Riepilogo Tecnico: MEC-Cox per la stima del Rapporto di Pericolo Marginale di ATT

1. Definizione del Probleamento

Il documento affronta la sfida di stimare gli effetti causali del trattamento in trial di sopravvivenza a braccio singolo con controllo esterno, un design sempre più utilizzato in oncologia e nelle malattie rare dove i controlli randomizzati concomitanti sono impraticabili. L'obiettivo specifico è il Rapporto di Pericolo Marginale dell'Effetto del Trattamento sul Trattato (ATT), che confronta il pericolo marginale sotto trattamento rispetto al pericolo marginale controfattuale sotto controllo all'interno della popolazione del trial trattato.

Le principali difficoltà inferenziali identificate sono:

1. Sensibilità alla Misspecificazione del Modello: La regressione di Cox IPW (Inverse Probability Weighted) standard si basa sul propensity score della sorgente. Se il modello parametrico per il propensity score è misspecificato (ad esempio, a causa di relazioni non lineari), lo stimatore di Cox pesato ne soffre una grave distorsione (bias).
2. Complessità della Stima della Varianza: L'inferenza valida per gli stimatori di Cox IPW è tecnicamente complessa perché la verosimiglianza parziale pesata dipende dai pesi sia attraverso i contributi degli eventi che attraverso le medie dei set di rischio.
   • Gli stimatori di varianza ingenui ignorano la struttura di pesatura.
   • Gli stimatori robusti "sandwich" (ad esempio, Lin–Wei/Binder) trattano i pesi stimati come fissi, ignorando l'incertezza derivante dalla stima del propensity score.
   • Gli stimatori sandwich corretti (ad esempio, Shu et al., 2021b) tengono conto dell'incertezza dei pesi, ma sono tipicamente sensibili alla misspecificazione del modello parametrico del propensity score.
3. Integrazione del Machine Learning: Sebbene la stima tramite Targeted Maximum Likelihood Estimation (TMLE) e il Double Machine Learning (DML) integrino con successo il machine learning (ML) flessibile per stimandi di tipo media, estendere questi metodi alla stima del rapporto di pericolo di Cox è non banale. Ciò richiede solitamente la derivazione di una Funzione di Influenza Efficiente (EIF) o di score di Neyman-ortogonali, che sono analiticamente complessi per i modelli di Cox a causa della dipendenza non lineare dello score dai pesi tramite le medie dei set di rischio.

2. Metodologia: MEC-Cox

Gli autori propongono MEC-Cox, un metodo che adatta il framework di Machine-Learning-Assisted Generalized Entropy Calibration (MEC) (Lee e Kim, 2026) alla regressione di Cox IPW. Il metodo opera in due fasi principali:

A. Costruzione dei Pesi di Base

1. Stima del Propensity Score della Sorgente: Il propensity score della sorgente $\pi(X) = P(A=1|X)$ è stimato utilizzando metodi ML flessibili (ad esempio, BART, Deep Learning) o regressione logistica parametrica tramite cross-fitting K-fold per evitare l'overfitting.
2. Pesi di Trasporto ATT: Per i controlli esterni ($A=0$), i pesi di base sono costruiti come odds ATT normalizzati: $d_i = n_1 \hat{q}(X_i) / \sum \hat{q}(X_j)$, dove $\hat{q}(X) = \hat{\pi}(X)/(1-\hat{\pi}(X))$. Questi pesi trasportano la distribuzione del controllo esterno alla popolazione del trial trattato.

B. Passo di Calibrazione di Bregman

L'innovazione centrale è un passo di calibrazione che affina i pesi di base per bilanciare riassunti prognostici piuttosto che semplici covariate grezze.

1. Costruzione della Base di Calibrazione: Viene generato un punteggio prognostico cross-fitted per tutti i soggetti. Il documento suggerisce di utilizzare le probabilità di sopravvivenza del controllo landmark $\hat{S}_0(t_k | X)$ stimate dal coorte di controllo esterno utilizzando apprendimenti di sopravvivenza flessibili (ad esempio, Random Survival Forests o modelli di Cox). Il vettore base è $h_i = (1, \hat{S}_0(t_1|X_i), \dots, \hat{S}_0(t_{p-1}|X_i))$.
2. Proiezione di Bregman: I pesi di base $d_i$ vengono aggiornati in nuovi pesi $w_i$ minimizzando una divergenza di Bregman $D_G(w_i \| d_i)$ soggetta al vincolo che la media pesata della base di calibrazione nel gruppo di controllo esterno corrisponda a quella del gruppo del trial trattato:
   $$\sum_{i \in I_0} w_i h_i = \sum_{i \in I_1} h_i$$
   La soluzione assume la forma $w_i = g^{-1}(g(d_i) + \lambda^\top h_i)$, dove $\lambda$ è il parametro duale che risolve l'equazione di calibrazione.
3. Stima Finale: Gli aggiornati pesi $\tilde{\omega}_i = A_i + (1-A_i)w_i$ sono utilizzati nell'equazione di stima di Cox IPW per risolvere il log-rapporto di pericolo marginale $\theta_{ATT}$.

C. Stima della Varianza

Per tenere conto dell'incertezza introdotta dal passo di calibrazione, gli autori propongono uno stimatore di varianza sandwich "stacked" (impilato).

