Doubly robust Methods for Recurrent Event Outcomes: Causal Effects of Blood Pressure Medications on Acute Kidney Injuries

Sintesi Tecnica: Metodi Doppiamente Robusti per Esiti di Eventi Ricorrenti

Definizione del Problema
Valutare gli effetti causali medi (ACE) delle strategie di trattamento sugli esiti di eventi ricorrenti (ad esempio, episodi di insufficienza renale acuta) è fondamentale nella ricerca clinica ma metodologicamente complesso. Le analisi standard spesso non riescono ad affrontare adeguatamente la complessità degli scenari longitudinali che coinvolgono trattamenti variabili nel tempo, confondimento variabile nel tempo e non aderenza. Inoltre, gli studi precedenti che stimano l'ACE per gli eventi ricorrenti si sono concentrati prevalentemente su impostazioni di esposizione puntuale, trascurando le sfumature della compliance al trattamento prolungata. Inoltre, la presenza di "rischi competitivi semi-competitivi", come il decesso, complica l'analisi degli eventi non terminali ricorrenti, poiché la morte interrompe l'insieme dei soggetti a rischio per futuri eventi. I dati del trial SPRINT (Systolic Blood Pressure Intervention Trial) presentano un caso specifico in cui la gestione della pressione arteriosa intensiva rispetto a quella standard può influenzare diversamente le ricorrenze di insufficienza renale acuta (AKI) e la mortalità, richiedendo metodi di inferenza causale robusti per disaggregare questi effetti.

Metodologia
Gli autori propongono un framework basato sul modello controfattuale e sulla formula g longitudinale per stimare gli effetti causali sotto regimi di trattamento e aderenza variabili nel tempo.

1. Struttura dei Dati e Identificazione:

   • Lo studio definisce una struttura di dati longitudinale con variabili basali ($L_0$), covariate variabili nel tempo ($L_k$), assegnazione del trattamento ($Z$), aderenza variabile nel tempo ($A_k$) e indicatori di eventi ricorrenti binari ($Y_k$).
   • L'identificazione causale si basa su tre assunzioni standard: Scambiabilità Condizionale, Positività e Consistenza.
   • Il target dell'estimando è il conteggio cumulativo atteso degli eventi ricorrenti ($E[R_{K+1}^{z, \bar{a}_K}]$) sotto specifici regimi di intervento per il trattamento ($z$) e l'aderenza ($\bar{a}_K$). Questo è espresso tramite una forma di aspettativa condizionata iterativa (ICE).

2. Stima Doppiamente Robusta tramite TMLE:

   • Gli autori estendono la Stima Massima di Verosimiglianza Targetizzata Longitudinale (TMLE) per gestire gli esiti di eventi ricorrenti su una griglia temporale discreta.
   • Il metodo utilizza la Funzione di Influenza Efficiente (EIF) per costruire stimatori che possiedano una doppia robustezza: lo stimatore rimane consistente se viene specificato correttamente o il modello del punteggio di propensione (meccanismo di trattamento/aderenza) o il modello di regressione dell'esito.
   • L'implementazione incorpora algoritmi di machine learning (ad esempio, Extreme Gradient Boosting, Modelli Additivi Generalizzati) per la stima delle funzioni di disturbo al fine di mitigare il bias di errata specificazione del modello.
   • L'algoritmo prevede un processo di aggiornamento iterativo in cui i modelli di regressione dell'esito vengono aggiustati utilizzando un parametro di fluttuazione derivato dai punteggi di propensione per targetizzare l'estimando specifico.

3. Gestione dei Rischi Semi-Competitivi:

   • Per affrontare il problema del decesso che interrompe l'osservazione degli eventi ricorrenti, il decesso ($D_k$) non è modellato come un evento di censura da eliminare, ma come un rischio competitivo semi-competitivo.
   • Il decesso è incorporato come componente delle covariate variabili nel tempo ($L_k^*$), con una relazione deterministica in cui il decesso implica la cessazione dei futuri eventi di AKI ($D_k=1 \implies Y_k=0$). Ciò consente la stima dell'effetto totale, che include i percorsi mediati dal decesso.

