RICERCA ITALIANA     

Metodi statistici per l'apprendimento nella ricerca clinica

Politecnico di Torino

Abstract

In questa proposta le capacità scientifiche di diversi statistici
attivi nel campo della ricerca biomedica vengono dirette alle
richieste di nuova metodologia provenienti da alcuni centri
di applicazioni cliniche.

Ogni unità si caratterizza infatti per lavorare a stretto contatto
con uno o più centri di ricerca clinica nazionale o internazionale.
In particolare, sussistono relazioni privilegiate come segue:
l'unità di Torino Politecnico con l'Istituto Tumori Toscano, con la Novartis Pharma
e con l'International Breast Cancer Study Group;
l'unità di Bologna con la Prima Facoltà di Medicina e Chirurgia, Università di Roma;
l'unità di Milano con l'Istituto Nazionale Tumori e con la rete di eccellenza europea BIOPATTERN;
l'unità di Novara con la Facoltà di Medicina e Chirurgia,
Università del Piemonte Orientale.

Il fine è quello di studiare diverse questioni statistiche che
sorgono in contesti clinici e che possono essere descritte
collettivamente come problemi di apprendimento nella ricerca biomedica.

Prove cliniche comparative di alta numerosità di fase III sono lo
strumento principe per la dimostrazione di sicurezza ed efficacia di
una nuova terapia. Accanto ad esse, esiste una molteplicità di tipi di
prove cliniche, e più in generale di studi biomedici, volti ad
esplorare alcuni importanti quesiti di apprendimento.

Il processo di apprendimento avviene sia
all'interno di un singolo studio sia sul collegamento di
più studi.

Esempi di apprendimento all'interno di un singolo studio sono:
- la ricerca della dose ottimale;
- i disegni sperimentali adattativi,
mentre esempi di apprendimento su più studi sono
- il passaggio dalle prove cliniche di fase II a quelle di fase III,
- la valutazione della riproducibilità dei risultati,
- l'analisi dei sottogruppi e l'individuazione di bioprofili
per la generazione di ipotesi di lavoro per gli studi futuri
- le analisi multivariate di risposte multiple.

Obiettivi finali della ricerca proposta sono lo studio approfondito
di ciascuno di questi argomenti, la produzione di ricerca scientifica
a livello di frontiera e la concreta collaborazione
con i centri di ricerca clinica citati.

Ciascuna delle unità coinvolte lavorerà su due o più di questi
problemi, in collaborazione con le altre unità e con i centri di ricerca
esterni. In particolare, l'unità di Torino Politecnico lavorerà sulla
ricerca della dose per terapie combinate, sull'analisi di sottogruppi
mediante il metodo STEPP, su misure di concentrazione per dati di
sopravvivenza, sul confronto tra diversi metodi di stima
nonparametrica di una funzione di sopravvivenza sotto troncamento
e su metodi statistici alternativi per la fase II.
L'unità di Novara studierà la stima conservativa della potenza dei test statistici,
la potenza globale di due fasi di ricerca
successive e i metodi per stimare la dimensione campionaria sfruttando
le correlazioni tra le variabili osservate in un esperimento pilota e
una variabile di primario interesse. L'unità di
Bologna si occuperà dello studio della struttura di interazione delle
variabili, degli aspetti etici degli esperimenti clinici a risposta
binaria per il confronto tra due trattamenti, di studi di escalation
della dose e di campionamento adattivo. Infine, l'unità di Milano
Statale si occuperà dell'individuazione di bioprofili con tecniche di
analisi multivariata e con applicazioni ai profili di espressione
proteomica nel tumore del rene, all'espressione di alcuni marcatori
standard nel tumore mammario, al ruolo di alcune variabili di tipo
patobiologico sulla risposta alla chemioterapia del tumore mammario e
alla chemioprevenzione dei basaliomi.

Si attende una forte collaborazione tra le unità, in particolar modo
tra le unità di Torino Politecnico e di Novara sul problema del
collegamento tra i risultati di prove cliniche di fase II e di fase
III, tra le unità di Milano e di Bologna su problemi multidimensionali
e tra le unità di Torino e di Bologna sugli esperimenti di ricerca
della dose ottimale. <<<

Coordinatore Scientifico del Programma di Ricerca

Mauro Gasparini Politecnico di TORINO

Obiettivo del Programma di Ricerca

Le prove cliniche sono un successo della civiltà contemporanea poiché
"Rappresentano una delle poche aree in cui gli effetti di nuova
tecnologia e di nuovi programmi su esseri umani vengono studiati
usando principi statistici moderni di disegno sperimentale" (Simon
2006). Questo è il punto di partenza di questo progetto, che si
concentra su alcuni aspetti metodologici usati nelle prove cliniche e
più in generale negli studi biomedici.

