Principal stratification with recurrent events truncated by a terminal event: A nested Bayesian nonparametric approach

A continuación presento un resumen técnico detallado del artículo "Principal stratification with recurrent events truncated by a terminal event: A nested Bayesian nonparametric approach" (Estratificación principal con eventos recurrentes truncados por un evento terminal: Un enfoque bayesiano no paramétrico anidado), escrito por Ohnishi, Harhay, Tong y Li.

1. Planteamiento del Problema

En los ensayos clínicos de enfermedades crónicas, como la insuficiencia cardíaca, los eventos recurrentes (ej. rehospitalizaciones) son a menudo el objetivo principal. Sin embargo, estos eventos pueden ser truncados prematuramente por un evento terminal (generalmente la muerte). Esto crea un sesgo de selección complejo para la inferencia causal:

• La muerte no solo elimina la oportunidad de futuros eventos, sino que también altera la composición de la población superviviente.
• Las comparaciones naïve de tasas de rehospitalización entre grupos de tratamiento son engañosas porque confunden el efecto del tratamiento sobre la dinámica de los eventos con el efecto del tratamiento sobre la supervivencia (y, por ende, sobre el tiempo de riesgo).
• La estratificación principal (principal stratification) ofrece un marco para definir efectos causales en subpoblaciones definidas por resultados potenciales intermedios (ej. "siempre supervivientes"). Sin embargo, la aplicación de este marco a eventos recurrentes en tiempo continuo presenta desafíos:
  1. Definición del estimando: Los enfoques anteriores a menudo utilizan un único índice de tiempo ($t$) para definir tanto el horizonte de eventos como la subpoblación de "siempre supervivientes". Esto crea un efecto "instantáneo" donde la subpoblación objetivo cambia y disminuye a medida que avanza el tiempo, impidiendo observar la acumulación de efectos en una cohorte fija.
  2. Identificabilidad: La dependencia entre los resultados potenciales bajo diferentes tratamientos (dependencia "cross-world") no es identificable a partir de los datos observados.
  3. Especificación del modelo: Los métodos paramétricos existentes son susceptibles a sesgos por mala especificación del modelo. Además, los métodos no paramétricos bayesianos estándar (como el Proceso de Dirichlet, DP) tienden a generar particiones aleatorias dominadas por la gran cantidad de eventos recurrentes, ignorando la información del evento terminal y resultando en un rendimiento predictivo pobre para la supervivencia.

2. Metodología Propuesta

Los autores proponen un marco integral que combina estratificación principal en tiempo continuo con un enfoque bayesiano no paramétrico (BNP) avanzado.

A. Nuevos Estimandos Causales (Estratificación Principal de Doble Índice)

Para superar las limitaciones de los estimandos de "instante único", se introduce un estimando de doble índice:

• Se define la subpoblación de siempre supervivientes en un tiempo fijo $r$: $AS(r) = \{i : r < D_i^0, r < D_i^1\}$.
• Se evalúa el efecto causal en el número acumulado de eventos recurrentes hasta un tiempo $t$ (donde $t < r$) dentro de esta subpoblación fija.
• Se define el Número Promedio de Recurrencia Superviviente (SANR):
  $$SANR(t; r) = g(\mu_1(t; r), \mu_0(t; r))$$
  donde $\mu_z(t; r)$ es el número esperado de eventos bajo el tratamiento $z$ para la subpoblación $AS(r)$.
• Ventaja: Al fijar $r$, se aísla la evolución temporal de la carga de la enfermedad ($t$) de los cambios en la composición de la población, permitiendo una interpretación causal más clara y dinámica.

B. Identificación y Análisis de Sensibilidad (Frailty Dual)

Para abordar la no identificabilidad de la dependencia entre mundos potenciales:

• Se introduce un marco de frailty (fragilidad) dual bivariable $\gamma_i = (\gamma_i^0, \gamma_i^1)$.
• Se asume que la dependencia dentro del mundo (entre eventos recurrentes y muerte bajo un tratamiento) es identificable, mientras que la dependencia entre mundos (correlación entre $\gamma_i^0$ y $\gamma_i^1$) no lo es.
• Se introduce un parámetro de sensibilidad $\rho = \text{Cor}(\gamma_i^0, \gamma_i^1)$.
• Se deriva un resultado de identificación parcial: los estimandos son identificables condicionalmente a la distribución de la frailty y al parámetro $\rho$. Esto permite realizar un análisis de sensibilidad transparente variando $\rho$.

