Resumen Técnico: MEC-Cox para la Estimación del Cociente de Riesgos Marginal de ATT

1. Planteamiento del Problema

El artículo aborda el desafío de estimar los efectos causales del tratamiento en ensayos de supervivencia de brazo único con controles externos, un diseño cada vez más utilizado en oncología y enfermedades raras donde los controles aleatorizados concurrentes son inviables. El objetivo específico es el Cociente de Riesgos (Hazard Ratio, HR) marginal del Efecto del Tratamiento sobre los Tratados (ATT), que compara el riesgo marginal bajo tratamiento frente al riesgo marginal contrafactual bajo control dentro de la población del ensayo tratado.

Las principales dificultades inferenciales identificadas son:

1. Sensibilidad a la Especificación Incorrecta del Modelo: La regresión de Cox con ponderación de probabilidad inversa (IPW) estándar depende del score de propensión de la fuente. Si el modelo paramétrico para el score de propensión está mal especificado (por ejemplo, debido a relaciones no lineales), el estimador de Cox ponderado sufre un sesgo severo.
2. Complejidad de la Estimación de la Varianza: La inferencia válida para los estimadores de Cox IPW es técnicamente difícil porque la verosimilitud parcial ponderada depende de los pesos tanto a través de las contribuciones de eventos como de los promedios del conjunto de riesgo.
   • Los estimadores de varianza ingenuos ignoran la estructura de ponderación.
   • Los estimadores de sándwich robustos (por ejemplo, Lin–Wei/Binder) tratan los pesos estimados como fijos, ignorando la incertidumbre de la estimación del score de propensión.
   • Los estimadores de sándwich corregidos (por ejemplo, Shu et al., 2021b) tienen en cuenta la incertidumbre de los pesos, pero suelen depender de modelos de score de propensión paramétricos correctamente especificados, lo que los hace sensibles a la especificación incorrecta.
3. Integración de Aprendizaje Automático (Machine Learning): Aunque la Estimación de Máxima Verosimilitud Dirigida (TMLE) y el Aprendizaje Automático Doble (DML) incorporan con éxito el aprendizaje automático flexible (ML) para estimandos de tipo media, extender esto a la estimación del cociente de riesgos de Cox no es trivial. Requiere derivar una Función de Influencia Eficiente (EIF) o scores de Neyman-ortogonales, lo cual es analíticamente complejo para los modelos de Cox debido a la dependencia no lineal del score de los pesos a través de los promedios del conjunto de riesgo.

2. Metodología: MEC-Cox

Los autores proponen MEC-Cox, un método que adapta el marco de Calibración de Entropía Generalizada asistida por Aprendizaje Automático (MEC) (Lee y Kim, 2026) a la regresión de Cox IPW. El método opera en dos etapas principales:

A. Construcción de Pesos de Base

1. Estimación del Score de Propensión de la Fuente: El score de propensión de la fuente $\pi(X) = P(A=1|X)$ se estima utilizando métodos de ML flexibles (por ejemplo, BART, Deep Learning) o regresión logística paramétrica mediante cross-fitting de K-pliegues para evitar el sobreajuste.
2. Pesos de Transporte de ATT: Para los controles externos ($A=0$), los pesos de base se construyen como odds de ATT normalizados: $d_i = n_1 \hat{q}(X_i) / \sum \hat{q}(X_j)$, donde $\hat{q}(X) = \hat{\pi}(X)/(1-\hat{\pi}(X))$. Estos pesos transportan la distribución del control externo a la población del ensayo tratado.

B. Paso de Calibración de Bregman

La innovación central es un paso de calibración que refina los pesos de base para equilibrar resúmenes pronósticos en lugar de solo covariables puras.

1. Construcción de la Base de Calibración: Se genera un score pronóstico mediante cross-fitting para todos los sujetos. El artículo sugiere utilizar probabilidades de supervivencia de control de puntos de control (landmark) $\hat{S}_0(t_k | X)$ estimadas desde la cohorte de control externa utilizando aprendices de supervivencia flexibles (por ejemplo, Random Survival Forests o modelos de Cox). El vector de base es $h_i = (1, \hat{S}_0(t_1|X_i), \dots, \hat{S}_0(t_{p-1}|X_i))$.
2. Proyección de Bregman: Los pesos de base $d_i$ se actualizan a nuevos pesos $w_i$ minimizando una divergencia de Bregman $D_G(w_i \| d_i)$ sujeto a la restricción de que el promedio ponderado de la base de calibración en el grupo de control externo coincida con el del grupo del ensayo tratado:
   $$\sum_{i \in I_0} w_i h_i = \sum_{i \in I_1} h_i$$
   La solución toma la forma $w_i = g^{-1}(g(d_i) + \lambda^\top h_i)$, donde $\lambda$ es el parámetro dual que resuelve la ecuación de calibración.
3. Estimación Final: Los pesos actualizados $\tilde{\omega}_i = A_i + (1-A_i)w_i$ se utilizan en la ecuación de estimación de Cox IPW para resolver el log-cociente de riesgos marginal $\theta_{ATT}$.

C. Estimación de la Varianza

Para tener en cuenta la incertidumbre introducida por el paso de calibración, los autores proponen un estimador de varianza de sándwich apilado (stacked sandwich).

