Longitudinal Outcomes Truncated by Death: Causal Estimands and Bayesian Estimators

A continuación se presenta un resumen técnico detallado del artículo "Resultados longitudinales truncados por muerte: Estimandos causales y estimadores bayesianos" de Ortholand, Lee y Bind.

1. Planteamiento del Problema

En los ensayos clínicos para enfermedades graves y potencialmente mortales (por ejemplo, Esclerosis Lateral Amiotrófica - ELA), los resultados longitudinales reportados por los pacientes (como la calidad de vida o las puntuaciones funcionales) a menudo están truncados por la muerte. Una vez que un paciente fallece, su resultado longitudinal se vuelve indefinido. Esto crea un desafío fundamental en la inferencia causal:

• Falta de Orden: No existe una forma natural de ordenar a un "paciente vivo con una puntuación específica" frente a un "paciente fallecido".
• Falta de Distancia: Es imposible definir una métrica significativa (distancia) entre un cambio en la puntuación funcional y el momento de la muerte.
• Limitaciones Actuales: Los métodos existentes suelen basarse en comparaciones ingenuas de supervivientes (introduciendo sesgo de selección), en puntos finales compuestos con interpretaciones causales poco claras (por ejemplo, Win Ratio), o en escenarios hipotéticos que asumen que la muerte puede prevenirse sin afectar la trayectoria de la enfermedad (a menudo clínicamente implausible).

El artículo argumenta que, sin un marco unificado que defina el estimando causal (la cantidad específica que se está estimando) y los supuestos necesarios para identificarlo, la interpretación de los efectos del tratamiento en estos contextos sigue siendo ambigua.

2. Metodología

A. Marco Causal y Estimandos

Los autores proponen un marco basado en el paradigma de Resultados Potenciales y la Estratificación Principal. Clasifican a los pacientes en cuatro estratos principales basados en su supervivencia potencial bajo tratamiento ($W=1$) y control ($W=0$):

1. Siempre-supervivientes ($LL$): Sobreviven bajo ambos regímenes.
2. Protegidos ($DL$): Mueren bajo control, sobreviven bajo tratamiento.
3. Dañados ($LD$): Sobreviven bajo control, mueren bajo tratamiento.
4. Nunca-supervivientes ($DD$): Mueren bajo ambos regímenes.

Revisan y formalizan cuatro estimandos causales distintos:

1. Efecto Causal Promedio Estratificado (SACE): El efecto medio del tratamiento restringido al estrato de Siempre-supervivientes ($LL$). Esto preserva la métrica natural del resultado longitudinal, pero requiere identificar el estrato no observable.
2. Tiempo de Supervivencia Medio Restringido (RMST): Un estimando basado en la supervivencia que representa el tiempo medio de supervivencia hasta un horizonte específico.
3. Comparación Pareada (PC): Un estimando compuesto que trata la muerte como el peor resultado posible. Calcula la probabilidad de que un paciente seleccionado al azar tenga un resultado compuesto "mejor" (supervivencia + puntuación) bajo tratamiento que bajo control. Se basa en el ordenamiento pero evita definir una métrica finita para todos los pares.
4. Mediana Incorporada de Supervivencia (SIM): La mediana de la distribución de resultados compuestos. Intenta proporcionar una "magnitud" del efecto, pero puede quedar indefinida (infinita) si una gran proporción de pacientes fallece.

B. Enfoque de Estimación Bayesiana

Los autores desarrollan un marco basado en modelos bayesianos (utilizando la biblioteca PyMC) para estimar estas cantidades. Las elecciones clave de modelado incluyen:

• Modelo de Supervivencia: Un modelo de riesgos proporcionales a trozos constantes bayesiano para estimar las probabilidades de supervivencia ($S_{i,t}$) e identificar los estratos principales.
• Modelo Longitudinal: Un modelo de efectos mixtos lineales para el resultado longitudinal, condicionado a que el paciente esté vivo.
• Ignorabilidad Principal: Un supuesto crítico que establece que, condicionado a las covariables basales ($X$), el estado de supervivencia potencial es independiente del resultado longitudinal potencial. Esto permite la imputación de datos longitudinales faltantes para aquellos que fallecieron.
• Procedimiento de Dos Pasos: Primero se estima el modelo de supervivencia para generar probabilidades de pertenecer al estrato de "siempre-supervivientes". Estas probabilidades se utilizan luego como pesos en la función de verosimilitud para el modelo longitudinal.
• Manejo de la Incertidumbre: Los estimadores contabilizan explícitamente la incertidumbre en la pertenencia al estrato (por ejemplo, un paciente observado sobreviviendo podría teóricamente haber fallecido bajo el tratamiento alternativo).