C. Modelo No Paramétrico: Proceso de Dirichlet Dependiente Enriquecido (EDDP)

Para modelar conjuntamente los tiempos de eventos recurrentes y el evento terminal sin asumir distribuciones paramétricas rígidas:

• Se propone el Enriched Dependent Dirichlet Process (EDDP).
• Estructura Anidada: A diferencia de un DP estándar que crea una partición única, el EDDP utiliza una estructura de dos niveles:
  1. Nivel Superior ($\phi$): Agrupa individuos basándose en su relación supervivencia-recurrencia (componente terminal).
  2. Nivel Inferior ($\theta$): Dentro de cada grupo superior, crea subgrupos más finos basados en las diferencias en los intervalos de eventos recurrentes.
• Dependencia de Covariables: Se incorpora la dependencia de las covariables (DDP) para relajar la suposición de intercambiabilidad, permitiendo que la estructura de agrupamiento varíe según las características de los pacientes.
• Propiedad Clave: Esta estructura anidada evita que la partición sea dominada por los numerosos eventos recurrentes, asegurando que el componente de supervivencia (evento terminal) tenga una influencia adecuada en la inferencia y reduciendo la varianza posterior.
• Inferencia: Se desarrolla un algoritmo de muestreo de Gibbs totalmente tratable para la inferencia posterior, imputando los resultados potenciales faltantes y los tiempos de eventos censurados.

3. Resultados Principales

A. Estudios de Simulación

Se comparó el método propuesto (EDDPM) con modelos lineales mixtos (LM), mezclas de procesos de Dirichlet estándar (DPM) y mezclas de procesos de Dirichlet dependientes (DDPM).

• Precisión: El EDDPM mostró el menor sesgo y el error cuadrático medio (RMSE) más bajo en todos los escenarios.
• Intervalos de Credibilidad: El EDDPM logró probabilidades de cobertura (CP) más cercanas al nivel nominal del 95% y longitudes de intervalo más cortas (mayor eficiencia) en comparación con los otros métodos.
• Robustez: El modelo paramétrico (LM) falló debido a la heterogeneidad latente no capturada, mientras que los modelos DP estándar sufrieron de particiones subóptimas.

B. Aplicación al Ensayo HF-ACTION

Se aplicó el método a los datos del ensayo clínico HF-ACTION para evaluar el efecto de un programa de ejercicio estructurado sobre las rehospitalizaciones por insuficiencia cardíaca.

• Mejor Ajuste: El modelo EDDPM obtuvo el mejor ajuste predictivo (LPML) comparado con LM, DPM y DDPM.
• Hallazgos Causales:
  • El entrenamiento estructurado reduce la carga acumulada de rehospitalizaciones en la subpoblación de siempre supervivientes.
  • El efecto es modesto al principio pero crece con el tiempo (reducción del 4.3% a 1 año vs. 10.1% a 4 años).
  • Ventaja del doble índice: Al fijar el horizonte de supervivencia $r$ (ej. 4 años) y observar $t$, se revela una reducción acumulada clara. En contraste, el enfoque tradicional ($r=t$) oculta este efecto en etapas tempranas debido a la mezcla de la evolución de la enfermedad con el cambio en la composición de la cohorte superviviente.
• Análisis de Sensibilidad ($\rho$):
  • Para valores moderados de correlación entre mundos ($\rho \in [0.1, 0.7]$), la evidencia de reducción de rehospitalizaciones es robusta y consistente.
  • Bajo una suposición extrema de dependencia ($\rho = 0.9$, equivalente a un modelo de frailty única compartido), la señal de efecto se atenúa y los intervalos de credibilidad incluyen la nulidad. Esto demuestra que forzar una dependencia perfecta entre mundos puede ocultar heterogeneidades clínicamente relevantes.

4. Contribuciones Clave

1. Marco de Estimandos de Doble Índice: Propone una definición causal para eventos recurrentes truncados que desacopla el tiempo de observación del tiempo de definición de la subpoblación, permitiendo estudiar la acumulación de efectos en una cohorte fija.
2. Identificación Parcial con Sensibilidad Transparente: Deriva resultados de identificación bajo un marco de frailty dual, separando claramente la dependencia identificable (dentro del mundo) de la no identificable (entre mundos), facilitando un análisis de sensibilidad riguroso.
3. Método No Paramétrico Anidado (EDDPM): Desarrolla un prior bayesiano innovador que resuelve el problema de la partición aleatoria en datos de eventos recurrentes y terminales, mejorando significativamente el rendimiento predictivo y la inferencia causal en comparación con métodos existentes.
4. Aplicación Práctica: Demuestra la utilidad del método en un escenario clínico real, revelando conclusiones que los métodos tradicionales pasarían por alto.

5. Significado e Impacto

Este trabajo es fundamental para la inferencia causal en ensayos clínicos de enfermedades crónicas donde la mortalidad y la morbilidad recurrente están entrelazadas.

• Superación de Limitaciones: Aborda las deficiencias de los modelos paramétricos (sesgo por mala especificación) y de los métodos no paramétricos estándar (mala inferencia del componente terminal).
• Interpretación Clínica: Proporciona a los investigadores y clínicos una herramienta para entender cómo los tratamientos afectan la carga de la enfermedad a lo largo del tiempo en pacientes que sobreviven, separando este efecto de los cambios en la supervivencia.
• Recomendación: El estudio sugiere que los ensayos futuros sobre enfermedades crónicas deben alejarse de los análisis de "primer evento" o de estratificación principal de índice único, adoptando en su lugar enfoques de doble índice y modelos flexibles que permitan una evaluación transparente de la dependencia entre mundos potenciales.