Gli stessi aspetti sono presenti anche in altri campi della moderna
sperimentazione, come la gestione della qualità in campo aziendale o
la genomica in campo biologico. Tuttavia,
poiché le prove cliniche sono un campo
maturo e ampiamente partecipato, i fondamenti concettuali e le
pratiche statistiche di base possono essere date per scontate, così
che la proposta attuale può concentrarsi sugli aspetti più
strettamente metodologici.

Le prove cliniche sono i mattoni necessari per lo sviluppo clinico di
una nuova terapia, e le prove cliniche comparative di fase III sono le
più centrali. Nel caso di un'azienda farmaceutica, le prove di fase
III sono fatte per ottenere un'autorizzazione dalle Autorità Sanitarie
e immettere sul mercato la nuova sostanza, mentre nel caso di prove
cliniche indipendenti un simile esercizio di "fase III" è condotto per
ottenere riconoscimento condiviso del metodo e raccomandazione di uso
per la pratica clinica.

Per rendere possibile le prove cliniche comparative e dimostrative su larga scala,
durante lo sviluppo clinico lo sponsor di una nuova terapia
deve comunque prendere importanti decisioni e risolvere
delicati problemi inferenziali. In questo modo, nuovi risultati
vengono incorporati in un processo sequenziale e le migliori decisioni
cliniche e scientifiche vengono prese in modo da massimizzare la
probabilità di ottenere buone medicine e in modo da utilizzare le risorse disponibili
in maniera ottimale.

Esiste quindi una molteplicità di tipi di prove cliniche, e più in generale di studi
biomedici, volti ad esplorare alcuni importanti quesiti epistemologici .

La ricerca biomedica di sviluppo clinico presenta dunque allo statistico
una serie di problemi che si possono collettivamente descrivere come la costruzione
dell'evidenza clinica su base sperimentale,
ovvero come l'apprendimento nella ricerca clinica.
La statistica diventa in questo modo
parte fondamentale del moderno movimento
chiamato "evidence-based medicine".

Il processo di apprendimento descritto avviene sia
all'interno di un singolo studio sia sul collegamento di
più studi.

Esempi di apprendimento all'interno di un singolo studio sono:

- la ricerca della dose ottimale;
- i disegni sperimentali adattativi,

mentre esempi di apprendimento su più studi sono

- il passaggio dalle prove cliniche di fase II a quelle di fase III,
- la valutazione della riproducibilità dei risultati,
- l'analisi dei sottogruppi e l'individuazione di bioprofili
per la generazione di ipotesi di lavoro per gli studi futuri
- le analisi multivariate di risposte multiple.

Obiettivi finali della ricerca proposta sono lo studio approfondito
di ciascuno di questi argomenti, la produzione di ricerca scientifica
a livello di frontiera e la concreta collaborazione con centri assistenza e ricerca clinica
e con centri di produzione biomedica. <<<

Risultati parziali attesi

Questa proposta non ha solo una valenza scientifica,
ma ambisce a raggiungere degli scopi molto applicativi
ed è perciò orientata alla creazione di due tipi di prodotti
scientifici:

1) articoli metodologici che contribuiscano all'avanzamento della
statistica contemporanea;

2) articoli applicativi che dimostrino il trasferimento tecnologico
delle acquisizioni teoriche ad ambienti clinici.

Gli articoli di tipo 1) saranno il prodotto del lavoro congiunto di
più membri all'interno delle singole unità oppure di unità diverse.

Gli articoli di tipo 2) documenteranno la collaborazione preferenziale
che ciascuna unità mantiene con centri di ricerca clinica,in particolare:

- l'unità di Torino Politecnico Unit con l'Istituto Tumori Toscano,
con Novartis Pharma e con l'International Breast Cancer Study Group;

- l'unità di Bologna con la Prima Facoltà di Medicina e Chirurgia, Università di Roma;

- l'unità di Milano con l'Istituto Nazionale Tumori e con la rete di eccellenza europea BIOPATTERN;

- l'unità di Novara con la Facoltà di Medicina e Chirurgia,
Università del Piemonte Orientale.

