Estimating treatment duration effects via clone-censor-weight: a breast cancer case study

Resumen Técnico: Estimación de los Efectos de la Duración del Tratamiento mediante Clonación-Censura-Ponderación: Un Estudio de Caso de Cáncer de Mama

Planteamiento del Problema
Los ensayos clínicos aleatorizados (ECA) son el estándar de oro para evaluar los efectos del tratamiento, pero a menudo carecen de transportabilidad a la atención rutinaria debido a criterios de elegibilidad estrictos y entornos controlados. Los datos observacionales son esenciales para evaluar estrategias de tratamiento en el mundo real, particularmente aquellas que involucran la duración del tratamiento. Sin embargo, estimar los efectos causales de estrategias de duración estáticas (por ejemplo, "detenerse a los 2 años" frente a "detenerse a los 5 años") en entornos observacionales está plagado de desafíos metodológicos.

Las dificultades principales incluyen:

1. Confusión dependiente del tiempo: Las covariables medidas durante el seguimiento pueden afectar las decisiones posteriores de tratamiento y los resultados de supervivencia, al tiempo que son influenciadas por el tratamiento previo.
2. Sesgo de tiempo inmortal: Las comparaciones ingenuas basadas en la duración real del tratamiento condicionan eventos posteriores al inicio. Los individuos deben sobrevivir y permanecer libres de eventos el tiempo suficiente para recibir una duración específica, creando una asociación espuria entre una duración más larga y una mejor supervivencia.
3. Censura informativa: Tanto la censura natural (pérdida en el seguimiento) como la censura artificial (desviación de la estrategia asignada) pueden ser informativas, dependiendo del historial del paciente.
4. Complejidad del modelo: Los métodos existentes, como la fórmula paramétrica G, los modelos de estructura marginal (MSM) y los modelos anidados estructurales (SNM), enfrentan desafíos relacionados con la mala especificación del modelo, la inestabilidad de los pesos y la carga computacional, particularmente cuando se requieren periodos de gracia (reglas de adherencia relajadas).

Metodología
Los autores proponen y evalúan un marco basado en el enfoque de Clonación-Censura-Ponderación (CCW) para emular un ensayo objetivo que compare estrategias de duración de tratamiento estáticas. La metodología se desarrolla en dos escenarios: (1) confusión capturada únicamente por covariables basales, y (2) confusión que involucra covariables dependientes del tiempo.

El procedimiento central implica tres pasos:

1. Clonación: Cada individuo en el conjunto de datos observacional se clona en múltiples copias, una para cada estrategia de tratamiento que se compara (por ejemplo, $d_0$ y $d_1$). Todos los clones comparten los mismos datos observados basales y de seguimiento, pero se les asignan diferentes estrategias hipotéticas.
2. Censura Artificial: Los clones se censuran artificialmente en el primer punto en el tiempo donde su historial de tratamiento observado se desvía de su estrategia asignada. Para abordar la realidad clínica, los autores incorporan "periodos de gracia" o reglas de adherencia relajadas, definiendo un conjunto admisible de trayectorias ($A_d$) en lugar de requerir una adherencia exacta.
3. Ponderación por la Probabilidad Inversa de Censura (IPCW): Para corregir la naturaleza informativa de la censura tanto artificial como natural, los clones se ponderan por la probabilidad inversa de permanecer sin censura. Los autores distinguen entre:
   • Pesos de censura artificial: Basados en la probabilidad de permanecer compatibles con la estrategia asignada.
   • Pesos de censura natural: Basados en la probabilidad de permanecer bajo observación.
   • Los autores investigan modelar estos procesos por separado (utilizando regresión logística agrupada para la censura artificial y modelos exponenciales por tramos para la censura natural) versus conjuntamente.

El artículo compara varios estimadores para el contraste del Tiempo Medio de Supervivencia Restringido (RMST):

• IPCW-Kaplan-Meier: Utiliza los pesos calculados en un análisis de supervivencia ponderado.
• Fórmula G (Regresión de Resultados): Modela el resultado directamente sobre los datos clonados, ajustando por covariables, sin ponderación explícita para la censura.
• IPCW Aumentado (AIPCW): Un estimador doblemente robusto que combina la regresión de resultados y el IPCW.

