生存時間解析の実務的課題のsasでの解決 競合リスク,非ph...
TRANSCRIPT
生存時間解析の実務的課題のSASでの解決競合リスク,非PHモデルの被験者数設計,
最適被験者数配分
東京理科大学
浜田知久馬
SAS solution for practical issues
on survival analysis
Competing risks, Sample size design nonPH model
and Optimal allocation of sample sizeTokyo University of Science
Chikuma Hamada
要旨
LIFETEST,PHREGの近年の拡張によって,生存時間解析における競合リスクの解析,Cumulative
Incidenceの推定とGray検定,Cox回帰を拡張したFine
and Gray(FG) modelの解析が可能になった. また分子
標的薬は,遺伝子型によって,反応の仕方が大きく異なり,生存時間曲線が比例ハザード型にならないことが多い.
本発表では生存時間解析の実務的課題のSASでの解決について,次の内容のチュートリアルを行う.
1)最適被験者数配分
2)非PHモデルの被験者数設計
3)競合リスクキーワード:競合リスク,POWER,LIFETEST,PHREG
2
最適被験者数配分(POWER)
groupweights =オプション
3
被験者数設計のペンタゴンα,β,σ,Δ,NΔ:効果の大きさ
σ:ばらつきN
α β
meandiff
stddev
被験者数設計α,β,σ,Δを固定
検出力α,σ,Δ,N
を固定2
22)(2
SDzzN
4
非等例数被験者数設計NN:総例数 N1:群1のN N2:群2のN
NN
Nw
NN
Nw
ww
SDzzNN
SDzzSDzzNN
NNNN
22
11
2
21
22
2
22
2
22
21
,
)(
5.05.0
)()(4
SD,:
:2
アンバランスデザイン
バランスデザイン
:標準偏差平均値の差
群で必要な例数
5
非等例数被験者数設計
212121
2121
2121
21
2121
12
:2
1
2
5.0
1
1111
wwwwww
wwww
zz
wNNwSD
wNNw
wwSD
NNwNNwSD
NNSD
yyt
は
は最大のとき
6
非等例数被験者数設計の効率
w1 w2 w1×w2 1/(w1×w2)
1/2 1/2 1/4 4
1/3 2/3 2/9 9/2=4.5
1/4 3/4 3/16 16/3=5.33
1/5 4/5 4/25 25/4=6.25
1/6 5/6 5/36 36/5=7.2
2
21
22)(
ww
SDzzNN
7
非等例数被験者数設計
proc power;
twosamplemeans test=diff
meandiff = 1
stddevs =5
groupweights =
(1 1) (1 2) (1 3) (1 4) (1 5)
ntotal =.
power = 0.8;
run;8
非等例数被験者数設計Computed N Total Δ =1,SD=5,α =0.05,β =0.2
Weight1 Weight2 Actual Power
N Total(N1:N2)
1 1 0.801 788(394:394)
1 2 0.800 885(295:590)
1 3 0.801 1052(263:789)
1 4 0.801 1230(246:984)
1 5 0.800 1416(236:1180)
同一検出力に必要な総被験者数は等例数のとき最小9
非等例数被験者数設計
1)総被験者数は増えるが,特定の群のNは減少
1:2(+12%),1:3(+33%),1:4(+56%)
1:1が最適だが,1:2でもNはあまり増えない.
2)非等例数の利点
プラセボ群を減らして,
倫理性,参加意欲の向上
新薬群を増やして,使用経験を増やす
多群試験でより有効にNを配分10
多重比較の最適な配分
Tukey型(全ての対比較):Nを等例数させる
Dunnett型(基準群とのk群との比較)
NN:総例数 N0:基準群のN Ni:比較群のN
基準群+k比較群,p:比較群と基準群のNの比
N0 =p×Ni ,NN=pNi +kNi = (p+k)Ni
このとき最適な比:
例 k=4(p=2),NN=60: N0=20 Ni=10
kp
11
Dunnett型の比較(基準群との比較)
が最小のときQ01
)(
1
1
1
)(
1
1
111
2
0
0
0
kpp
k
dp
dQ
p
kpkp
kp
p
kp
Q
kp
p
kp
NN
SD
YY
NN
YYt i
i
i
12
多重比較の最適な配分NN=60,5群の場合
Tukey型(全ての対比較)
Dunnett型(基準群との比較)
12 12 12 12 12
2010 10 10 10
k=4(p=2) 13
最適と等例数デザインの比較
proc power;
twosamplemeans test=diff
meandiff = 0 to 2 by 0.1
stddev =1
groupns =(20 10)(12 12)
power = .;
plot x=effect;
run;14
最適と等例数デザインの検出力の比較
最適(20,10,10,10.10)等例数(12,12,12,12,12)
15
相対効率 最適な配分による効率の上昇はあまり大きくない
の比等例数の総症例数
に対する同じ検出力になる最適
相対効率)
NN
1
)1(2:(
k
kRE
比較群の数16
基準群との比較の最適配分・基準群の被験者数を 倍にするのが最適配分
1)検出力の改善は大きくない.
2)プラセボ群を増やすのは非倫理的で,臨床試験では用いられることはない.
3)非臨床のスクリーニングでは効率的.
(癌原性試験のデュアルコントロールデザイン)
4)Williams検定の検出力も改善.