• Apilan la ecuación de estimación de Cox ponderada para $\theta$ con la ecuación de calibración dual para $\lambda$.
• La varianza se deriva de la función de influencia de este sistema conjunto, tratando efectivamente la estimación del parámetro de calibración como una fuente de variabilidad similar a la estimación del score de propensión en los estimadores de sándwich corregidos.
• Este enfoque tiene en cuenta la incertidumbre de primer orden del parámetro de calibración $\lambda$, mientras trata las funciones de molestia (nuisance functions) de cross-fitting (scores de propensión y modelos pronósticos) como fijas en el cálculo del sándwich.

3. Contribuciones Clave y Resultados Teóricos

• Consistencia: El Teorema 2 establece que el estimador MEC-Cox es consistente para el log-cociente de riesgos marginal del ATT bajo supuestos causales estándar (consistencia, transportabilidad de la supervivencia, positividad) y condiciones de regularidad. Crucialmente, la consistencia del estimador no requiere que la base de calibración (modelo pronóstico) esté correctamente especificada; solo requiere que el score de propensión de la fuente se estime de manera consistente y que la base de calibración sea estocásticamente acotada en $L_2$.
• Ganancia de Eficiencia: El Teorema 3 demuestra que, bajo una condición de proyección, la varianza de sándwich apilada de MEC-Cox no es mayor que la varianza robusta de pesos fijos de Lin–Wei. El paso de calibración elimina efectivamente el componente de la variación del score de Cox explicado por la base de calibración, lo que conduce a posibles ganancias de eficiencia.
• Base Oráculo: La Proposición 4 muestra que si existe un score pronóstico de control "oráculo" (un resumen suficiente para el resultado de control contrafactual), su uso como base de calibración minimiza la variación residual de la contribución de Cox ponderada, maximizando teóricamente la eficiencia.
• Flexibilidad: El método permite la integración de métodos de ML flexibles (BART, Random Survival Forests, Deep Learning) tanto para la estimación del score de propensión como para la construcción del resumen pronóstico sin requerir la derivación de EIFs complejas.

4. Resultados Empíricos

El artículo evalúa MEC-Cox a través de estudios de simulación y una aplicación de datos reales.

Estudios de Simulación

• Escenario 1 (Modelos Lineales): En entornos con modelos lineales correctamente especificados, MEC-Cox (usando regresión logística para los scores de propensión y modelos de Cox para el pronóstico) logró un sesgo y un Error Cuadrático Medio (RMSE) menores que los estimadores ATT-IPW estándar, demostando ganancias de eficiencia incluso sin especificación incorrecta del modelo.
• Escenario 2 (Modelos No Lineales): En entornos con severa no linealidad tanto en la selección de la fuente como en los modelos de resultado, los estimadores IPW estándar usando regresión logística exhibieron un sesgo significativo debido a la especificación incorrecta del score de propensión. MEC-Cox, utilizando BART para los scores de propensión y aprendices de supervivencia flexibles (RSF) para la base de calibración, logró reducir con éxito el sesgo y el RMSE, manteniendo la cobertura cercana a los niveles nominales.

Aplicación de Datos Reales

El método se aplicó para comparar la terapia hormonal (ensayo GBSG) frente a la ausencia de terapia hormonal (banco de tumores de Rotterdam) para la recurrencia libre de cáncer de mama.

• Desequilibrio: La comparación sin ponderar no mostró una diferencia significativa, pero el desequilibrio de covariables sin ponderar fue severo (SMD máximo = 1.158).
• Resultados: La regresión de Cox ATT-IPW estándar sugirió un beneficio significativo de la terapia hormonal (HR = 0.569), pero dejó un desequilibrio residual (SMD máximo = 0.270) y una alta variabilidad de los pesos.
• Desempeño de MEC-Cox: Las implementaciones de MEC-Cox (usando tanto GLM/Cox como DL/RSF) produjeron conclusiones cualitativas similares (HR $\approx$ 0.61–0.65) pero con una mayor estabilidad de los pesos (mayor Tamaño de Muestra Efectivo, menor Coeficiente de Variación) y un mejor equilibrio de covariables (SMD máximo < 0.15). Los errores estándar también se redujeron en comparación con el enfoque IPW estándar.

5. Significación y Reivindicaciones

El artículo afirma que MEC-Cox cierra una brecha en la literatura respecto a la estimación del cociente de riesgos marginal en ensayos con controles externos.

• Robustez: Ofrece una solución a la sensibilidad de los métodos existentes a la especificación incorrecta del modelo de score de propensión mediante el aprovechamiento de ML flexible.
• Inferencia: Proporciona un marco de estimación de varianza válido (sándwich apilado) que tiene en cuenta la incertidumbre del paso de calibración, abordando una limitación de los estimadores robustos ingenuos.
• Eficiencia: Al equilibrar resúmenes pronósticos en lugar de solo covariables puras, el método mejora la eficiencia en muestras finitas.
• Practicidad: El resolvedor de Newton dual para el paso de calibración es computacionalmente eficiente, operando en el espacio de baja dimensión de la base de calibración en lugar del espacio de alta dimensión de los pesos.

Los autores señalan que, si bien MEC-Cox mejora la eficiencia y la robustez, no pretende alcanzar el límite de eficiencia semiparamétrica para el cociente de riesgos marginal del ATT, ni establece una propiedad de doble robustez para la regresión de Cox ponderada en el mismo sentido algebraico que para los estimandos de tipo media. El método asume un censura independiente específica de la fuente, y las extensiones a la censura informativa se dejan para trabajos futuros.