3. Contribuciones Clave

1. Marco Unificado: El artículo proporciona un marco causal integral que vincula explícitamente la definición de los estimandos con los supuestos subyacentes (por ejemplo, Ignorabilidad Principal, Monotonía) requeridos para su identificación.
2. Estimadores Bayesianos: Introduce nuevos estimadores bayesianos para SACE, PC, SIM y RMST que manejan rigurosamente la incertidumbre de la pertenencia a los estratos principales, evitando la clasificación "rígida" a menudo utilizada en los enfoques frecuentistas.
3. Clarificación de Compensaciones: Los autores demuestran que ningún estimando individual es perfecto.
   • SACE + RMST proporciona una imagen completa y multidimensional (separando los efectos de supervivencia y funcionales), pero arroja múltiples números.
   • PC proporciona una única probabilidad escalar de beneficio, pero se basa en el fuerte supuesto de que la muerte es estrictamente peor que cualquier puntuación funcional.
   • SIM es intuitivo, pero puede quedar indefinido en contextos de alta mortalidad.
4. Implementación de Software: Los autores proporcionan código de código abierto (repositorio Truncation By Death Estimates) para facilitar la aplicación de estos métodos.

4. Resultados

Estudio de Simulación

Los autores realizaron un estudio de simulación en cuatro escenarios (sin efecto, beneficioso, efectos mixtos y censura) para validar los estimadores:

• RMST: Se desempeñó de manera robusta en todos los escenarios con una cobertura precisa.
• SACE: Mostró una incertidumbre creciente (intervalos de credibilidad más amplios) a medida que aumentaba el número de muertes, reflejando la dificultad de identificar el estrato de "siempre-supervivientes". Sin embargo, cuando se combinó con RMST, proporcionó una imagen completa de los efectos del tratamiento en escenarios "mixtos" (donde el tratamiento mejora la función pero daña la supervivencia, o viceversa).
• PC: Capturó con éxito la compensación entre supervivencia y función. En escenarios mixtos, la estimación de PC se desplazó de >0.5 (beneficioso) a <0.5 (perjudicial) a medida que aumentaba la mortalidad bajo tratamiento.
• SIM: A menudo indefinido en escenarios con altas tasas de mortalidad (debido a valores infinitos en la distribución), lo que resalta sus limitaciones en contextos de enfermedades graves.

Aplicación a Datos de ELA (Ensayo de Olesoxima)

Los métodos se aplicaron a un ensayo controlado aleatorizado de Olesoxima en pacientes con ELA ($N=512$).

• Hallazgos: El análisis ingenuo (comparando solo a supervivientes) mostró un beneficio modesto y no sostenido.
• Resultados Bayesianos:
  • SACE y RMST: Sugirieron un efecto beneficioso del tratamiento, aunque los intervalos de credibilidad del 95% incluyeron el nulo.
  • PC y SIM: Mostraron efectos más pronunciados, particularmente a los 12 meses. La estimación de PC fue de $0.53$ (IC 95%: $0.53, 0.60$), indicando una probabilidad de un resultado compuesto mejor a favor del tratamiento.
• Rendimiento del Modelo: La reconstrucción de datos faltantes mostró una calibración adecuada (Puntuación Brier Integrada) pero una discriminación moderada, consistente con la dificultad de predecir la supervivencia en la ELA.

5. Significado y Conclusión

Este artículo aborda una brecha crítica en el análisis de ensayos clínicos para enfermedades mortales. Al alejarse de los enfoques puramente basados en modelos (como el modelado conjunto) hacia enfoques basados en estimandos causales, los autores aseguran que la pregunta estadística que se responde se alinee con la pregunta clínica.

• Recomendación: Los autores recomiendan el uso conjunto de SACE y RMST. Este enfoque desentraña el componente de supervivencia del componente funcional longitudinal, reconociendo la naturaleza inherentemente multifactorial de los efectos del tratamiento en enfermedades mortales.
• Impacto: El marco ayuda a los reguladores (como la FDA y la EMA) y a los investigadores a interpretar datos complejos de ensayos donde la muerte trunca el punto final principal, evitando conclusiones engañosas derivadas de análisis ingenuos de supervivientes o puntuaciones compuestas excesivamente simplificadas.
• Trabajo Futuro: Se señala que el marco es aplicable a otros eventos intercurrentes (por ejemplo, falta de adherencia al tratamiento) donde definir el ordenamiento y la distancia es desafiante.