

LETTURE CONSIGLIATE

 

Lau B., Cole S.R., Gange S.J.- Competing risk regression models for epidemiologic data. American Journal of Epidemiology 2009; 170:244-256.

 

Latouche A, Allignol A, Beyersmann J, Labopin M, Fine JP. – A competing risks analysis should report results on all cause-specific hazards and cumulative incidence functions.J Clin Epidemiol. 2013 Jun;66(6):648-53. Epub 2013 Feb 14. Review.

 

Bernasconi D.P., Antolini L. – Description of survival data extended to the case of competing risks: a teaching approach based on frequency tables. Epidemiology Biostatistics and Public Health 2014; 11.

 

Putter H., Fiocco M., Geskus R.B. – Tutorial in biostatistics: competing risks and multi-state models. Statistics in Medicine 2007; 26(11):2389-430.

 

Bernasconi DP, Rebora P, Iacobelli S, Valsecchi MG, Antolini L. Survival probabilities with time-dependent treatment indicator: quantities and non-parametric estimators. Statistics in Medicine 2015 Oct 26.

 

Allignol A, Beyersmann J, Schmoor C. Statistical issues in the analysis of adverse events in time-to-event data. Pharm Stat. 2016 Jul;15(4):297-305. doi: 10.1002/pst.1739. Epub 2016 Mar 1. PMID: 26929180.

 

Remdesivir Use in Patients Requiring Mechanical Ventilation due to COVID-19. Lapadula, Giuseppe; Bernasconi, Davide Paolo; Bellani, Giacomo; Soria, Alessandro; Rona, Roberto; Bombino, Michela; Avalli, Leonello; Rondelli, Egle; Cortinovis, Barbara; Colombo, Enrico; Valsecchi, Maria Grazia; Migliorino, Guglielmo Marco; Bonfanti, Paolo; Foti, Giuseppe. Open Forum Infect Dis ; 7(11): ofaa481, 2020 Nov.