Contributi Chiave

• Estensione Metodologica: Il documento formalizza gli estimandi causali target e le strutture dei dati per gli esiti di eventi ricorrenti sotto trattamento e aderenza variabili nel tempo, estendendo la TMLE longitudinale a questo specifico contesto.
• Implementazione Pratica: Fornisce una guida di implementazione trasparente e passo dopo passo (Algoritmo 1) per la costruzione di stimatori doppiamente robusti utilizzando il machine learning, facilitandone l'applicazione in studi del mondo reale.
• Gestione della Complessità: Il framework affronta esplicitamente il confondimento variabile nel tempo, la non aderenza (permettendo sia analisi Intent-to-Treat che Per-Protocol) e il rischio semi-competitivo del decesso senza ricorrere a interventi ipotetici che eliminano il decesso.

Risultati (Applicazione SPRINT)
I metodi proposti sono stati applicati al dataset SPRINT (9.322 soggetti) per valutare gli effetti della terapia di riduzione della pressione arteriosa intensiva (<120 mm Hg) rispetto a quella standard (<140 mm Hg) sulle ricorrenze di AKI in un periodo di quattro anni.

• Effetto Totale Intent-to-Treat (ITT): L'assegnazione dei pazienti alla terapia intensiva ha comportato un aumento statisticamente significativo degli eventi di AKI rispetto alla terapia standard. La differenza stimata è stata di 0,019 (95% CI: [0,011, 0,026]).
• Effetto Totale Per-Protocol (PP): In uno scenario ipotetico di piena aderenza ai regimi assegnati, anche il gruppo della terapia intensiva ha mostrato un numero di ricorrenze di AKI marginalmente superiore rispetto al gruppo standard. La differenza stimata è stata di 0,017 (95% CI: [0,007, 0,027]).
• Effetti dell'Aderenza: Le analisi supplementari dell'Effetto di Intervento di Popolazione (PIE) per l'aderenza hanno indicato che il passaggio dall'aderenza osservata alla piena aderenza ha avuto un impatto trascurabile sui tassi di ricorrenza di AKI, suggerendo che la somiglianza tra le stime ITT e PP è dovuta all'alta aderenza basale nella popolazione dello studio.
• Robustezza: Le analisi di sensibilità riguardanti la discretizzazione temporale (biennale vs annuale) e l'uso di diversi algoritmi di machine learning (GLM, XGB, GAM) hanno prodotto risultati coerenti, confermando la robustezza delle conclusioni causali.

Significatività e Rivendicazioni
Il documento sostiene che la sua metodologia offre un approccio rigoroso per stimare l'effetto causale totale delle strategie di trattamento sugli eventi ricorrenti in presenza di rischi semi-competitivi. Trattando il decesso come un evento di interruzione piuttosto che come un meccanismo di censura da eliminare ipoteticamente, gli autori sostengono che il loro approccio rifletta le implicazioni di salute pubblica del mondo reale in modo più accurato rispetto ai metodi che si affidano a effetti diretti controllati (che richiedono assunzioni sull'eliminazione del decesso che possono essere mal definite).

Gli autori concludono che, sebbene l'abbassamento intensivo della pressione arteriosa riduca la mortalità, esso è associato a un aumento marginale della frequenza degli episodi ricorrenti di AKI. Essi sottolineano che il loro framework TMLE, doppiamente robusto e potenziato dal machine learning, fornisce uno strumento affidabile per clinici e ricercatori per navigare i compromessi tra benefici cardiovascolari e rischi renali in studi longitudinali con complessa struttura di aderenza e rischio competitivo. Il documento nota con modestia che la validità della definizione di aderenza dipende dall'assunzione che le misurazioni dell'aderenza a livello di intervallo riflettano accuratamente la vera aderenza, un limite che potrebbe essere più pronunciato nelle popolazioni con tassi di compliance inferiori.