Bayesian fusion forests for heterogeneous treatment effects on survival from randomised and real-world data

Resumen Técnico: Bosques de Fusión Bayesiana para Efectos de Tratamiento Heterogéneos en la Supervivencia

Planteamiento del Problema
El artículo aborda el desafío de estimar los efectos heterogéneos del tratamiento (HTE, por sus siglas en inglés) sobre resultados de supervivencia mediante la combinación de datos de un Ensayo Controlado Aleatorizado (RCT) y Datos del Mundo Real (RWD). Mientras que los RCT proporcionan estimaciones causales insesgadas, a menudo carecen de potencia para el análisis de subgrupos y tienen un seguimiento limitado. Por el contrario, los RWD ofrecen tamaños de muestra más grandes y un seguimiento más prolongado, pero sufren de confusión no medida.

Surgen tres desafíos específicos al fusionar estas fuentes para datos de supervivencia:

1. Confusión No Medida: En los RWD, la asignación del tratamiento no es aleatoria y puede depender de factores no observados, sesgando las estimaciones del efecto del tratamiento.
2. Heterogeneidad Entre Fuentes: El pronóstico basal (supervivencia sin tratamiento) y las distribuciones de error suelen diferir entre la población del ensayo y la observacional debido a diferencias en la elegibilidad, protocolos y composición de casos. La simple agrupación confunde estas diferencias basales con el efecto del tratamiento.
3. Censura: Los datos de supervivencia a menudo implican censura por la derecha (el tiempo del evento excede el seguimiento) y censura por intervalo (el evento ocurre entre visitas periódicas), lo que complica la construcción de la verosimilitud y la estimación.

Los métodos existentes suelen abordar solo uno o dos de estos desafíos, fallando a menudo al no poder acomodar simultáneamente la censura por intervalo y la confusión no medida mientras se estima el HTE.

Metodología: El Bosque de Fusión Bayesiana
Los autores proponen un marco no paramétrico llamado Bosque de Fusión Bayesiana, que modela el logaritmo del tiempo de supervivencia utilizando una descomposición de Tiempo de Fallo Acelerado (AFT). El modelo analiza conjuntamente los datos de ambas fuentes ($S \in \{0, 1\}$) y descompone el logaritmo del tiempo de supervivencia de la siguiente manera:

$$\log T = m_0(X, S) + \tau(X)A + (1-S)A c(X) + \varepsilon$$

Donde:

• $A$ es el indicador binario de tratamiento.
• $X$ representa las covariables previas al tratamiento.
• $m_0(X, S)$ (Pronóstico Basal): Modelado como un componente compartido $m_0^{sh}(X)$ más una desviación específica de la fuente $(1-S)d(X)$. Esta estructura permite que el modelo tome prestada fuerza entre fuentes al tiempo que acomoda las diferencias en el pronóstico basal.
• $\tau(X)$ (Efecto del Tratamiento): El Efecto Medio Condicional del Tratamiento (CATE), definido como $E[\log T(1) - \log T(0) | X]$. Este es el estimando principal, interpretado como un factor de aceleración en la escala del tiempo de supervivencia.
• $c(X)$ (Función de Confusión): Un término activo únicamente en el RWD ($S=0$) que absorbe el sesgo causado por la confusión no medida. Se define como la diferencia entre el contraste de tratamiento observado en el RWD y el verdadero efecto causal.
• $\varepsilon$ (Término de Error): Modelado mediante una Mezcla de Procesos de Dirichlet Jerárquicos (HDPM) de normales. Esto permite que la distribución del error difiera en forma y escala entre las dos fuentes mientras comparte componentes de mezcla, capturando la no gaussianidad y la heterogeneidad sin asumir una forma paramétrica única.

Prioris y Regularización
A cada componente funcional ($m_0^{sh}, d, \tau, c$) se le asigna un prior de Árbol de Regresión Aditiva Bayesiana (BART). Los autores implementan una "escalera" de regularización para reflejar la información disponible para cada componente:

• Base ($m_0^{sh}$): El prior más flexible (200 árboles) para capturar estructuras intrínsecas complejas de la enfermedad.
• Desviación ($d$): Flexibilidad moderada (50 árboles) para capturar diferencias residuales entre fuentes.
• Efecto del Tratamiento ($\tau$): Regularización más fuerte (100 árboles, penalización de profundidad) para contraer hacia la homogeneidad, reduciendo la heterogeneidad espuria.
• Función de Confusión ($c$): La regularización más fuerte (50 árboles, baja probabilidad de división de raíz, penalización de profundidad) para contraer hacia un sesgo uniforme, reflejando la suposición de que la confusión no medida varía poco con las covariables.

