Model-based standardization using multiple imputation

Resumen Técnico: Estandarización Basada en Modelos Mediante Imputación Múltiple

Planteamiento del Problema
Al estimar efectos relativos del tratamiento, los investigadores a menudo se enfrentan a una elección entre estimandos condicionales y marginales. Mientras que los efectos condicionales se derivan directamente de modelos de regresión multivariable, los efectos marginales se prefieren generalmente para la toma de decisiones a nivel poblacional, especialmente para medidas no colapsables como los odds ratios y los hazard ratios. La estandarización estándar basada en modelos (a menudo denominada G-cálculo) es el método convencional para convertir las predicciones de modelos condicionales en efectos marginales del tratamiento promediando sobre una distribución objetivo de covariables.

El enfoque estándar se basa en la estimación de máxima verosimilitud (MLE) para el modelo de resultado y en el bootstrap no paramétrico para la estimación de la varianza. Sin embargo, este marco presenta limitaciones: no acomoda naturalmente la inferencia bayesiana, lo que dificulta incorporar evidencia previa, manejar datos faltantes de manera probabilística y fundamentada, o propagar la incertidumbre a través de un marco unificado. Además, la estandarización a menudo requiere extrapolar las predicciones del modelo a poblaciones objetivo externas (por ejemplo, datos del mundo real) donde faltan datos de resultado, un escenario conceptualmente análogo a un problema de datos faltantes.

Metodología: Marginalización por Imputación Múltiple (MIM)
Los autores proponen un método novedoso y de propósito general denominado Marginalización por Imputación Múltiple (MIM). Este enfoque reformula el problema de estandarización como un problema de datos faltantes, donde los resultados para la población objetivo bajo los tratamientos de interés faltan sistemáticamente. MIM aprovecha los principios de la imputación múltiple para sintetizar estos resultados faltantes y estimar el efecto marginal del tratamiento.

El método opera en dos etapas distintas:

1. Etapa de Síntesis (Generación de Datos):

   • Regresión de Primera Etapa: Se ajusta un modelo de regresión multivariable paramétrico (por ejemplo, regresión logística) a los datos a nivel individual del estudio índice (la fuente de las estimaciones del efecto del tratamiento). Este modelo relaciona el resultado con las covariables basales y el tratamiento, incluyendo interacciones tratamiento-covariable para capturar la heterogeneidad del efecto. Esto se estima utilizando un marco bayesiano (por ejemplo, mediante MCMC), lo que permite la especificación de distribuciones previas.
   • Predicción de Resultados: Un paso de "aumento de datos" crea un conjunto de datos sintético duplicando el conjunto de datos de covariables objetivo. Una copia se asigna al tratamiento activo ($t=1$) y la otra al control ($t=0$).
   • Imputación: Utilizando la distribución predictiva posterior derivada de la regresión de primera etapa, se extraen valores plausibles para los resultados faltantes en el conjunto de datos objetivo aumentado. Este proceso se repite $M$ veces para generar $M$ conjuntos de datos sintéticos, donde cada conjunto contiene las covariables objetivo, los indicadores de tratamiento y los resultados imputados.

2. Etapa de Análisis (Inferencia):

   • Regresión de Segunda Etapa: Para cada uno de los $M$ conjuntos de datos sintéticos, se realiza una regresión marginal simple, regresando los resultados imputados únicamente sobre el indicador de tratamiento para estimar el efecto marginal del tratamiento ($\delta^{(m)}$) y su varianza ($\hat{v}^{(m)}$).
   • Agrupación: Las $M$ estimaciones puntuales y varianzas se combinan para construir una distribución posterior para el efecto marginal del tratamiento. Los autores utilizan reglas de combinación análogas a las reglas de Rubin, pero adaptadas para este contexto específico. Específicamente, calculan la estimación promedio ($\bar{\delta}$), la varianza promedio dentro de las imputaciones ($\bar{v}$) y la varianza entre imputaciones ($b$).
   • Inferencia: La estimación final es el promedio de las $M$ estimaciones. La varianza se estima utilizando una fórmula que tiene en cuenta tanto la variabilidad dentro como entre las imputaciones, ajustada por el número finito de síntesis. Los intervalos de confianza pueden derivarse utilizando una aproximación normal o una distribución $t$ con grados de libertad ajustados.

