Estimating Pathway Treatment Effects in the Presence of Intermediate Events with Multi-State Data

Resumen Técnico: Estimación de los Efectos del Tratamiento en Vías mediante Datos Multiestado con Eventos Intermedios

Planteamiento del Problema
En los ensayos clínicos que evalúan variables de supervivencia, los pacientes suelen experimentar múltiples eventos intermedios antes de alcanzar un evento terminal primario (p. ej., la muerte). Estos eventos crean estructuras de datos multiestado complejas con riesgos competitivos y semicompetitivos. Los marcos de mediación tradicionales, como los efectos naturales y los efectos separables, presentan dificultades en este contexto. Los efectos naturales dependen de la ignorabilidad secuencial, la cual se ve vulnerada cuando los eventos intermedios actan como confundidores inducidos por el tratamiento para transiciones posteriores. Los efectos separables requieren que el tratamiento sea descomponible en componentes que aíslen vías específicas, una condición que es a menudo biológicamente inidentificable y que no tiene en cuenta la confusión inducida por el tratamiento no observada, inherente a la progresión de la enfermedad. En consecuencia, los métodos existentes no pueden identificar de manera fiable los efectos del tratamiento a lo largo de vías de transición específicas ni descomponer los efectos totales en componentes específicos de transición, de evento y de vía sin realizar supuestos no contrastables sobre la confusión no medida.

Metodología
Los autores proponen un marco basado en efectos intervencionales aleatorizados adaptado para datos multiestado. En lugar de intentar aislar efectos directos/indirectos naturales, el método visualiza intervenciones hipotéticas sobre el riesgo instantáneo (riesgo o hazard) de las transiciones.

1. Intervenciones Hipotéticas: El marco define un vector de intervenciones $a = (a_{kg})$ para cada transición $(k, g)$ en el grafo de estados. Una intervención $a_{kg}=1$ establece el riesgo de transición al nivel observado bajo el tratamiento, mientras que $a_{kg}=0$ lo establece al nivel de control. Esto permite la construcción de trayectorias de contrafactuales de incidencia acumulada manipulando vías específicas mientras otras permanecen bajo control.
2. Identificabilidad: La función de incidencia acumulada (CIF) contrafactual para alcanzar un estado $j$ se identifica integrando los riesgos de transición derivados de los datos observados. Crucialmente, el método marginaliza sobre los confundidores potenciales inducidos por el tratamiento dentro de la definición del riesgo, lo que hace que el estimando sea identificable sin requerir supuestos de independencia entre mundos (cross-world independence) que invalidarían la ignorabilidad secuencial.
3. Estimación:
   • Función de Influencia Eficiente (EIF): Los autores derivan la EIF para la CIF contrafactual bajo un supuesto de Markov extendido (donde los riesgos de transición dependen del conjunto de estados visitados en lugar del momento específico de las transiciones pasadas).
   • Estimador de Robustez Múltiple: Se construye un estimador de un solo paso utilizando la EIF. Este estimador es multivariante robusto (multiply robust), lo que significa que sigue siendo consistente si:
     • Se especifican correctamente todos los riesgos de transición a lo largo de una vía; O BIEN
     • Se especifican correctamente el propensity score y el riesgo de censura, y todos los riesgos de transición excepto uno a lo largo de la vía están correctamente especificados.
   • Eficiencia: El estimador es semiparamétricamente eficiente, logrando la menor varianza asintótica posible bajo los supuestos del modelo.
4. Inferencia: El marco proporciona métodos para la prueba de hipótesis utilizando el tiempo de supervivencia perdido de la media restringida (RMSTL) y construye intervalos de confianza basados en la normalidad asintótica del estimador basado en la EIF.

Contribuciones Clave

• Estimandos Novedosos: El artículo define efectos del tratamiento específicos de la transición, del evento y de la vía para datos multiestado, lo que permite a los investigadores localizar exactamente dónde y cómo un tratamiento ejerce su influencia (p. ej., a través de una transición específica o una secuencia específica de eventos).
• Robustez ante la Confusión: Al utilizar efectos intervencionales aleatorizados, el método evita el supuesto de ignorabilidad secuencial, que es no contrastable, requerido por los efectos naturales, así como la aislación de componentes biológicamente implausible requerida por los efectos separables. El método sigue siendo válido incluso en presencia de confusión inducida por el tratamiento no medida.
• Eficiencia Estadística: La derivación de la EIF y la construcción de un estimador de robustez múltiple y semiparamétricamente eficiente abordan la ineficiencia y la dependencia del modelo de los estimadores de inserción directa (plug-in) estándar en entornos multiestado.
• Descomposición de Efectos Totales: El marco demuestra que el efecto total del tratamiento sobre un evento terminal puede descomponerse en una suma de efectos intervencionales derivados de intervenir secuencialmente en cada transición.

Resultados (Aplicación al Ensayo LEADER)
Los autores aplicaron su marco a los datos del ensayo LEADER, que investigó el efecto de la liraglutida en los resultados cardiovasculares en pacientes con diabetes tipo 2. El modelo multiestado incluyó el estado basal (O), eventos cardiovasculares adversos mayores expandidos (EMACE, E), eventos microvasculares (MVE, M) y muerte (D).

• Efectos Directos: La liraglutida mostró efectos directos significativos en la reducción del riesgo de EMACE ($P=0.0013$) y MVE ($P=0.0040$). Sin embargo, el efecto directo sobre la muerte por otras causas no fue significativo ($P=0.8638$).
• Efectos Específicos de la Vía: El análisis reveló que la reducción en la mortalidad por todas las causas está mediada principalmente a través de la vía que involucra a EMACE. Específicamente, el efecto específico de la vía a lo largo de $O \to E \to D$ fue significativo, contribuyendo a una ganancia en el tiempo de supervivencia de la media restringida. El efecto a lo largo de la vía directa $O \to D$ fue insignificante.
• Mecanismo: El estudio concluyó que la liraglutida reduce la mortalidad por todas las causas principalmente mediante la prevención de EMACE y MVE no fatales, lo que posteriormente reduce el riesgo de muerte. No parece afectar directamente las causas de muerte no cardiovasculares.

Significación y Reivindicaciones
El artículo afirma que su marco proporciona un enfoque riguroso y con pocos supuestos para diseccionar mecanismos de tratamiento complejos en el análisis de supervivencia. Al alejarse de los supuestos causales no contrastables hacia intervenciones hipotéticas sobre los riesgos de transición, el método permite el examen de los efectos del tratamiento a través de cada transición, de cada evento y a lo largo de cada vía. Los autores sostienen que este enfoque puede informar el desarrollo de políticas de tratamiento dinámico óptimas y mejorar la comprensión de la eficacia y seguridad de los fármacos al identificar vías biológicas específicas (p. ej., dirigirse a transiciones de alto riesgo para EMACE) en lugar de solo los resultados generales de supervivencia. El artículo señala que, si bien el método recupera conocimiento útil incluso en presencia de confusión no medida, no pretende recuperar efectos causales "precisos" (sharp) si la confusión dependiente del tiempo compensa los efectos genuinos, sino que proporciona una base robusta para motivar una mayor investigación biológica.