Dunque, i risultati attesi saranno anche un miglioramento generale del
livello metodologico della ricerca biomedica in quei centri e in
generale nel sistema scientifico ed economico nazionale.
L'interazione con centri di produzione di assistenza e con centri
di produzione di medicinali è particolarmente importante
se si tiene conto che il livello di ricerca bomedica in italia
è in linea con quello di altri paesi sviluppati,
ma non incontra, al momento, una capacità industriale nazionale equivalente.

I miglioramenti tecnologici avranno un impatto significativo anche
su quei centri cooperanti, come l'Istituto Nazionale Tumori
e l' Istituto Toscano Tumori, che conducono prove cliniche
indipendenti (cioé, non sponsorizzate dall'industria farmaceutica)
e ricerche biomediche secondo le linee guida recentemente pubblicate
dalle Autorità Sanitarie italiane ed europee. <<<

Durata

24 mesi

Base di partenza scientifica nazionale o internazionale

La ricerca della dose è tipica della fase I in quanto, se una nuova
terapia è candidata per lo sviluppo clinico, il passo più importante è
trovarne una dose o un intervallo di dosi appropriato, in genere con
metodi di dose escalation. L'escalation della dose si basa su un
compromesso tra efficacia e sicurezza e pone importanti problemi
statistici. Si dà spesso il caso che le porzioni significative delle
curve di sicurezza ed efficacia siano sullo stesso ordine di grandezza
e interferiscano l'una con l'altra, finendo per produrre insomma un
delicato problema inferenziale.
Riferimenti bibliografici recenti sono Ting (2006) e Chevret (2006).

Un serio dilemma etico-scientifico, noto come Etica individuale - vs -
Etica collettiva, caratterizza certi tipi di prove cliniche,
specalmente quelle adattative. Il rapporto medico-paziente si basa
sul principio dell'attenzione massima al benessere personale del
malato in cura, mentre nelle prove cliniche vogliamo al tempo stesso
massimizzare l'informazione sperimentale: talvolta questi due fini si
trovano in conflitto. Un riferimento è Royall (1991).

Un esperimento "adattativo" è un algoritmo in cui ad ogni passo si
decide come osservare l'unità statistica successiva potendo sfruttare
le informazioni raccolte sino a quel momento. Eventuali covariate
possono essere utilizzate in maniera design-adaptive per correggere
l'eventuale sbilanciamento delle assegnazioni, ma di recente è stato
suggerito anche un utilizzo response-adaptive (Hu e Rosenberger,
2006). La scelta del disegno sperimentale (piano di campionamento
delle unità, regola di assegnazione dei trattamenti, regola di
arresto) ha delle importanti ricadute inferenziali, in quanto in base
alla natura del processo di acquisizione delle osservazioni cambia
l'impostazione dei metodi inferenziali da adottare.
Rosenberger e Lachin (2002) hanno trattato i disegni
response-adaptive, indicando i trabocchetti inferenziali nei quali
cadono molti autori. In generale, per tali procedure deve essere
considerata anche la variabilità del disegno sperimentale e
l'inferenza non deve essere condizionata al disegno. La letteratura
sugli esperimenti comparativi finora si è occupata poco degli
aspetti inferenziali indotti dal disegno e questo è particolarmente
vero per la scelta della regola di arresto, che raramente viene
inglobata nelle considerazioni metodologiche.

La fase II è la più oscura delle quattro fasi dello sviluppo clinico,
e allo stesso tempo una fase in acuta necessità di metodi statistici
che facciano da ponte tra la fase I e la fase III. I metodi più usati
per questa operazione di collegamento si fondano sulle stime
dell'"effect size" oppure su qualche forma di predizione di successo
in fase III. Il criterio della soglia di lancio è per esempio il
seguente: se l'effetto stimato è maggiore di una soglia di minimo
valore scientifico o clinico, la fase III viene lanciata, e la
dimensione campionaria calcolata sulla base della stima osservata
dell'effect size.

La riproducibilità dei risultati è un cardine della ricerca
scientifica, e nell'ambito della statistica il problema della
aleatorietà dei risultati dei test è ben noto (vedi per esempio
Goodman 1992). Sia la stima conservativa della dimensione
campionaria, che la stima conservativa dalla probabilità di
riproducibilità della significatività statistica, necessitano della
stima conservativa della vera potenza dell'esperimento, ossia la stima
della potenza sotto la vera distribuzione del fenomeno in studio.
Si veda Shao (2002) and De Martini (2007).