5)CLMHデザインでは,用量相関性の検出力を上げるためにはC,Hの配分を増やす.
k
17
生存時間解析の被験者数設計
イベント発現割合
必要イベント数症例数=:N
Schoenfeld式
統計ソフトウエア
α
β
HR
登録期間 登録パターン
観察期間 脱落率
octagon
参照群のハザード
2
2
))(log(
2}{
HR
zzd
18
生存時間解析の検出力proc power;
twosamplesurvival test=logrank
curve("Control") = (12):(0.70)
curve("Treatment") = (12):(0.90)
groupsurvival = "Control" | "Treatment"
groupweights=(100 100) (90 110)
(80 120) (73 127) (67 133)
accrualtime = 0.001
followuptime = 5.999 11.999
ntotal=200 power =.;run; 19
想定する生存時間曲線
1)生存確率は高く,イベント発現率は低い2)特に2群では,イベントが10%しか起きない
1群
2群
生存確率
S1(12)=0.7
S2(12)=0.9
20
Fixed Scenario Elements
Method Lakatos normal approximation
Accrual Time 0.001
Group 1 Survival Curve Control
Form of Survival Curve 1 Exponential
Group 2 Survival Curve Treatment
Form of Survival Curve 2 Exponential
Group 1 Weight 100
Group 2 Weight 100
Total Sample Size 200
Index Follow-upTime
Weight1 Weight2 Power
1 6 100 100 0.726
2 6 90 110 0.745
3 6 80 120 0.756
4 6 73 127 0.759
5 6 67 133 0.758
6 12 100 100 0.944
7 12 90 110 0.952
8 12 80 120 0.956
9 12 73 127 0.957
10 12 67 133 0.95621
α =0.05,β =0.2, S1(12)=0.7, S2(12)=0.9
N1100 90 80 73 67
N2100 110 120 127 133
追跡期間
6.0 6.0 6.0 6.0 6.0
検出力 0.726 0.745 0.756 0.759 0.758
期待イベント
16+5=
21
14+6=
20
13+6=
19
12+6=
18
11+6=
17
73(36.5%):127(63.5%)のとき検出力最大
追跡期間:6ヶ月
22
α =0.05,β =0.2, S1(12)=0.7, S2(12)=0.9
N1100 90 80 73 67
N2100 110 120 127 133
追跡期間
12.0 12.0 12.0 12.0 12.0
検出力 0.944 0.952 0.956 0.957 0.956
期待イベント
30+10
=40
27+11
=38
24+12
=36
22+13
=35
22+12
=34
73(36.5%):127(63.5%)のとき検出力最大
追跡期間:12ヶ月
23
生存時間の被験者数設計Schoenfeld式
0logloglog: 120 HRH
dd
h
hhV
h
hhVh
11][
log][log,
2
2
2
==≒
12
12
12
12
11
)log()log(
)]log()[log(
)log()log(
][log
log
dd
hh
hhV
hh
HRV
HRZ
≒
zzd
HR
dd
hhZ
2
)log(
11
)log()log(:Hunder 12
0 ≒
ハザード比群のハザード
群当たりの死亡数
:HR2,1:,
1:))(log(
}{2
21
2
2
HR
zzd
24
生存時間解析の最適な被験者数配分
1
2
1
2
2
2
2
1
2
2
2
1
21221121
21
1
)1(
0)1(
11][log
)1(
111111][log
1(:1
)1(1:
F
F
F
F
ppFpF
pNNFpNNFp
HRV
FpNNNNpFFNFNddHRV
SF
pNNNNpNNNNp
生存率)ト発生率最終時点の累積イベン
群の割合
F2が小さいので(1-p)を大きくする必要がある.
25
α =0.05,β =0.2, S1(12)=0.7, S2(12)=0.9
群1のNの割合
21 )1(
11][log
FpNNNNpFHRV
p=0.366(73:127)のとき分散最小1:1より1:2の方が検出力が高い
26
検出力を最大にする配分F1累積発現1
F2累積発現2
最適配分(群1)
0.1 0.1 0.50000
0.2 0.1 0.41421
0.3 0.1 0.36603
0.4 0.1 0.33333
0.5 0.1 0.30902
0.6 0.1 0.28990
0.7 0.1 0.27429
0.8 0.1 0.26120
0.9 0.1 0.25000
0.3 0.3 0.50000
0.4 0.3 0.46410
0.5 0.3 0.43649
F1累積発現1
F2累積発現2
最適配分(群1)
0.6 0.3 0.41421
0.7 0.3 0.39564
0.8 0.3 0.37980
0.9 0.3 0.36603
0.5 0.5 0.50000
0.6 0.5 0.47723
0.7 0.5 0.45804
0.8 0.5 0.44152
0.9 0.5 0.42705
0.7 0.7 0.50000
0.8 0.7 0.48331
0.9 0.7 0.46863
0.9 0.9 0.50000
333.0
1.0
4.01
1.0
4.0
11
2
1
2
F
F
F
F
p
27
非等例数被験者数設計
1)計量データでは等例数が検出力が最大になる最適デザイン.生存時間解析でも帰無仮説の下では生存確率が等しいので等例数が最適
2)生存時間解析では,生存確率が高い群のNを増やした方が精度が改善され,検出力が高くなる.(1:2)でも検出力は高い.
3) (1:2)デザインは期待イベント数
が減少し,倫理的にも合理的
4)生存確率の誤特定の問題1
2
1
2
1F
F
F
F
p
28
TAS-102試験
TAS-102 monotherapy for pretreated
metastatic colorectal cancer: a double-
blind, randomised, placebo-controlled
phase 2 trial
Takayuki Yoshino, M.D., Nobuyuki Mizunuma, M.D., Kentaro Yamazaki, M.D., Tomohiro Nishina, M.D., Yoshito
Komatsu, M.D., Hideo Baba, M.D., Akihito Tsuji, M.D., Kensei Yamaguchi, M.D., Kei Muro, M.D., Naotoshi
Sugimoto, M.D., Yasushi Tsuji, M.D., Toshikazu Moriwaki, M.D., Taito Esaki, M.D., Yasuo Hamamoto, M.D.,
Chikuma Hamada, Ph.D., Atsushi Ohtsu, M.D.
Lancet OncologyVolume 13, No. 10, p993–1001, October 2012
http://dx.doi.org/10.1016/S1470-2045(12)70345-5
a multicentre, double-blind, randomised, placebo-controlled phase 2
trial
多施設,二重盲験,ランダム化,プラセボ対照,第二相試験29
被験者数設計(N=162)
想定
HR:0.67
MST:Median Survival Time
TAS-102(2):9m. Control(1):6m.
登録期間
追跡期間
6m.(論文に情報なし)
12m. メディアン追跡期間:11.3m.