• Essi impilano l'equazione di stima di Cox pesata per $\theta$ con l'equazione di calibrazione duale per $\lambda$.
• La varianza è derivata dalla funzione di influenza di questo sistema congiunto, trattando efficacementamente la stima del parametro di calibrazione come una fonte di variabilità simile alla stima del propensity score nei corretti stimatori sandwich.
• Questo approccio tiene conto dell'incertezza di primo ordine del parametro di calibrazione $\lambda$, trattando le funzioni di disturbo cross-fitted (propensity score e modelli prognostici) come fisse nel calcolo sandwich.

3. Contributi Chiave e Risultati Teorici

• Consistenza: Il Teorema 2 stabilisce che lo stimatore MEC-Cox è consistente per il log-rapporto di pericolo marginale ATT sotto standard assunzioni causali (consistenza, trasportabilità della sopravvivenza, positività) e condizioni di regolarità. Fondamentalmente, la consistenza dello stimatore non richiede che la base di calibrazione (modello prognostico) sia correttamente specificata; richiede solo che il propensity score della sorgente sia stimato in modo consistente e che la base di calibrazione sia $L_2$-stocasticamente limitata.
• Guadagno di Efficienza: Il Teorema 3 dimostra che, sotto una condizione di proiezione, la varianza sandwich stacked di MEC-Cox non è maggiore della varianza robusta Lin–Wei a pesi fissi. Il passo di calibrazione rimuove efficacemente la componente della variazione dello score di Cox spiegata dalla base di calibrazione, portando a potenziali guadagni di efficienza.
• Base Oracle: La Proposizione 4 mostra che se esiste uno score prognostico di controllo "oracle" (un riassunto sufficiente per l'esito di controllo controfattuale), l'uso di tale base per la calibrazione minimizza la variazione residua del contributo di Cox pesato, massimizzando teoricamente l'efficienza.
• Flessibilità: Il metodo consente l'integrazione di metodi ML flessibili (BART, Random Survival Forests, Deep Learning) sia per la stima del propensity score che per la costruzione del riassunto prognostico senza richiedere la derivazione di complessi EIF.

4. Risultati Empirici

Il documento valuta MEC-Cox attraverso studi di simulazione e un'applicazione su dati reali.

Studi di Simulazione

• Scenario 1 (Modelli Lineari): In contesti con modelli lineari correttamente specificati, MEC-Cox (utilizzando la regressione logistica per i propensity score e i modelli di Cox per la prognosi) ha ottenuto una minore distorsione (bias) e un RMSE (Root Mean Squared Error) inferiori rispetto agli standard stimatori ATT-IPW, dimostrando guadagni di efficienza anche in assenza di misspecificazione del modello.
• Scenario 2 (Modelli Non Lineari): In contesti con severa non-linearità sia nei modelli di selezione della sorgente che nei modelli di esito, gli stimatori IPW standard utilizzando la regressione logistica hanno mostrato una significativa distorsione dovuta alla misspecificazione del propensity score. MEC-Cox, utilizzando BART per i propensity score e apprendimenti di sopravvivenza flessibili (RSF) per la base di calibrazione, ha ridotto con successo bias e RMSE, mantenendo una copertura vicina ai livelli nominali.

Applicazione su Dati Reali

Il metodo è stato applicato per confrontare la terapia ormonale (trial GBSG) rispetto alla mancanza di terapia ormonale (Rotterdam tumor bank) per la sopravvivenza libera da recidiva del cancro al seno.

• Squilibrio: Il confronto non pesato non mostrava differenze significative, ma lo squilibrio delle covariate grezze era severo (Max SMD = 1.158).
• Risultati: La regressione di Cox ATT-IPW standard suggeriva un beneficio significativo della terapia ormonale (HR = 0.569), ma lasciava uno squilibrio residuo (Max SMD = 0.270) e un'alta variabilità dei pesi.
• Performance di MEC-Cox: Le implementazioni di MEC-Cox (utilizzando sia GLM/Cox che DL/RSF) hanno prodotto conclusioni qualitative simili (HR $\approx$ 0.61–0.65) ma con una maggiore stabilità dei pesi (Effective Sample Size più elevato, Coefficient of Variation inferiore) e uno squilibrio delle covariate superiore (Max SMD < 0.15). Anche gli errori standard sono stati ridotti rispetto all'approccio IPW standard.

5. Significato e Rivendicazioni

Il documento sostiene che MEC-Cox colmi una lacuna nella letteratura riguardante la stima del rapporto di pericolo marginale nei trial controllati esternamente.

• Robustezza: Offre una soluzione alla sensibilità dei metodi esistenti alla misspecificazione del modello di propensity score sfruttando il machine learning flessibile.
• Inferenza: Fornisce un framework di stima della varianza valido (sandwich stacked) che tiene conto dell'incertezza del passo di calibrazione, affrontando un limite dei robusti stimatori ingenui.
• Efficienza: Bilanciando i riassunti prognostici invece delle semplici covariate grezze, il metodo migliora l'efficienza in campioni finiti.
• Praticità: Il risolutore Newton dual per il passo di calibrazione è computazionalmente efficiente, operando nello spazio a bassa dimensionalità della base di calibrazione piuttosto che nello spazio ad alta dimensionalità dei pesi.

Gli autori osservano che, sebbene MEC-Cox migliori l'efficienza e la robustezza, non rivendica di aver raggiunto il limite di efficienza semiparametrica per il rapporto di pericolo marginale ATT, né stabilisce una proprietà di doppia robustezza per la regressione di Cox pesata nello stesso senso algebrico degli estimandi di tipo media. Il metodo assume un censoring indipendente specifico per la sorgente, e le estensioni a un censoring informativo sono lasciate a lavori futuri.