L'analisi di sottogruppi è la pratica di analizzare i risultati di
studi clinici all'interno di sottogruppi di osservazioni. Al crescere
del numero di tali analisi possono emergere problemi di "molteplicità",
cioè si può verificare un aumento della probabilità di trovare un
effetto statisticamente significativo dovuto unicamente alla
variazione casuale, anche quando in realtà tale effetto non esista.
La validità di tali analisi risulta spesso
essere controversa, ma allo stesso tempo il desiderio di estrarre la
maggior quantità possibile di informazioni da studi spesso molto
lunghi e costosi appare essere un fine ragionevole, e si potrebbe
sostenere che non sia etico non cercare di farlo. [Gail e Simon
(1985), Peto (1982), ISIS-2 (1988), Betensky e Rabinowitz (1999),
Cohen (2003)]. L'identificazione di sottogruppi di pazienti per i
quali l'effetto del trattamento è massimo (o minimo, o
addirittura negativo, pur in presenza di un effetto complessivamente
positivo) può essere molto importante ai fini della cura dei pazienti,
poichè tali informazioni possono essere utilizzate per suggerire studi
futuri finalizzati all'adattamento del trattamento al paziente
individuale, massimizzando in tal modo il beneficio.

Strettamente collegato al problema dell'analisi dei sottogruppi è
l'utilizzo di bioprofili nella ricerca medica. Pazienti oncologici
con caratteristiche cliniche simili, per esempio, possono presentare
grande eterogeneità nelle dinamiche di recidiva di malattia e di
risposta alle terapie. Le tecniche "omiche" non sono attualmente
utilizzabili nella routine clinica in oncologia, ma possono fornire
importanti informazioni a livello esplorativo per la generazione di
nuove ipotesi cliniche e biologiche. Gli studi genomici si
contrappongono all'uso di singoli marcatori per l'assegnazione di
terapie mirate, infatti gli stessi oncologi ormai ragionano in termini
di combinazioni di diversi marcatori per definire gruppi omogenei di
pazienti. L'idea è già presente nelle stadiazioni tradizionali, ma nel
contesto biologico identifica in modo implicito profili biologici
omogenei. I veri bioprofili rimangono comunque latenti essendo
definiti solo da alcuni marcatori osservabili, eventualmente scelti
come insieme minimo dopo le analisi omiche, al fine di rapresentare le
strutture (sparse) di correlazione parziale e locale sottese ai
bioprofili stessi. Diviene di estremo interesse valutare l'impatto
prognostico e di risposta ai trattamenti dei bioprofili nella loro
manifestazione osservabile. Questo impone una ridefinizione delle
problematiche delle analisi prognostiche negli studi osservazionali ed
in quelle per sottogruppi nell'ambito degli studi clinici
randomizzati. Le metodologie da applicare devono tenere conto dei
possibili outcome multipli. In questo contesto, la distinzione tra le
metodologie di analisi statistica applicate agli studi clinici
osservazionali e a quelli sperimentali randomizzati diviene più
sfumata.
Reti neurali artificiali adatte per l'analisi di dati di
sopravvivenza con censura possono essere considerate estensioni delle
tecniche statistiche tradizionali (Ripley e Ripley, 1998). Considerando
l'interesse clinico nello studio della funzione rischio, è stato
sviluppato un approccio originale, PLANN, basato sulla generalizzazione
della regressione logistica per dati di sopravvivenza (Biganzoli et
al., 1998, 2002). Questi approccio è stato giudicato il più
soddisfacente tra quelli che utilizzano software standard (Ripley e
Ripley, 1998), e si è dimostrato utile per lo studio dei fattori
prognostici. PLANN è stato applicato all'esplorazione diretta delle
funzioni rischio nel tumore mammario, clinicamente importanti per
ottenere informazioni di carattere biologico sui meccanismi di
malattia (Biganzoli et al., 2003).

