Estimating equations for causal survival analysis with pooled logistic regression

Resumen Técnico: Ecuaciones de Estimación para el Análisis de Supervivencia Causal con Regresión Logística Agrupada (Pooled Logistic Regression)

Planteamiento del Problema
La regresión logística agrupada es una técnica ampliamente utilizada en el análisis de supervivencia causal, particularmente como un modelo de estorbo (nuisance model) para los estimadores de g-computation e inversión de la probabilidad de peso (IPW). La implementación estándar requiere transformar los datos a un formato "largo", donde cada fila representa un periodo-persona (un individuo para un intervalo de tiempo específico). Este enfoque enfrenta tres desafíos computacionales y prácticos principales:

1. Volumen de Datos: El conjunto de datos largo puede volverse inmanejable con tamaños de muestra grandes o intervalos de tiempo finos, lo que a menudo obliga a la agrupación del tiempo (por ejemplo, usando semanas en lugar de días), lo que resulta en una pérdida de información.
2. Carga Computacional: Para la inferencia causal (por ejemplo, la estimación de riesgos marginales), la estimación de la varianza depende típicamente del bootstrap no paramétrico. Debido a que el modelo de regresión logística agrupada debe reajustarse cientos o miles de veces, este proceso es computacionalmente costoso, tomando a menudo horas para completarse, lo que amenaza la reproducibilidad.
3. Erro errores de Implementación: La transformación manual de los datos al formato largo introduce el riesgo de errores de codificación (por ejemplo, desalineación de tiempo o mala codificación de eventos).

Metodología
Los autores proponen reformular la regresión logística agrupada utilizando ecuaciones de estimación (específicamente M-estimación) para evitar la necesidad de un conjunto de datos largo y eliminar la dependencia del bootstrap para la estimación de la varianza.

• Formulación de las Ecuaciones de Estimación:

  • En lugar de maximizar una verosimilitud sobre un conjunto de datos largo, el método define una función de estimación específica por unidad $\psi(O_i; \theta)$ que suma las contribuciones a través de todos los intervalos de tiempo para un solo individuo.
  • La ecuación de puntuación (score equation) para los parámetros de regresión $\beta$ se expresa como la suma de los residuos ponderados por covariables sobre el conjunto de riesgo, agregados por unidad en lugar de por periodo-persona.
  • Para estimar el riesgo marginal (el parámetro objetivo), se construye una segunda función de estimación que transforma los riesgos discretos predichos en riesgos acumulados.
  • Estas ecuaciones se apilan para estimar conjuntamente los parámetros de estorbo y el efecto causal objetivo.

• Estimación de la Varianza:

  • El método utiliza el estimador de varianza sándwich empírico para estimar consistentemente la variancia del parámetro objetivo. Esto contabiliza la incertidza en los parámetros del modelo de estorbo sin recurrir al remuestreo.
  • Esto permite la construcción de intervalos de confianza (IC) de tipo Wald y, para efectos que varían en el tiempo, bandas de confianza (CB) utilizando el método sup-t.

• Vectorización e Implementación:

  • Los autores describen una implementación vectorizada de las funciones de estimación utilizando operaciones matriciales (productos de Hadamard y productos acumulados) para evitar los lentos bucles iterativos comunes en lenguajes interpretados como Python y R.
  • Este enfoque reduce los requisitos de memoria en comparación con el enfoque estándar de datos largos, particularmente cuando el número de intervalos de tiempo ($K$) o el tamaño de la muestra ($n$) es grande.
  • La implementación está disponible en la biblioteca de código abierto de Python delicatessen y el paquete de R geex.

Resultos Clave
El método propuesto fue evaluado mediante dos ejemplos aplicados utilizando datos públicos y un estudio de simulación de Monte Carlo.

1. Ejemplos Aplicados:

   • Ensayo de Cáncer de Vejiga: El enfoque de la ecuación de estimación redujo los tiempos de ejecución de más de un minuto (implementación estándar con indicadores disjuntos) o varias horas (bootstrap) a menos de un segundo, produciendo estimaciones de diferencia de riesgo e intervalos de confianza idénticos.
   • Estudio de Cohorte de VIH (WIHS): En un escenario con 1,164 sujetos y 3,653 días de seguimiento, la implementación estándar con indicadores disjuntos falló debido a restricciones de memoria (requiriendo ~4.2 millones de filas). El bootstrap no pudo ejecutarse en paralelo debido a los límites de memoria. El enfoque de la ecuación de estimación computó con éxito los resultados en menos de dos minutos (escala de días) y segundos (escala de meses) sin la agrupación de datos.

2. Estudio de Simulación:

   • Una simulación con 5,000 iteraciones variando los tamaños de muestra ($n=250$ a $2000$) evaluó el desempeño del estimador de varianza sándwich empírico.
   • Cobertura: Cuando la forma funcional para el tiempo fue especificada correctamente (por ejemplo, log-lineal, splines o indicadores disjuntos), el estimador alcanzó la cobertura nominal del 95% de los intervalos de confianza.
   • Sesgo: La especificación errónea de la forma funcional del tiempo (por ejemplo, usar solo un intercepto) resultó en sesgo y una cobertura deficiente, resaltando la importancia de un modelado de tiempo flexible.
   • Precisión de la Varianza: La relación de error estándar (ASE/ESE) fue cercana a 1.0 para modelos correctamente especificados, lo que indica que el estimador sándwich captura con precisión la variabilidad.

Significancia y Reivindicaciones
El artículo afirma que esta implementación ofrece una alternativa computacionalmente eficiente al enfoque estándar de regresión logística agrupada para el análisis de supervivencia causal. Sus principales contribuciones son:

• Eliminación del Conjunto de Datos Largo: Evita la creación y el almacenamiento de enormes conjuntos de datos de periodo-persona, eliminando así la necesidad de agrupar los intervalos de tiempo y preservando la granularidad de los datos.
• Inferencia Eficiente: Al reemplazar el bootstrap no paramétrico con el estimador de varianza sándwich empírico, reduce drásticamente el tiempo de computación (de horas a segundos/minutos) manteniendo una inferencia estadística válida.
• Factibilidad: Permite el análisis de conjuntos de datos y escalas temporales que son computacionalmente intratables bajo el enfoque estándar de bootstrap.

Los autores señalan que, aunque el enfoque se centra en la regresión logística agrupada, el marco es generalizable a otros modelos de regresión agrupada (por ejemplo, complemento de log-log o regresión logística multinomial para riesgos competitivos). Reconocen limitaciones, incluyendo la incapacidad actual para manejar directamente tratamientos que varían en el tiempo dentro de esta formulación específica y la dependencia de la discretización del tiempo, aunque señalan que existen extensiones teóricas para dimensiones crecientes.