Nonparametric Probability Index Methods for Identifying Treatment-Sensitive Subgroups with Multiple Biomarkers and Right-Censored Survival Data
Identifying patient subgroups with differential treatment effects is central to precision medicine but remains challenging in the presence of multiple biomarkers and right-censored survival outcomes. Conventional regression-based approaches often rely on restrictive model assumptions, such as proportional hazards, which can lead to biased conclusions if violated. To address this, we propose a novel nonparametric framework based on the Probability Index (PI) to identify treatment-sensitive subgroups defined by a linear combination of biomarkers and an unknown threshold. To accommodate censoring, we incorporate Inverse Probability of Censoring Weighting for estimation and inference, and employ bootstrap procedures for hypothesis testing. Upon rejection of the null, the coefficients defining the biomarker index and the cutpoint are jointly estimated via a profile optimization approach. This is implemented using a genetic algorithm to address the nonsmooth nature of the objective function.
Méthodes d'indice de probabilité non paramétriques pour établir des sous-groupes sensibles au traitement à l'aide de multiples biomarqueurs et de données de survie censurées à droite
L'identification de sous-groupes de patients présentant des effets thérapeutiques différentiels est essentielle à la médecine de précision, mais reste difficile en présence de multiples biomarqueurs et de résultats de survie censurés à droite. Les approches conventionnelles basées sur la régression s'appuient souvent sur des hypothèses restrictives, telles que les risques proportionnels, qui peuvent conduire à des conclusions biaisées si elles ne sont pas respectées. Pour remédier à cela, nous proposons un nouveau cadre non paramétrique basé sur l'indice de probabilité (PI) afin d'établir les sous-groupes sensibles au traitement, qui sont définis par une combinaison linéaire de biomarqueurs et un seuil inconnu. Pour tenir compte de la censure, nous intégrons la pondération par la probabilité inverse de censure pour l'estimation et l'inférence, et utilisons des procédures de bootstrap pour les tests d'hypothèse. En cas de rejet de l'hypothèse nulle, les coefficients définissant l'indice biomarqueur et le seuil sont estimés conjointement à l'aide d'une approche d'optimisation de profil. Cette approche est mise en œuvre à l'aide d'un algorithme génétique afin de tenir compte de la nature non lisse de la fonction objectif.
Date and Time
-
Langue de la présentation orale
Anglais
Langue des supports visuels
Anglais