IQR(四分位範囲):10.7-14.0m.
αエラー 片側10%
検出力(1-β) 80%(80%の確率で有意になる)
解析方法 ログランク検定30
想定する生存時間曲線
MST=6 MST=9
S(18)=0.25
S(18)=0.125
481.0
875.0
75.01
875.0
75.0
11
2
1
2
F
F
F
F
p
指数分布:67,09
6
2
1
1
2
MST
MST
h
hHR
31
POWERプロシジャによる被験者数設計proc power;
twosamplesurvival test=logrank
groupmedsurvtimes = (6 9)
accrualtime = 6 totaltime = 18
groupweights=(1 1) (1 2) (1 3) (1 4)
ntotal=.
alpha=0.20 power =0.80 ;
plot min=0.20 max=0.9
xopts=(ref=.8 crossref=yes)
vary (color by groupweights);run;
32
Computed N Total
Index Weight1
Weight2
Actual Power
N Total
Ceiling EventTotal
1 1 1 0.801 146 110
2 1 2 0.801 159 116
3 1 3 0.805 188 133
4 1 4 0.801 215 153
検出力と被験者数
(1:4)
(1:3)
(1:2)
(1:1)
33
等例数の被験者数設計 片側10%
検出力
TAS-102:73 Control:73 計146
TAS-102:106 Control:106
TAS-102:53 Control:53
1 1
(75:75) 検出力:80.9%期待イベント数:122
34
2:1の被験者数設計 片側10%
検出力
総被験者数
TAS-102:106 Control:53 計159
TAS-102:154 Control:77
TAS-102:76 Control:38
2 1
2:1の被験者数設計 片側10%
(100:50) 検出力:78.3%期待イベント数:119
35
非等例数被験者数設計2:1デザインは抗がん剤では有効
1)非等例数被験者数設計 (2:1)
総被験者数は増える(効率は低下する)が,
146 (1:1)→159 (2:1) (計量データほどは増えない)
N: 1:2(+9%),1:3(+29%),1:4(+47%)
E: 1:2(+5%),1:3(+21%),1:4(+39%)
プラセボ群のNは減少 73→53
脱落の影響等は POWERプロシジャで考慮可
2)非等例数の利点
致死性が強い疾患では,プラセボ群を減らして,倫理性の向上.新薬群を増やして,使用経験を増やす.
36
*TAS-102 の結果Overall Survival
ハザード比(0.56)とその信頼区間(0.39-0.81) p=0.0011
(57:112)
37
非比例ハザードモデルの被験者数設計(POWER)
curve=オプションpiecewise
mixture(PM)
モデル
Fleisher
モデル
38
Nivolumab(オブジーボ)の第3相臨床試験
Nivolumab versus Docetaxel in Advanced
Nonsquamous Non–Small-Cell Lung Cancer
n engl j med 373;17 nejm.org October 22, 2015
H. Borghaei, L. Paz-Ares, L. Horn, D.R. Spigel, M. Steins, N.E. Ready, L.Q. Chow,
E.E. Vokes, E. Felip, E. Holgado, F. Barlesi, M. Kohlh.ufl, O. Arrieta, M.A. Burgio,
J. Fayette, H. Lena, E. Poddubskaya, D.E. Gerber, S.N. Gettinger, C.M. Rudin,
N. Rizvi, L. Crinò, G.R. Blumenschein, Jr., S.J. Antonia, C. Dorange,
C.T. Harbison, F. Graf Finckenstein, and J.R. Brahmer39
研究デザイン
http://www.nejm.org/doi/suppl/10.1056/NEJMoa1507643/suppl_file/
nejmoa1507643_protocol.pdf (試験のプロトコール)
Test
Cont
オブジーボ
ドセタキセル
40
がん免疫療法開発のガイダンス 2016
後期臨床試験の考え方http://www.jaci.jp/pdf/kg.pdf
免疫チェックポイント阻害剤及びがんワクチンの特性として,効果発現までに一定の時間を要すること,効果が長期的に持続することがあげられる.対照群と被験薬群の生存曲線が重なったまま推移した後,一定の時期以降に開く場合,比例ハザード性の仮定が成立しないため,中間解析及び最終解析の方法及び時期について十分に検討する必要がある.
免疫チェックポイント阻害薬:免疫チェックポイントと呼ばれている免疫のブレーキ役の部分(PD-L1とPD-1の結合)を阻害する薬
41
当初の被験者数設計(N=574, 403総イベント数)
想定 MST(Median Survival Time)
Test:11.1m. Control(1):8m.
ハザード比HR:0.72(8/11)指数分布
期間 登録期間:13m. 追跡期間:12m.
αエラー O’Brien–Fleming型α消費関数
両側5%(1.1%,4.7%),情報時間65% (262イベント) で中間解析
検出力(1-β) 90%(90%の確率で有意になる)
解析方法 ログランク検定42
当初の生存時間曲線の想定
Cont:MST=8
Test(オブジーボ):MST=11.1
HR=0.72
43
POWERによる被験者数設計proc power;
twosamplesurvival test=logrank
groupmedsurvtimes=(8 11.1)
accrualtime = 13
followuptime =17
sides=2
alpha=0.047 0.050
eventtotal =.
power =0.90; run;
44
Fixed Scenario Elements
Method Lakatos normal approximation
Form of Survival Curve 1 Exponential
Form of Survival Curve 2 Exponential
Number of Sides 2
Accrual Time 13
Follow-up Time 17
Group 1 Median Survival Time 8
Group 2 Median Survival Time 11.1
Nominal Power 0.9
Computed Ceiling Event Total
Index Alpha Fractional EventTotal
Actual Power Ceiling EventTotal
1 0.047 397.777975 0.900 398
2 0.050 391.392245 0.900 392
(計画総イベント数:403) 45
Protocol amendment
Based on observations from ipilimumab trials and observations from CA209-003 study in lung cancer, key modeling assumptions are made as follows: a 4-months delayed separation of curves between docetaxel and nivolumab treatment groups, a 18% ‘cure’ rate (long term survival) in the nivolumabtreatment group, and a 8 months median OS for ‘non-cured’ nivolumab subjects.
