Living forwards or understanding backwards? A comparison of Inverse Probability of Treatment Weighting and G-estimation methods for targeting hypothetical full adherence estimands in longitudinal cohort studies

Aquí presento un resumen técnico detallado del artículo en español, estructurado según los puntos solicitados:

Título: Vivir hacia adelante o entender hacia atrás: Una comparación de la ponderación inversa de la probabilidad de tratamiento (IPTW) y los métodos de estimación G para dirigirse a estimandos de adherencia completa hipotética en estudios de cohorte longitudinales.

1. El Problema

La adherencia a la medicación es crucial para la eficacia del tratamiento, pero en la atención rutinaria, la no adherencia es común y compromete los resultados de salud. Un desafío metodológico central en el análisis de datos observacionales longitudinales es la confusión que varía en el tiempo. En estos escenarios, el estado de salud de un paciente influye tanto en su adherencia futura como en sus resultados de salud, y a su vez, la adherencia previa afecta el estado de salud.

• Dilema de los métodos estándar: Ajustar por el estado de salud intermedio bloquea parte del efecto mediado de la adherencia previa, mientras que no ajustar deja el efecto actual confundido.
• Objetivo: Cuantificar el impacto causal de intervenciones hipotéticas para mejorar la adherencia (específicamente, comparar la adherencia completa vs. nula) sobre resultados de salud a largo plazo, utilizando datos observacionales donde no hay aleatorización.

2. Metodología

Los autores comparan tres enfoques de modelado causal longitudinal bajo un marco unificado, utilizando datos de la UK Biobank (13,000 participantes en tratamiento con estatinas) y simulaciones de Monte Carlo.

• Enfoques Comparados:

  1. IPTW (Inverse Probability of Treatment Weighting): Se basa en Modelos Estructurales Marginales (MSM). Re-pesa las observaciones hacia adelante en el tiempo para crear una población pseudo donde la adherencia es independiente de los confusores medidos. Utiliza Covariate Balancing Propensity Scores (CBPS) para exposiciones continuas.
  2. Estimación G (G-estimation): Se basa en Modelos de Medias Estructurales Anidadas (SNMM). Opera "hacia atrás" en el tiempo, eliminando ("blipping down") el efecto de la adherencia actual del resultado para aproximar el contrafactual. Se implementa mediante el Método Generalizado de Momentos (GMM).
  3. Estimación G basada en Variables Instrumentales (IV): Una extensión de la estimación G diseñada para situaciones donde la suposición de "sin confusión no medida" (NUC) es dudosa. Utiliza una variable genética (puntuación poligénica) como instrumento para la adherencia.

• Estimando Objetivo: El efecto promedio en los tratados de la adherencia completa (MPR=100%) frente a la no adherencia (MPR=0%) sobre el colesterol LDL a lo largo del tiempo.

• Supuestos Clave:

  • NUC (No Unmeasured Confounding): Asume que todos los confusores están medidos.
  • Positividad: Asume que hay variación suficiente en la adherencia dentro de cada estrato de historia observada.
  • Consistencia: La observación coincide con el resultado potencial bajo la historia de adherencia observada.

3. Contribuciones Clave

• Unificación de Marcos: Demuestran teóricamente que tanto el MSM (para IPTW) como el SNMM (para Estimación G) pueden especificarse para apuntar al mismo estimando causal, y que sus parámetros coinciden bajo especificaciones lineales.
• Implementación Práctica: Proporcionan código R accesible para la implementación de la Estimación G (tanto recursiva como eficiente mediante GMM), llenando una brecha en la disponibilidad de software para este método en comparación con IPTW.
• Análisis de Exposición Continua: Abordan específicamente los desafíos de las exposiciones continuas (como la Proporción de Posesión de Medicamentos, MPR), donde los métodos de ponderación (IPTW) suelen ser inestables debido a violaciones prácticas de la positividad.
• Extensión IV Longitudinal: Adaptan métodos de variables instrumentales para datos longitudinales repetidos en entornos observacionales, permitiendo relajación del supuesto NUC cuando se dispone de un instrumento válido.

4. Resultados

• Simulaciones de Monte Carlo:

  • Rendimiento bajo NUC: La Estimación G fue generalmente más eficiente estadísticamente y más estable que IPTW.
  • Sensibilidad a la Positividad: IPTW mostró degradación significativa en el rendimiento (sesgo y errores estándar inestables) cuando existía una fuerte retroalimentación entre la exposición y los covariables (violaciones prácticas de positividad). La Estimación G permaneció estable en estos escenarios.
  • Cobertura de Intervalos de Confianza: Los errores estándar basados en regresión para IPTW subestimaron la variabilidad real, mientras que los errores estándar "sandwich" (robustos) fueron conservadores. La Estimación G eficiente mostró un calibrado preciso.
  • Variables Instrumentales: Bajo supuestos de IV válidos, el método fue consistente, pero el rendimiento colapsó con instrumentos débiles o ajustes incorrectos de covariables.

• Aplicación Real (UK Biobank - Estatinas):

  • IPTW y Estimación G: Ambos métodos estimaron que la adherencia completa reduciría el LDL-c en un 15-20% en comparación con la no adherencia. Los resultados cualitativos fueron consistentes: la adherencia reciente tiene un impacto mayor que la inicial.
  • Sensibilidad: Los resultados de IPTW fueron sensibles a la opción de ponderación CBPS ("exacta" vs. "sobre-identificada"), mostrando variabilidad en la magnitud del efecto.
  • Análisis IV: La puntuación poligénica utilizada como instrumento resultó ser extremadamente débil (estadísticos F muy por debajo de 10). Aunque las estimaciones apuntaban a una reducción mayor (~40-50%), los intervalos de confianza eran demasiado amplios para ser concluyentes, ilustrando la dificultad de aplicar IV en datos observacionales de adherencia con tamaños de muestra actuales.

5. Significado e Implicaciones

• Preferencia Metodológica: Para estudios longitudinales con exposiciones continuas y fuertes retroalimentaciones entre covariables y exposición, la Estimación G se presenta como una alternativa superior a IPTW debido a su mayor estabilidad y eficiencia, evitando los problemas de pesos extremos.
• Limitaciones de los Datos Observacionales: El estudio destaca que, incluso ajustando por covariables observadas, los datos de rutina pueden tener confusión residual y errores de medición que diluyen los efectos estimados (explicando por qué la reducción del 15-20% es menor que los objetivos de guías clínicas basadas en ensayos controlados aleatorizados).
• Futuro de la Investigación: La aplicación de IV en este contexto requiere muestras mucho más grandes (se estimó que se necesitaría un tamaño de muestra 9 veces mayor para obtener instrumentos suficientemente fuertes). El trabajo sienta las bases para futuros estudios a gran escala (como Our Future Health) que podrán aprovechar la genética para inferencias causales más robustas sobre la adherencia a medicamentos.

En resumen, el artículo ofrece una guía técnica rigurosa para elegir entre IPTW y Estimación G en estudios de adherencia, recomendando la Estimación G como método más robusto frente a las complejidades de los datos longitudinales observacionales reales.