Improving Longitudinal Targeted Maximum Likelihood Estimation in Target Trial Emulation using Joint Calibrated Weights

Resumen Técnico: Mejora de la Estimación de Máxima Verosimilitud Dirigida Longitudinal en la Emulación de Ensayos Clínicos mediante Pesos Calibrados Conjuntos

1. Planteamiento del Problema

La Emulación de Ensayos Clínicos (TTE, por sus siglas en inglés) es un marco para estimar efectos causales de tratamiento a partir de datos observacionales, imitando el diseño de un ensayo controlado aleatorizado (RCT). Un objetivo principal en TTE es a menudo estimar el efecto per-protocolo, que contrasta las trayectorias de los resultados contrafácticos bajo estrategias de tratamiento sostenidas (por ejemplo, "siempre tratado" frente a "nunca tratado").

Para estimar estos efectos ante la presencia de confusión dependiente del tiempo, los profesionales suelen utilizar Modelos Estructurales Marginales (MSM) estimados mediante Ponderación por Probabilidad Inversa (IPW). Sin embargo, los estimadores IPW estándar enfrentan desafíos significativos:

• Inestabilidad: Pueden ser altamente inestables en muestras pequeñas o cuando el solapamiento de covariables es limitado (violaciones de positividad cercana).
• Sensibilidad: Son sensibles a la especificación errónea de los modelos de pesos de tratamiento y censura.
• Escasez de Datos: En análisis per-protocolo, el soporte para estrategias de tratamiento sostenidas disminuye a menudo durante periodos de seguimiento prolongados, lo que conduce a estimandos débilmente identificados.

La Estimación de Máxima Verosimilitud Dirigida Longitudinal (LTMLE) ofrece una alternativa de doble robustez que es generalmente más eficiente que IPW porque utiliza modelos de regresión de resultados y retiene datos de pacientes que cumplen parcialmente con las estrategias de tratamiento. No obstante, LTMLE también depende de pesos de probabilidad inversa (típicamente estimados mediante la Estimación de Máxima Verosimilitud, MLE) en su paso de direccionamiento (targeting). Por consiguiente, LTMLE hereda la inestabilidad y la sensibilidad a la especificación errónea de los modelos de pesos inherentes a los estimadores basados en IPW, particularmente cuando el modelo de regresión de resultados también está mal especificado o cuando los tamaños de muestra son pequeños.

2. Metodología

Los autores proponen LTMLE de Calibración Conjunta, un método que integra el marco de LTMLE con pesos calibrados conjuntos específicamente diseñados para TTE.

Componentes Principales:

• Calibración Conjunta: En lugar de estimar los pesos únicamente mediante MLE, el método optimiza los pesos para satisfacer las condiciones de momento de las covariables (balance) en muestras finitas. Este enfoque impone el balance tanto para el proceso de tratamiento (manejo de la censura artificial debido al incumplimiento) como para el proceso de censura (manejo de la pérdida de seguimiento) simultáneamente.
• Restricciones de Calibración: Los autores adaptan el enfoque de calibración conjunta de Yiu y Su [9] al entorno de TTE. A diferencia de los MSM estándar que modelan todas las posibles estrategias de tratamiento, este método se dirige a dos poblaciones hipotéticas específicas:
  1. Todos los pacientes elegibles que cumplen con la estrategia de "siempre tratado".
  2. Todos los pacientes elegibles que cumplen con la estrategia de "nunca tratado".
     Las restricciones de calibración aseguran que, tras la ponderación, las distribuciones de las covariables en estas poblaciones ponderadas coincidan con la distribución de las covariables basales de la población del ensayo objetivo, eliminando efectivamente el desequilibrio residual en muestras finitas.
• Integración con LTMLE: Los pesos calibrados conjuntos reemplazan los pesos MLE estándar dentro del algoritmo LTMLE. El procedimiento implica:
  1. Estimar los pesos iniciales no estabilizados por MLE para el tratamiento y la censura.
  2. Aplicar un algoritmo de minimización convexa para calibrar estos pesos secuencialmente a través del tiempo para satisfacer las restricciones de balance conjunto.
  3. Utilizar estos pesos calibrados en el paso de "direccionamiento" de LTMLE para actualizar las predicciones iniciales de los resultados y estimar los parámetros del MSM.
• Inferencia: Para construir intervalos de confianza, los autores proponen un bootstrap no paramétrico modificado. Esta estrategia separa los pasos computacionalmente costosos de estimación de pesos iniciales y predicciones de resultados (realizados una sola vez en los datos originales) de los pasos de direccionamiento y ajuste del MSM (realizados dentro de cada muestra de bootstrap). Esto reduce significativamente la carga computacional manteniendo una inferencia asintótica válida.