The piecewise mixture distribution for nivolumabhas an overall 9.8 mo median OS. Accrual rates are updated based on observed.
(シミュレーションによって被験者数設計)2群でN=574,442総イベント数
46
最終的な被験者数設計(N=574,442総イベント数)
想定 MST: Median Survival Time
Test:9.8m. 区分混合分布
Control:8m. 指数分布
期間 登録期間:13m. 追跡期間:17m.
αエラー O’Brien–Fleming型α消費関数
両側5%(3.1%,4.1%)情報時間86%(380イベント)で中間解析
検出力(1-β) 90%(90%の確率で有意になる)
解析方法 ログランク検定47
piecewise mixture distribution
区分混合分布
・対照群はMST=8の指数分布
・試験群の効果は,4ヶ月まで発現しない
・試験薬に反応するのは,18%のみ,残りの82%は対照群と同じMST=8の指数分布
82% 18%
指数分布 区分指数分布
4ヶ月以降ハザードが低下
48
piecewise mixture distribution
区分混合分布
能について解くことが可から
を与えるとと
2
1
21
1
11
1
1
5.0)8.9(
)8()18.0(
))4(exp()4exp(
)exp()1()(:4
)exp()exp()1(
)exp()(:4
mixturepiecewise:
)exp()(exponntial:
S
MSTw
tw
twtSt
twtw
ttSt
Test
ttSCont
ハザード関数
時点4
λ1
λ2
Cont
Test
49
Ncure Cure
Cont:100% 0%
Test: 82% 18%
Ncure効集団PL-1低発現
Cure集団PL-1高発現
exponential(指数)モデル
piecewise(区分)モデル
))4(exp()4exp()( 21 ttS
)exp()( 1ttS
生存関数
50
混合率と区分混合分布
100%
80%
60%
40%
20%
0%
))4(exp()4exp()( 21 ttS
)exp()( 1ttS
生存関数
混合率w
51
piecewise mixture(PM) モデル
Cont:N:100%
Test:N:82% C:18%Cont:MST=8
Test:MST=9.8
))4(exp()4exp(
)exp()1()(
21
1
tw
twtS
52
同じMSTの比例ハザード(PH)モデル
Test:MST=9.8
Cont:MST=8最後の差は小さい
53
比例ハザードモデルに基づく被験者数設計
proc power; twosamplesurvival test=logrankgroupmedsurvtimes=(8.0 9.8)accrualtime = 13followuptime =17sides=2alpha=0.041 0.050eventtotal =.power =0.90; run;
MST
Test:9.8m. 指数分布
Control:8m. 指数分布
54
Fixed Scenario Elements
Method Lakatos normal approximation
Form of Survival Curve 1 Exponential
Form of Survival Curve 2 Exponential
Number of Sides 2
Accrual Time 13
Follow-up Time 17
Group 1 Median Survival Time 8
Group 2 Median Survival Time 9.8
Nominal Power 0.9
Number of Time Sub-Intervals 12
Computed Ceiling Event Total
Index Alpha Fractional EventTotal
Actual Power Ceiling EventTotal
1 0.041 1071.919471 0.900 1072
2 0.050 1018.717297 0.900 1019
(PMモデル:442総イベント数) 55
CURVE=オプション区分直線(Piecewise Linear)モデル生存確率の指定方法
CURVE("label")=points 0.9
0.70.6
0.70.55
=1:0.9 2:0.8
(3 to 6 by 1):(0.7 0.65 0.6 0.55)
=1:0.9 2:0.7 3:0.6
=(1 to 3 by 1):(0.9 0.7 0.6)
各時点の生存確率をPMモデルから算出各時点が一つの
場合は指数分布
1 2 3 4 5 6 56
区分直線分布に基づく被験者数設計
proc power;
twosamplesurvival test=logrank
curve("Control") = (8):(0.5)
curve("Test") =(1 to 30 by 1):
(0.917 0.8409 0.77111 0.70711 0.66371 0.62387 0.58729 0.5537 0.52285 0.49453
0.4685 0.4446 0.42263 0.40245 0.38389 0.36683 0.35115 0.33672 0.32345 0.31124
0.29999 0.28964 0.28011 0.27132 0.26322 0.25575 0.24886 0.2425 0.236620.23119)
groupsurvival = "Control" | "Treatment"
accrualtime = 13
followuptime =17
sides=2 alpha=0.041 0.050
eventtotal =.
