Estimating equations for causal survival analysis with pooled logistic regression

Sintesi Tecnica: Equazioni di Stima per l'Analisi della Sopravvivenza Causale con Regressione Logistica Aggregata (Pooled Logistic Regression)

Definizione del Problema
La regressione logistica aggregata è una tecnica ampiamente utilizzata nell'analisi della sopravvivenza causale, in particolare come modello di disturbo (nuisance model) per gli stimatori di g-computation e di ponderazione della probabilità inversa (IPW). L'implementazione standard richiede la trasformazione dei dati in un formato "long", dove ogni riga rappresenta un periodo-persona (un individuo per un determinato intervallo temporale). Questo approccio affronta tre sfide computazionali e pratiche primarie:

1. Volume dei Dati: Il dataset in formato long può diventare ingestibile con campioni di grandi dimensioni o intervalli temporali molto fini, rendendo spesso necessario l'aggregazione del tempo (ad esempio, usando le settimane invece dei giorni), il che comporta una perdita di informazioni.
2. Carico Computazionale: Per l'inferenza causale (ad esempio, la stima dei rischi marginali), la stima della varianza si basa tipicamente sul bootstrap non parametrico. Poiché il modello logistico aggregato deve essere ri-stimato centinaia o migliaia di volte, questo processo è computazionalmente oneroso, richiedendo spesso ore per completarsi, il che minaccia la riproducibilità.
3. Errori di Implementazione: La trasformazione manuale dei dati nel formato long introduce il rischio di errori di codifica (ad esempio, disallineamento temporale o codifica errata degli eventi).

Metodologia
Gli autori propongono di riformulare la regressione logistica aggregata utilizzando le equazioni di stima (specificamente l'M-stima) per evitare la necessità di un dataset long ed eliminare la dipendenza dal bootstrap per la stima della varianza.

• Formulazione delle Equazioni di Stima:

  • Invece di massimizzare una verosimiglianza su un dataset long, il metodo definisce una funzione di stima specifica per unità $\psi(O_i; \theta)$ che somma i contributi attraverso tutti gli intervalli temporali per un singolo individuo.
  • L'equazione del punteggio (score equation) per i parametri di regressione $\beta$ è espressa come la somma dei residui pesati dalle covariate sul set di rischio, aggregati per unità piuttosto che per periodo-persona.
  • Per stimare il rischio marginale (il parametro target), viene costruita una seconda funzione di stima che trasforma gli hazard predetti a tempo discreto in rischi cumulativi.
  • Queste equazioni vengono impilate per stimare congiuntamente i parametri di disturbo e l'effetto causale target.

• Stima della Varianza:

  • Il metodo utilizza l'estimatore di varianza sandwich empirico per stimare in modo consistente la varianza del parametro target. Ciò tiene conto dell'incertezza nei parametri del modello di disturbo senza ricorrere al campionamento con reinserimento.
  • Questo permette la costruzione di intervalli di confidenza (CI) di tipo Wald e, per gli effetti tempo-varianti, di bande di confidenza (CB) utilizzando il metodo sup-t.

• Vettorizzazione e Implementazione:

  • Gli autori descrivono un'implementazione vettorizzata delle funzioni di stima utilizzando operazioni matriciali (prodotti di Hadamard e prodotti cumulativi) per evitare i lenti cicli iterativi comuni in linguaggi interpretati come Python e R.
  • Questo approccio riduce i requisiti di memoria rispetto all'approccio standard dei dati long, in particolare quando il numero di intervalli temporali ($K$) o la dimensione del campione ($n$) sono elevati.
  • L'implementazione è disponibile nella libreria open-source Python delicatessen e nel pacchetto R geex.

Risultati Chiave
Il metodo proposto è stato valutato attraverso due esempi applicati utilizzando dati pubblici e uno studio di simulazione Monte Carlo.

1. Esempi Applicati:

   • Studio sul Cancro alla Vescica: L'approccio delle equazioni di stima ha ridotto i tempi di esecuzione da oltre un minuto (implementazione standard con indicatori disgiunti) o diverse ore (bootstrap) a meno di un secondo, producendo stime della differenza di rischio e intervalli di confidenza identici.
   • Studio di Coorte HIV (WIHS): In uno scenario con 1.164 soggetti e 3.653 giorni di follow-up, l'implementazione standard con indicatori disgiunti è fallita a causa dei vincoli di memoria (richiedendo circa 4,2 milioni di righe). Il bootstrap non poteva essere eseguito in parallelo a causa dei limiti di memoria. L'approccio delle equazioni di stima ha calcolato con successo i risultati in meno di due minuti (scala giornaliera) e in secondi (scala mensile) senza aggregazione dei dati.

2. Studio di Simulazione:

   • Una simulazione con 5.000 iterazioni su diverse dimensioni campionarie ($n=250$ a $2000$) ha valutato le prestazioni dell'estimatore della varianza sandwich empirico.
   • Copertura: Quando la forma funzionale per il tempo era specificata correttamente (ad esempio, log-lineare, spline o indicatori disgiunti), l'estimatore ha raggiunto una copertura nominale del 95% per gli intervalli di confidenza.
   • Bias: La misspecificazione della forma funzionale del tempo (ad esempio, l'uso di un solo intercetta) ha causato bias e una scarsa copertura, evidenziando l'importanza di una modellazione flessibile del tempo.
   • Accuratezza della Varianza: Il rapporto tra errore standard standard e stimato (ASE/ESE) era vicino a 1,0 per i modelli correttamente specificati, indicando che l'estimatore sandwich cattura accuratamente la variabilità.

Significatività e Rivendicazioni
L'articolo sostiene che questa implementazione offre un'alternativa computazionalmente efficiente all'approccio standard della regressione logistica aggregata per l'analisi della sopravvivenza causale. I suoi principali contributi sono:

• Eliminazione del Dataset Long: Evita la creazione e l'archiviazione di enormi dataset periodo-persona, rimuovendo così la necessità di aggregare gli intervalli temporali e preservando la granularità dei dati.
• Inferenza Efficiente: Sostituendo il bootstrap non parametrico con l'estimatore della varianza sandwich empirico, riduce drasticamente i tempi di calcolo (da ore a secondi/minuti) mantenendo un'inferenza statistica valida.
• Fattibilità: Permette l'analisi di dataset e scale temporali che sono computazionalmente intrattabili sotto l'approccio standard del bootstrap.

Gli autori osservano che, sebbene l'attenzione sia focalizzata sulla regressione logistica aggregata, il framework è generalizzabile ad altri modelli di regressione aggregata (ad esempio, complementare log-log o logistica multinomiale per i rischi competitivi). Essi riconoscono alcune limitazioni, tra cui l'attuale incapacità di gestire direttamente trattamenti tempo-varianti all'interno di questa specifica formulazione e la dipendenza dalla discretizzazione del tempo, pur notando che esistono estensioni teoriche per dimensioni crescenti.