Contribuciones Clave y Resultados de Simulación
Los autores realizaron experimentos numéricos extensos para evaluar el rendimiento de estos estimadores bajo diversos grados de confusión y censura natural informativa.

• Sesgo de Tiempo Inmortal: Las simulaciones confirman que los enfoques ingenuos (filtrar por duración observada) y los enfoques de fórmula G aplicados solo a individuos adherentes no logran corregir el sesgo de tiempo inmortal, resultando en una sobreestimación severa de los beneficios del tratamiento.
• Confusión Basal (Escenario 1): Cuando la confusión se limita a covariables basales, múltiples métodos (IPCW, fórmula G, AIPCW) funcionan bien si los modelos están correctamente especificados. Sin embargo, la fórmula G mostró estabilidad incluso bajo confusión fuerte, aunque permaneció sensible a la mala especificación del modelo (por ejemplo, usar un modelo Weibull cuando la verdad era exponencial).
• Confusión Dependiente del Tiempo (Escenario 2): Este escenario resultó más desafiante.
  • Rendimiento del IPCW: El estimador IPCW, específicamente al modelar la censura artificial y la natural por separado (logística agrupada para artificial, exponencial por tramos para natural), proporcionó los resultados más consistentes en todos los escenarios. Se basa en trayectorias de covariables observadas en lugar de simular trayectorias contrafactuales.
  • Limitaciones de la Fórmula G: En presencia de confusión dependiente del tiempo, la fórmula G exhibió un sesgo sustancial, particularmente cerca de violaciones de positividad. Esto se atribuye a la acumulación de errores de predicción al reconstruir trayectorias completas de covariables contrafactuales a lo largo del tiempo.
  • Mala Especificación del Modelo: Modelar ambos mecanismos de censura con un único modelo de regresión (por ejemplo, un único modelo de logística agrupada) introdujo sesgo en configuraciones complejas, lo que sugiere que separar los mecanismos es preferible a pesar de una posible inflación de la varianza.
  • AIPCW: Si bien teóricamente doblemente robusto, la implementación del AIPCW en este marco de clonación específico con covariables dependientes del tiempo se señaló como computacionalmente exigente y carente de una implementación de software dedicada en la literatura actual.

Aplicación en el Mundo Real
La metodología se aplicó a una gran cohorte prospectiva nacional francesa de pacientes con cáncer de mama localizado para evaluar el efecto de la duración del tamoxifeno. El estudio tuvo como objetivo emular un ensayo que comparara detener el tratamiento después de 2 años frente a continuar durante 5 años. Los autores utilizaron el marco CCW para manejar los complejos historiales de tratamiento longitudinales y patrones de adherencia observados en la atención rutinaria, donde casi el 55% de los pacientes discontinúan el tratamiento temprano.

Significado y Afirmaciones
El artículo afirma proporcionar un marco metodológico para evaluar estrategias de duración del tratamiento en datos observacionales, abordando específicamente la brecha entre escenarios de confusión solo basal y escenarios de confusión dependiente del tiempo.

• Guía Práctica: Los autores concluyen que, aunque existen muchos enfoques para la confusión basal, los enfoques basados en IPCW parecen ofrecer el mejor compromiso entre la complejidad de implementación y el rendimiento empírico cuando están presentes confusores dependientes del tiempo. Destacan que los métodos IPCW son menos sensibles a la acumulación de errores asociada con la simulación de trayectorias completas de covariables contrafactuales (como lo requiere la fórmula G).
• Advertencias: Los autores mantienen modestia respecto a la universalidad de sus recomendaciones. Enfatizan que:
  • La suposición de "consistencia admisible" (que las reglas de adherencia relajadas no alteran el estimando causal) es fuerte y difícil de verificar.
  • No se recomienda un único estimador de manera uniforme; las conclusiones deben basarse en análisis de sensibilidad a través de especificaciones de modelo plausibles.
  • Persisten desafíos relacionados con datos faltantes, violaciones de positividad y la carga computacional de la estimación de modelos de perturbación en configuraciones longitudinales complejas.

El trabajo subraya la necesidad de un modelado cuidadoso de los mecanismos de censura tanto artificial como natural y sugiere que se necesitan desarrollos metodológicos futuros para abordar la incertidumbre del modelo y las estructuras de datos complejas en la inferencia causal para la duración del tratamiento.