power =0.90; run; ))4(exp()4exp(
)exp()1()(
:4:
)exp()(:
21
1
1
tw
twtS
tTest
ttSCont
57
Fixed Scenario Elements
Method Lakatos normal approximation
Number of Sides 2
Accrual Time 13
Follow-up Time 17
Group 1 Survival Curve Control
Form of Survival Curve 1 Exponential
Group 2 Survival Curve Treatment
Form of Survival Curve 2 Piecewise Linear
Nominal Power 0.9
Computed Ceiling Event Total
Index Alpha Fractional EventTotal
Actual Power Ceiling EventTotal
1 0.041 415.518329 0.900 416
2 0.050 394.895065 0.900 395
(計画総イベント数:442) 58
PM vs. PH
中間解析(有意水準4.08%)
413 イベント (最終解析の442イベントの93%)
6ヶ月から分離
59
BEYOND試験Zhou C et al.J Clin Oncol. 2015 Jul 1;33(19):2197-204 PMID:26014294
PFS OS
OSのカプランマイヤー曲線の中のPFSにあたる部分を見ると差がないように見える
60
生存時間のモデル(Fleischer)
死亡
増悪
ランダム化
TTPPPS
薬剤がTTPのみを延長増悪が起きても,死亡までは時間がかかる
HR=1
HR=1
HR=0.1
増悪をほぼ完全に抑制
S without progression
61
PFS OS
増悪が起きても,死亡までは時間がかかる
62
PPS:Post Progression Survival
λ1
λ2
λ3
63
Fleisherのモデル
死亡と増悪が競合
の指数分布ハザードが
指数分布)
)(
ondistributi lexponentia:))(exp(1)(
))(exp()exp(1)(
)exp(1
)exp(1
)exp(1
( 関数各イベントの累積分布
21
21
21
321
323
321
1
3
2
1
ttF
tttF
tF
tF
tF
PFS
os
S
PPS
TTP
64
生存時間のモデル(Fleischer)
死亡
増悪
ランダム化
TTP
PPS
試験薬剤がTTPのみを延長増悪後は,同一の後治療
薬剤は再発のハザードを低下させる
λ1=1.2,0.6
HR=0.5
λ2=0.5,0.5
HR=1
λ3=1.4,1.4
HR=1
S without progression
65
OSの生存時間曲線
))(exp()exp()( 21
321
323
321
1 tttS
効果非比例ハザード的な
最初は差が小さい
66
PFSの生存時間曲線
)7.1exp()( ttS
)1.1exp()( ttS
0.6471.1/1.7 ハザード比:
比例ハザードモデル
67
区分直線モデルによる被験者数設計
proc power;
twosamplesurvival test=logrank
curve("Control") = (0.1 to 1 by 0.1):
(0.94644 0.88782 0.82670 0.76499 0.70410
0.64506 0.58858 0.53514 0.48501 0.43834)
curve("Treatment") = (0.1 to 1 by 0.1):
(0.94879 0.89599 0.84268 0.78969 0.73768
0.68713 0.63842 0.59179 0.54742 0.50542)
groupsurvival = "Control" | "Treatment"
accrualtime = 0.001 followuptime =0.999
sides=2 alpha=0.050 ntotal =. power =0.80; run;
))(exp()exp()( 21
321
233
321
1 tttS
68
Fixed Scenario Elements
Method Lakatos normal approximation
Number of Sides 2
Accrual Time 0.001
Follow-up Time 0.999
Alpha 0.05
Group 1 Survival Curve Control
Form of Survival Curve 1 Piecewise Linear
Group 2 Survival Curve Treatment
Form of Survival Curve 2 Piecewise Linear
Nominal Power 0.8
Computed N Total
Actual Power N Total
0.800 207469
1年生存確率に基づくPHモデルの被験者数設計
proc power;
twosamplesurvival test=logrank
curve("Control") = (1):(0.43834)
curve("Treatment") = (1):(0.50542)
groupsurvival = "Control" | "Treatment"
accrualtime = 0.001
followuptime =0.999
sides=2 alpha=0.050
ntotal =.
power =0.80; run;
70
Fixed Scenario Elements
Method Lakatos normal approximation
Number of Sides 2
Accrual Time 0.001
Follow-up Time 0.999
Alpha 0.05
Group 1 Survival Curve Control
Form of Survival Curve 1 Exponential
Group 2 Survival Curve Treatment
Form of Survival Curve 2 Exponential
Nominal Power 0.8
Computed N Total
Actual Power N Total
0.800 1624
最初は差が小さいことが考慮されてない
71
競合リスクモデルによる解析
LIFETEST,PHREG
eventcode=オプション
がん
心臓病脳卒中
72
MEDLINEで”competing risks”で検索された論文数
2016 29482015 8972001 84
73
競合リスクモデルによる解析
SAS/STAT 13.1
Fine and Gray
(1999)の競合リスク
モデルをPHREGプロシジャで
実行できる.
SAS/STAT 14.1
LIFETESTプロシジャは,競合リスクデータの
ノンパラメトリックな分析(CI推定とGray検定)を実行できる.
SAS
R, STATA SPSS
74
競合リスク(Competing Risks)
• Multiple possible failures
複数のイベントを設定
e.g. death(死亡),recurrence(再発)
death, local relapse(局所), distant relapse(遠隔)
• 全ての死因をイベントして解析
• 原因別(cause specific)failureの解析
他のfailure typeを打切りと扱って解析
(独立性の仮定が必要)
• Cumulative Incidence(CI)の解析
75
生存時間 3種類の関数の関係式と指数分布の場合
)(
)())(1log()(log)(
)exp()()()(')(
)exp(1)()(1)(
)exp())(exp())(exp(
)(1)Pr()(
0
0
tS
tf
dt
tFd
dt
tSdth
tthtStFtf
tduuftStF
tduuhtH
tFtTtS
t
t
76
3種類の確率密度関数
0
21
0
0
000
1)(),()()()()3
1:
)()()()()(
,
1)(),()()(2)
1)(,OS
:)()()(1)
)()(,)()(,)()(
dttftftSthtf
KM
tStStStStS
j
dttftSthtf
dttf
tSthtf
CIdttftFdttftFdttftF
bjajjbj
jm
ajjjaj
t
jbjbj
t
ajaj
t
価確率密度関数を過大評
独立性が前提:
他は打ち切りがイベント特定の死因
数に対応する確率密度関
全ての死因がイベント
77
*イベント,打切り,競合リスク・打切りを起こした個体は,その時点以降,将来,当該のイベントを起こす可能性がある.
生存時間解析では,イベントと打切りの独立性を仮定,KM法では打切り例はイベント例と同様のリスクがあることを前提.
・競合リスクを起こした個体は,その時点以降,将来,当該のイベントを起こす可能性はない.
がん死亡,心疾患死亡,脳疾患死亡
死亡した個体は再発を起こさない.1-KMは累積再発率を過大に評価,Bone Marrow
Transplantation (2001;28:1001-1011)CIの利用を推奨78
競合リスクのタイプ
1
2
1
2
2
1
確率が変化
1
2
2
確率が変化
古典的競合リスク1:心疾患死亡2:脳疾患死亡1と2は背反
広義の競合リスク1:心筋梗塞2:脳梗塞1と2は独立でない
準競合リスク1:癌の再発2:死亡
終了イベント
79
競合リスクの扱い
1,2 2種類の原因による死亡(failure)
1)1,2の双方をイベントとして扱う(黒). 正の相関
2のイベントが起きた直後に1も起こる.