Contribuciones Clave

• Marco Novel: El artículo introduce MIM como un puente entre la imputación múltiple y la estandarización basada en modelos, permitiendo que la estandarización se realice dentro de un marco estadístico bayesiano.
• Propagación de la Incertidumbre: A diferencia del enfoque de bootstrap estándar, MIM propaga naturalmente la incertidumbre desde los parámetros del modelo de resultado hasta la estimación final del efecto marginal a través de la distribución predictiva posterior.
• Flexibilidad: El método facilita la incorporación de evidencia previa (por ejemplo, de metaanálisis o opinión de expertos) en el modelo de resultado y ofrece una manera fundamentada de manejar datos faltantes en el estudio índice.
• Eficiencia Computacional: Al separar las etapas de síntesis y análisis, MIM evita la carga computacional de las simulaciones anidadas (por ejemplo, bootstrap dentro de un bucle MCMC bayesiano).

Resultados
Los autores realizaron un estudio de simulación para comparar MIM con el enfoque estándar de G-cálculo paramétrico (MLE con bootstrap no paramétrico). El estudio utilizó resultados binarios, covariables continuas y un modelo de resultado logístico, dirigiéndose al log odds ratio marginal. Los escenarios variaron según el tamaño de la muestra del ensayo índice ($N=500, 1000, 2000$) y el grado de superposición entre las distribuciones de covariables del índice y el objetivo (superposición limitada vs. superposición completa).

• Ausencia de Sesgo: Cuando se cumplieron los supuestos de modelado paramétrico, MIM produjo estimaciones sin sesgo del efecto marginal del tratamiento en la distribución de covariables objetivo, comparables al enfoque estándar.
• Precisión y Eficiencia: Los errores estándar empíricos (ESE) y los errores cuadráticos medios (MSE) para MIM fueron virtualmente idénticos a los del enfoque estándar en todos los escenarios.
• Cobertura: Las tasas de cobertura empírica de las estimaciones de intervalos del 95% fueron cercanas al nivel nominal del 95% para ambos métodos. Se produjeron ligeras desviaciones solo en tamaños de muestra pequeños ($N=500$), probablemente debido a un sesgo inherente de muestras pequeñas en la regresión logística y no a la metodología MIM en sí misma.
• Robustez: El estudio demostró que MIM funciona tan bien como el enfoque estándar en muestras finitas bajo una especificación correcta del modelo.

Significado y Afirmaciones
El artículo afirma que MIM proporciona una alternativa estadísticamente válida a la estandarización estándar basada en modelos, ofreciendo un rendimiento comparable al método de G-cálculo establecido cuando se cumplen los supuestos paramétricos. El significado principal radica en la expansión metodológica: MIM integra la estandarización en un marco probabilístico (bayesiano), permitiendo así la propagación fundamentada de la incertidumbre y la incorporación de evidencia previa.

Los autores declaran explícitamente que el estudio de simulación sirve como una "prueba de concepto". Reconocen que el estudio se centró en un "escenario ideal" con especificación correcta del modelo y no investigó la robustez ante una especificación incorrecta del modelo. Señalan que, aunque MIM es atractivo por su capacidad para manejar datos faltantes e incorporar previas, su aplicación depende de la especificación correcta del modelo de resultado y de la disponibilidad de covariables definidas consistentemente entre las fuentes de datos. El artículo concluye que MIM es un método viable para marginalizar sobre una distribución de covariables objetivo, ofreciendo inferencia apropiada y rendimiento estadístico similar al enfoque estándar, mientras proporciona la flexibilidad añadida de un marco bayesiano.