Inferencia
La inferencia posterior se realiza mediante un muestreador de Gibbs bloqueado. El muestreador actualiza los bosques BART contra residuos parciales y maneja las observaciones censuradas (tanto por la derecha como por intervalo) mediante aumentación de datos (Tanner y Wong, 1987). El bloque de error HDPM se actualiza mediante un paso de Gibbs separado sobre las asignaciones de clúster, átomos y parámetros de concentración.

Resultados Clave

• Estudio de Simulación:

  • Robustez a la Confusión: El Bosque de Fusión Bayesiana permanece esencialmente insesgado ante diversos niveles de confusión no medida ($\lambda_u$), mientras que las estimaciones de solo RWD se vuelven cada vez más sesgadas.
  • Robustez a la Heterogeneidad: El método permanece insesgado incluso cuando la heterogeneidad del pronóstico basal entre fuentes ($\lambda_d$) aumenta.
  • Eficiencia: El enfoque de fusión logra un Error Cuadrático Medio (RMSE) y una varianza posterior menores que el análisis de solo RCT en todos los niveles de confusión y heterogeneidad.
  • Comparación con ML: El método supera a cuatro líneas base de aprendizaje automático flexibles (Redes Neuronales Profundas, Gradient Boosting, Buckley-James boosting) tanto en precisión como en calibración de intervalos. Mientras que los métodos de ML a menudo producían intervalos estrechos, sufrían de una cobertura severamente baja (0.00–0.48) o requerían intervalos excesivamente anchos para lograr cobertura. El Bosque de Fusión logró una cobertura nominal (0.96) con una anchura competitiva.
  • Covariables de Alta Dimensión: A medida que el número de covariables aumentó (hasta $p=500$), el método de fusión mantuvo un RMSE y una varianza más bajos en comparación con la línea base de solo ensayo, demostrando que las ganancias de precisión de tomar prestada información de RWD superan el costo de buscar un espacio de covariables más grande.

• Aplicación (Terapia Antirretroviral para el VIH):

  • Los autores fusionaron el ensayo ACTG 175 (censurado por la derecha, ~3 años de seguimiento) con el Estudio de Cohorte de SIDA Multicéntrico (censurado por intervalo, ~25 años de seguimiento) para estimar el efecto de la terapia de combinación frente a la monoterapia con ZDV.
  • Hallazgos: La fusión estimó un factor de aceleración promedio de 1.65 (IC 95%: [1.43, 1.90]), lo que indica que la terapia de combinación extiende la supervivencia libre de eventos por un factor de 1.65.
  • Estimaciones Individuales: El bosque de fusión proporcionó estimaciones individuales significativamente más precisas (la anchura media del IC 95% se redujo en un 62% en comparación con el análisis de solo ensayo). Identificó un beneficio para casi todos los pacientes (96.4% con una probabilidad posterior de beneficio >95%), mientras que el análisis de solo ensayo fue inconcluyente para una cuarta parte de los pacientes.
  • Heterogeneidad: Se encontró que el beneficio del tratamiento varía con el recuento de CD8 y la raza, observándose mayores beneficios en pacientes con recuentos de CD8 más altos.

Significancia y Reivindicaciones
El artículo afirma que el Bosque de Fusión Bayesiana es el primer método que aborda simultáneamente la confusión no medida, la heterogeneidad entre fuentes y la censura (tanto por la derecha como por intervalo) en el contexto de la estimación de efectos de tratamiento heterogéneos para datos de supervivencia.

Los autores enfatizan que su enfoque:

1. Relaja la Suposición de Inconfundibilidad: Al modelar explícitamente una función de confusión, el método evita la necesidad de asumir que el RWD es inconfundido, una suposición común y a menudo violada en la fusión de datos.
2. Toma Prestada Fuerza de Manera Apropiada: La estructura jerárquica permite una toma de prestado adaptativa de la información de RWD, mejorando la precisión sin comprometer la validez causal.
3. Proporciona Incertidumbre Calibrada: A diferencia de muchos predictores de aprendizaje automático que apuntan a la predicción en lugar de la inferencia causal, el marco bayesiano proporciona una cuantificación de la incertidumbre intrínseca y calibrada para los efectos de tratamiento individuales.
4. Ofrece Información Accionable: En la aplicación de VIH, el bosque de fusión resolvió los resultados inconclusos del ensayo, identificando beneficios casi universales de la terapia de combinación que estaban oscurecidos por el seguimiento limitado de potencia del ensayo.

Los autores señalan que el marco asume que el factor de aceleración es invariante en el tiempo (dependiente de las covariables pero no del tiempo), una suposición estándar en los modelos AFT, y sugieren que futuras extensiones podrían incorporar efectos dependientes del tiempo. La implementación del software se pone a disposición para facilitar la reproducibilidad.