1:心筋梗塞 2:脳梗塞
2)1をイベント,2を打切りとして扱う(赤).独立
3)2が起きた場合,1は最終時点で打切り(緑)負の相関.
2のイベントが起きたら,1は起きない.
1:心筋梗塞の死亡 2:脳梗塞の死亡
N=21の仮想データ
6 2 6 1 6 1 6 1 7 1 9 2 10 2 10 1 11 2 13 1 16 1 17 2 19 2 20 2 22 1 23 1 25 2 32 2 32 2 34 2 35 2 80
イベントと打切りの独立性の仮定と乖離
―:独立 ----:負の相関 ‐‐黒:正の相関
競合リスク
打切り
1,2の双方をイベント
81
競合リスクの定式化
死亡数,のリスク集合の大きさ時点
で死亡するハザード)時点tの瞬間で死因
のみをイベント
:t:
)|,Pr()(
j(
),,min(
,,1
function hazard specific Cause
lim0
1
dn
n
dtTjJtTtth
TTifjJTTT
j
mJ
t
t
jt
j
jm
82
Cumulative Incidence(CI)
CI:特定の死因jで死亡する累積確率
全てイベント)
数部分分布の確率密度関
(1)()(
:)(
)()()(
),Pr(
1
00
KMtCItF
uf
duuhuSduuf
jJtTCI
m
j
j
j
t
j
t
j
j
83
イベント(2種類)の種類別の累積分布関数を求めたい!
)()((t))(
)()()()(
)()()()((t)3)
)(1)()(
21
)()()(2)
)(1)(:21)1
210
21
21
21
tCItCIdtftF
tSthtSth
tftftSthf
tStFtSKM
tStStS
tStF
t
jjj
を推定法で
を打切りとしてをイベント
独立を前提に
をイベントと
積で分解
和で分解
84
イベントの種類別の累積分布関数を求めたい!
1生存率
時間
)))(exp(
)exp()exp(
)()()(
21
21
21
t
tt
tStStS
1生存率
時間
1生存率
×
累積死亡率
累積死亡率
累積死亡率
)))(exp(1(
)(
21
21
2
2
t
tCI
))(exp(1
)()()(
21
21
t
tCItCItF
)(1 tCI
)(2 tCI
+
)exp(
)(
1
1
t
tS
)exp(
)(
2
2
t
tS
)))(exp(1(
)(
21
21
1
1
t
tCI
時間85
F(t)とCI(t)の関係
1:1
)()()()()()(
)()()()(
)()()()()()(
)()((t))(
)()()()()(
))(1))((1(
)()()()(1
212121
2121
212121
210
2121
21
21
の和は最終時点でCI
FFFFCICI
tFtFtCItCI
tFtFtFtFtCItCI
tCItCIdtftF
tFtFtFtFtF
tFtF
tStStStF
t
86
生存関数の分解KM
イベント 1 1 2 1 2 2 1 2 1 2
10
11
9
11
8
11
7
11
6
11
5
11
4
11
3
11
2
11
2
11
2
2
1
1
11
11
1)()()(
n
d
n
d
n
dtStStS
i
i
tti
6
11
8
11)(2 tS
9
11
10
11)(1 tS
×
87
累積分布関数の分解(CI)
イベント 1 1 2 1 2 2 1 2 1 2
1.0
1.0
1.0
1.0
1.0
1.0
1.0
1.0
1.0
1.0
21)()( CICItftFtti
+
tti
j tftCI )()(j
88
累積分布関数を求めたい!
ノンパラメトリック
)(1 tS
)()()( 21 tStStS
)(2 tS
×
)()()( 21 tCItCItF
+)(2 tCI
)(1 tCI
89
Cumulative Incidence(CI)
の実際のノンパラ推定法
の大きさ:時点tのリスク集合
のイベント数時点tの死因
イベント扱い)法によって推定(全て
の累積分布関数特定の死因
t
jt
t
jt
j
t
jtt
j
t
j
jj
n
d
n
dth
KMtS
tSn
ddttSthdttft
tSthtf
tFt
j:
)(
:)(
)()()()()(CI
)()()(
)(j:)(CI
00j
j
90
ログランク検定の統計量t1< t2<… < tN :個体のイベント発生時間 ( t )
– t :イベント発生時点 ( 1,2,…,N )
群i
–dti :時点t における群iの観測イベント数
–eti :時点t における群iの期待イベント数
–nti :時点ti における群iのリスク集合の大きさ
21
21
22
)(
][,)(
tt
tittti
titi
nn
ndde
uV
uZedu
91
Gray検定のリスク集合
してログランク検定をリスク集合を水増し検定は
とすることに相当を競合解析はリスク集合
競合とおくと
打ち切り競合
した累積分布関数競合死因を打ち切りと
の累積分布関数特定の死因
t
t
t
jt
t
j
tt
t
jt
jj
t
jt
t
jt
t
jtt
j
t
jtt
j
t
j
nGray
n
tSn
dn
tS
tSnn
tSn
dtS
tS
tSn
dtS
n
d
tSn
ddttStht
t
tSn
ddttSthdttft
t
j
'
'
)('
:)(
)('
)(:),(
)(
)()(:
)()()()(F
:)(F
)()()()()(CI
j:)(CI
j
j0
jj
j
00j
j
92
指数分布の場合(CI:独立)
))(exp(1)(
)))(exp(1()()(
))(exp()()()(
)))(exp(1()()(
))(exp()()()(
2121
210
21
222
21222
210
21
111
21111
tCICItF
tdttSthCI
ttSthtf
tdttSthCI
ttSthtf