3. Contribuciones Clave

• Nuevo Estimador: El artículo presenta la primera implementación de pesos calibrados conjuntos dentro del marco de LTMLE para la estimación del efecto per-protocolo en TTE.
• Adaptación a TTE: Los autores adaptan la teoría de calibración conjunta existente para abordar la estructura específica de TTE, donde la "censura artificial" (debido al incumplimiento) y la "pérdida de seguimiento" deben equilibrarse simultáneamente para estrategias de tratamiento específicas.
• Eficiencia Computacional: Desarrollan un algoritmo de bootstrap modificado que hace que el procedimiento de calibración conjunta y LTMLE sea factible para el remuestreo repetido.
• Implementación: Dado que los paquetes de R existentes (por ejemplo, ltmle) no admiten la sustitución de pesos MLE por pesos calibrados conjuntos, los autores proporcionan una implementación personalizada.

4. Resultados

El rendimiento del LTMLE de Calibración Conjunta fue evaluado a través de cuatro estudios de simulación y una aplicación a los datos del Estudio de Investigación Epidemiológica de VIH (HERS).

Hallazgos de la Simulación:

• Especificación Correcta del Modelo: Bajo una confusión débil, el LTMLE de Calibración Conjunta se desempeñó de manera comparable al LTMLE estándar. Bajo confusión fuerte, generalmente logró un Error Cuadrático Medio (RMSE) más bajo debido a la reducción de la varianza, aunque los tamaños de muestra pequeños (por ejemplo, $n=300$) a veces exhibieron un compromiso entre sesgo y varianza donde la calibración redujo el sesgo pero aumentó la varianza.
• Especificación Errónea del Modelo: Cuando las formas funcionales de los modelos de tratamiento, censura o resultado fueron mal especificadas, el LTMLE de Calibración Conjunta superó consistentemente al LTMLE estándar, demostrando un sesgo, error estándar y RMSE significativamente menores. Esto resalta la robustez del método ante la especificación errónea del modelo.
• Censura y Horizonte: Los beneficios de la calibración fueron más pronunciados cuando hubo censura o cuando el horizonte de estudio fue más largo, ya que estos factores aumentan la complejidad de la estimación de los pesos.
• Intervalos de Confianza: Los métodos de bootstrap que recalibraron los pesos dentro de cada muestra proporcionaron una cobertura cercana al nivel nominal del 95%. Los métodos que fijaron los pesos mostraron una cobertura reducida bajo confusión fuerte, particularmente en muestras pequeñas.

Aplicación de Datos HERS:

• El método se aplicó para estimar el efecto de la Terapia Antirretroviral Altamente Activa (HAART) sobre los recuentos de células CD4.
• Balance de Covariables: Los gráficos de Love demostraron que, si bien los pesos MLE estándar (paramétricos o basados en SuperLearner) redujeron el desequilibrio, no lograron un balance exacto. Los pesos calibrados conjuntos lograron un balance de covariables casi exacto en todas las visitas y estrategias.
• Problemas de Convergencia: En las visitas de seguimiento tardías (Visita 10+), el procedimiento de calibración falló en la convergencia para la estrategia de "siempre tratado" debido al número extremadamente pequeño de pacientes que cumplieron con el tratamiento (una violación práctica de la positividad). En estos casos, el método volvió a utilizar los pesos MLE iniciales, sirviendo como un indicador diagnóstico de la insuficiencia de soporte de datos para las estrategias de tratamiento.

5. Significación y Reivindicaciones

Los autores afirman que el LTMLE de Calibración Conjunta ofrece una mejora práctica y efectiva para las aplicaciones de LTMLE en TTE. Su significación radica en:

• Mejor Desempeño en Muestras Finitas: Al imponer el balance de las covariables directamente, el método mitiga la inestabilidad de los estimadores basados en IPW, particularmente en entornos con confusión fuerte o especificación errónea del modelo.
• Robustez: Proporciona una capa adicional de protección contra la especificación errónea de los modelos de confusión (tratamiento, censura y resultado), reduciendo el Error Cuadrático Medio de los parámetros del MSM.
• Utilidad Diagnóstica: La posible falla en la convergencia del procedimiento de calibración sirve como una herramienta diagnóstica para identificar violaciones prácticas del supuesto de positividad y el soporte insuficiente para las estrategias de tratamiento en los datos observados.

El artículo concluye que, si bien la calibración conjunta no resuelve los problemas fundamentales de la escasez de datos, mejora la eficiencia y la robustez de LTMLE, convirtiéndolo en una herramienta valiosa para estimar efectos per-protocolo en estudios longitudinales observacionales. Los autores señalan que el trabajo futuro podría explorar la extensión de estos métodos a resultados de supervivencia y entornos de alta dimensionalidad.