Problemi di molteplicità sorgono anche quando aumenta il numero di
variabili di interesse. Le prove cliniche comportano solitamente la
rilevazione di un elevato numero di variabili, relative sia alle
caratteristiche dei soggetti partecipanti allo studio che alla loro
riposta al trattamento. L'identificazione e verifica delle
interazioni tra le variabili risposta richiede l'applicazione di
tecniche statistiche multivariate. La classe di modelli nota con il
nome di "modelli grafici" si è imposta come strumento utile per
gestire la struttura di dipendenza (Lauritzen 1996). Una difficoltà
nell'analisi multivariata è data dal fatto che l'efficienza delle
procedure, e conseguentemente la potenza dei test statistici
utilizzati, è in relazione inversamente proporzionale rispetto al
numero di variabili (Yang e Berger, 1994). In particolare, in ambito
sperimentale non è infrequente che il numero di variabili si avvicini,
e a volte ecceda, la dimensione campionaria. Esempi in questo senso
sono costituiti dall'analisi dei sottogruppi e ad esperimenti in
ambito genomico e proteomico nei quali vengono rilevate centinaia o
migliaia di variabili (Wit e McClue, 2004). Molte sono le ragioni che
hanno contribuito alla diffusione dei modelli grafici, ma in questo
ambito risulta utile il fatto che la teoria dei modelli grafici
incorpora dei principi che consentono di costruire un modello globale
mediante la combinazione di sottomodelli marginali di più piccola
dimensione (Moreau et al., 2003) riducendo in questo modo la
dimensione del problema a cui corrisponde un miglioramento in termini
di efficienza e potenza delle procedure.



Betensky, R.A. e Rabinowitz, D. (1999). Maximally Selected Chi-square
Statistics for kx2 Tables. Biometrics 55: 317-320.

Biganzoli E., Boracchi P., Mariani L., Marubini E. (1998) Feed forward
neural networks for the analysis of censored survival data: a partial
logistic regression approach, Statistics in Medicine, 17: 1169-1186.

Biganzoli E., Boracchi P., Marubini E. (2002)
A general framework for neural network models on censored survival data.
Neural Networks, 15(2): 49-58

Biganzoli E, Boracchi P., Coradini D., Daidone M.G. Marubini E. (2003)
Time-Dependent Relevance of Steroid Receptors in Breast Cancer: A
Neural Network Analysis of Risk Profiles. Annals of Oncology, 14(10):
1484-93.

Chevret S., editor (2006).
Statistical Methods for Dose-Finding Experiments.
Wiley.

Cohen, J. (2003). AIDS vaccine trial produces disappointment and
confusion. Science 299, 1290-1291.

De Martini D. Reproducibility probability estimation for testing
statistical hypothesis. Statistic and Probability Letters 2007. In
press.

Gail, M. e Simon, R. (1985). Testing for
qualitative interactions between treatment effects and patient
subsets. Biometrics 41, 361-372.

Goodman SN. A Comment on Replication, P-values and Evidence.
STATISTICS IN MEDICINE 1992; 11 (7): 875-879.

ISIS-2 Collaborative Group (1988). Randomized trial of
intravenousstreptokinase, oral aspirin, both, or neither among 17187
cases of suspected acute myocardial infarction: ISIS-2. The Lancet
2:349-360.

LAURITZEN, S.L., (1996) Graphical models. Oxford University Press.

HU, F. , ROSENBERGER, W.F. (2006).
The Theory of Response Adaptive Randomization in Clinical trials, Wiley N.Y.

MOREAU Y., ANTAL P., FANNES G., DE MOOR B. (2003) Probabilistic
Graphical Models for Computational Biomedicine. Methods in Information
in Medicine, 41, 161-168.

Peto, R. (1982). Statistical aspects of cancer trials. In Halnan,
K.E. (Ed.), Treatment of Cancer, London: Chapman and Hall, 867-871.

Ripley, B. D. and Ripley, R. M. (1998) Neural networks as statistical
methods in survival analysis. In `Artificial Neural Networks:
Prospects for Medicine eds R. Dybowski and V. Gant, Landes Biosciences
Publishers..

ROYALL, R.M. (1991) Ethics and Statistics in Randomized Clinical
Trials Statistical Science, Vol. 6, No. 1., pp. 52-62.

ROSENBERGER, W.F., LACHIN, J.M. (2002) Randomization in Clinical Trials, Wiley. New York.

Shao J, Chow SC. Reproducibility probability in clinical
trials. Statistics in Medicine 2002; 21: 1727-1742.

Simon, R. (2006), voce "Clinical Trials-II" della
Encyclopedia of Statistical Sciences, Wiley.

Ting, N. (2006).
Dose Finding in Drug Development.
Springer.

WIT, E., McCLURE, J., (2004). Statistics for microarrays. Design,
analysis and inference.Wiley, Chichester.

YANG, R., BERGER, J.O., (1994) Estimation of a covariance matrix using
the reference priors. Ann. Statist., 3, 1195-1211. <<<