t
t
イベント1の割合
イベント2の割合
93
イベントjの部分分布のハザードγj(t)
(subdistribution hazard)
))(exp(
))(exp(
)(
)()(
)(exp(log))(1log(
)))(exp(1(
))(1(log()(
21
21
1
21
2
211
1
11
21
21
1
21
21
21
21
11
11
t
t
tS
tft
ttCI
tCI
dt
tCIdt
イベント2の割合 イベント1の割合 94
イベントjの部分分布のハザードγj(t)
Fine and Grayモデル:
0
0
0)(
)0(
))(exp(
))(exp()(
21
21
1
21
1
21
2
11
21
21
1
21
2
2111
t
tt
)exp()()( 101 xβTtt
95
イベント1のCI:HR=2赤:群a 青:群b
)))3(exp(1(3
2)(1 ttCIa
)))2(exp(1(2
1)(1 ttCIb
1,1,1,2 2121 bbaa
2/3がイベント1で死亡
96
イベント2のCI:HR=1赤:群a 青:群b
)))2(exp(1(2
1)(2 ttCIb
)))3(exp(1(3
1)(2 ttCIa
1/3がイベント1で死亡
97
イベント1+2のCI
赤:群a 青:群b
))3(exp(1)( ttCIa
))2(exp(1)( ttCIb
ハザード比1.5の比例ハザードモデル
98
イベント1の部分分布のハザード
)2exp(2
1
2
1
)2exp(1)(
)3exp(3
2
3
1
)3exp(2)(
1
1
t
tt
t
tt
b
a
比例ハザード性が成り立たないハザード比が2を下回る
競合が強いのでaのハザードが後半小さくなる
HR
群b
群a
HRは2以下
赤:群a 青:群b 緑:HR
99
イベント2の部分分布のハザード
)2exp(2
1
2
1
)2exp(1)(
)3exp(3
1
3
2
)3exp(1)(
2
2
t
tt
t
tt
b
a
赤:群a 青:群b 緑:HR
比例ハザード性が成り立たないハザード比が1を下回る競合が強いのでaのハザードが後半小さくなる
HR
群b群a
HRは1以下
100
Cumulative Incidenceの計算例OBS WEEK e1 e2 n survival ci1 ci2 ci12
KM 死亡 再発 ci1+ci21 0 0 0. . 0 0 02 6 3 1 21 1 0.14286 0.04762 0.190483 7 1 0 17 0.80952 0.19048 0.04762 0.23814 9 0 1 16 0.7619 0.19048 0.09524 0.285715 10 1 1 15 0.71429 0.2381 0.14286 0.38095
6 11 0 1 13 0.61905 0.2381 0.19048 0.42857
7 13 1 0 12 0.57143 0.28571 0.19048 0.476198 16 1 0 11 0.52381 0.33333 0.19048 0.523819 17 0 1 10 0.47619 0.33333 0.2381 0.57143
10 19 0 1 9 0.42857 0.33333 0.28571 0.6190511 20 0 1 8 0.38095 0.33333 0.33333 0.6666712 22 1 0 7 0.33333 0.38095 0.33333 0.7142913 23 1 0 6 0.28571 0.42857 0.33333 0.761914 25 0 1 5 0.2381 0.42857 0.38095 0.8095215 32 0 2 4 0.19048 0.42857 0.47619 0.9047616 34 0 1 2 0.09524 0.42857 0.52381 0.9523817 35 0 1 1 0.04762 0.42857 0.57143 1
1/21づつ増加
9/21 12/21
101
CIと1-KMの比較 死亡CI 1-KM
打切りとタイがなければ1/nづつ増加
後半は階段が高くなる
9/21
102
CIと1-KMの比較 再発CI 1-KM
12/21
103
適切なグラフ表示
死亡(CI1)
再発(CI2)
F(t)=CI1+CI2
1-KM
104
CIF推定量 LIFETEST
eventcode=オプションDATA GEHAN;z=1;
DO I=1 TO 21;INPUT time censor @@;output;
end;
CARDS;
6 0 6 1 6 1 6 1 7 1 9 0 10 0 10 1 11 0 13 1 16 1
17 0 19 0 20 0 22 1 23 1 25 0 32 0 32 0 34 0 35 0
;
proc lifetest data=gehan plots=cif(cl);
time time*censor(2)/eventcode=1;run;
proc lifetest data=gehan plots=cif(cl);
time time*censor(2)/eventcode=0;run;
105
CI(死亡)累積発生関数の推定
time 累積発生
標準誤差
95% 信頼区間
0 0 0 . .
6 0.1429 0.0782 0.0341 0.3260
7 0.1905 0.0877 0.0574 0.3821
10 0.2381 0.0952 0.0839 0.4356
13 0.2857 0.1011 0.1131 0.4867
16 0.3333 0.1057 0.1445 0.5358
22 0.3810 0.1096 0.1770 0.5840
23 0.4286 0.1125 0.2112 0.6302 95% 信頼区間
106
CI(再発)累積発生関数の推定
time 累積発生
標準誤差
95% 信頼区間
0 0 0 . .
6 0.0476 0.0476 0.00304 0.2020
9 0.0952 0.0656 0.0154 0.2661
10 0.1429 0.0783 0.0341 0.3261
11 0.1905 0.0879 0.0572 0.3825
17 0.2381 0.0957 0.0834 0.4365
19 0.2857 0.1018 0.1122 0.4880
20 0.3333 0.1066 0.1432 0.5374
25 0.3810 0.1109 0.1749 0.5861
32 0.4762 0.1156 0.2445 0.6765
34 0.5238 0.1182 0.2776 0.7216
35 0.5714 0.1222 0.3063 0.7674
95% 信頼区間
107
例題 BMT (bone marrow
transplant)データ出典: Klein and Moeschberger (1997) SASHELPより
137人の骨髄移植データ(3群)
群変数:GROUP(3種類の疾患)
ALL (acute lymphoblastic leukemia):
急性リンパ芽球性白血病
AML -L(acute myelocytic leukemia):
急性骨髄性白血病 Low Risk
AML-H(acute myelocytic leukemia):
急性骨髄性白血病 High Risk
エンドポイント 無病生存時間:T
打切り変数:STATUS(0:打切り 1:再発 2:死亡) 108
骨髄移植(bone marrow transplant)
の競合リスク(急性白血病の治療)
骨髄移植時間の原点0
打切り(0)
再発(1)
死亡(2)
109
BMT SASデータセットN=137,3群
data BMT;
input Disease T Status @@;
cards;
1 2081 0 1 1602 0 1 1496 0 1 1462 0 1 1433 0 1 1377 0 1 1330 0 1 996 0 1 226 0 1 1199 0
1 1111 0 1 530 0 1 1182 0 1 1167 0 1 418 2 1 383 1 1 276 2 1 104 1 1 609 1 1 172 2
1 487 2 1 662 1 1 194 2 1 230 1 1 526 2 1 122 2 1 129 1 1 74 1 1 122 1 1 86 2
1 466 2 1 192 1 1 109 1 1 55 1 1 1 2 1 107 2 1 110 1 1 332 2 2 2569 0 2 2506 0
2 2409 0 2 2218 0 2 1857 0 2 1829 0 2 1562 0 2 1470 0 2 1363 0 2 1030 0 2 860 0 2 1258 0
2 2246 0 2 1870 0 2 1799 0 2 1709 0 2 1674 0 2 1568 0 2 1527 0 2 1324 0 2 957 0 2 932 0
2 847 0 2 848 0 2 1850 0 2 1843 0 2 1535 0 2 1447 0 2 1384 0 2 414 2 2 2204 2 2 1063 2
2 481 2 2 105 2 2 641 2 2 390 2 2 288 2 2 421 1 2 79 2 2 748 1 2 486 1 2 48 2
2 272 1 2 1074 2 2 381 1 2 10 2 2 53 2 2 80 2 2 35 2 2 248 1 2 704 2 2 211 1
2 219 1 2 606 1 3 2640 0 3 2430 0 3 2252 0
3 2140 0 3 2133 0 3 1238 0 3 1631 0 3 2024 0 3 1345 0 3 1136 0 3 845 0 3 422 1 3 162 2
3 84 1 3 100 1 3 2 2 3 47 1 3 242 1 3 456 1 3 268 1 3 318 2 3 32 1 3 467 1
3 47 1 3 390 1 3 183 2 3 105 2 3 115 1 3 164 2 3 93 1 3 120 1 3 80 2 3 677 2
3 64 1 3 168 2 3 74 2 3 16 2 3 157 1 3 625 1 3 48 1 3 273 1 3 63 2 3 76 1
3 113 1 3 363 2
110
LIFETESTによる解析STATUS(0:打切り 1:再発 2:死亡)
data bmt;set bmt;where disease=2 or disease=3;
proc lifetest data=bmt plots=s(f test) notable;
time T*Status(0)/;strata disease;* 死亡:イベント;
proc lifetest data=bmt plots=s(f test) notable;
time T*Status(0,2)/;strata disease;* 死亡:打切り;
proc lifetest data=bmt notable plots=cif(test);
time T*Status(0)/eventcode=1;strata disease;* 死亡:競合;
run;
111
再発・死亡:イベント
Disease 再発 死亡 打切り
AML-High Risk 21 13 11
AML-Low Risk 9 16 29
イベント イベント
HR=2.565再発のリスクは高いが死亡のリスクは低い
112
再発:イベント,死亡:打切り
Disease 再発 死亡 打切り
AML-High Risk 21 13 11
AML-Low Risk 9 16 29
打切りで
死亡(競合リスク)の割合が高い
打切りで死亡の割合が低い
打切りイベント 打切り
HR=4.545
113
再発:イベント,死亡:競合Disease 再発 死亡 打切り 全体
AML-High Risk
21 13 11 45
AML-Low Risk
9 16 29 54
30 29 40 99
ログランク型の検定しか出力できない
競合イベント 打切り
Fine and GrayモデルのHR=3.702はCox回帰より小さい
114
PHREGによる解析STATUS(0:打切り 1:再発 2:死亡)
data Risk;
Disease=2; output;Disease=3; output;run;
proc phreg data=bmt ;
class Disease (order=internal ref=first);
model t*status(0)=Disease ;* 死亡:イベント;
proc phreg data=bmt ;
class Disease (order=internal ref=first);
model t*status(0,2)=Disease ;* 死亡:打切り;
proc phreg data=bmt ;
class Disease (order=internal ref=first);* 死亡:競合;
model t*status(0)=Disease / eventcode=1;
baseline covariates=Risk out=out1 cif=_all_ /seed=191;
run;115
最尤推定値の分析 イベント:再発・死亡
パラメータ 自由度 パラメータ推定値
標準誤差 カイ 2 乗値
Pr > ChiSq
ハザード比
Disease AML-High Risk
1 0.94197 0.26629 12.5126 0.0004 2.565
最尤推定値の分析 イベント:再発 打切り:死亡
パラメータ
自由度 パラメータ推定値
標準誤差 カイ 2 乗値
Pr > ChiSq
ハザード比
Disease AML-High Risk
1 1.51413 0.40166 14.2102 0.0002 4.545
最尤推定値の分析 イベント:再発 競合:死亡
パラメータ
自由度 パラメータ推定値
標準誤差 カイ 2 乗値
Pr > ChiSq
ハザード比
Disease AML-High Risk
1 1.30899 0.38408 11.6151 0.0007 3.702116
Fine and GrayモデルのBASELINE文による予測CI
全体 関心の対象である事象
競合事象
打切り
99 30 29 40
HR=3.702
再発 死亡
117
3種類の確率密度関数
0
21
0
0
000
1)(),()()()()3
1:
)()()()()(
,
1)(),()()(2)
1)(,OS
:)()()(1)
)()(,)()(,)()(
dttftftSthtf
KM
tStStStStS
j
dttftSthtf
dttf
tSthtf
CIdttftFdttftFdttftF
bjajjbj
jm
ajjjaj
t
jbjbj
t
ajaj
t
価確率密度関数を過大評
独立性が前提:
他は打ち切りがイベント特定の死因
数に対応する確率密度関
全ての死因がイベント
118