Technische Samenvatting: MEC-Cox voor de schatting van de ATT Marginal Hazard-Ratio door ATT

1. Probleemstelling

Het artikel behandelt de uitdaging van het schatten van causale behandelingseffecten in extern gecontroleerde single-arm overlevingsstudies, een ontwerp dat steeds vaker wordt gebruikt in oncologie en bij zeldzame ziekten waar gelijktijdige gerandomiseerde controles onhaalbaar zijn. Het specifieke doel is de Average Treatment Effect on the Treated (ATT) marginale hazard ratio, die de marginale hazard onder behandeling vergelijkt met de contrafeitelijke marginale hazard onder controle binnen de behandelde populatie van de studie.

De primaire inferentiële moeilijkheden die worden geïdentificeerd zijn:

1. Gevoeligheid voor modelmisspecificatie: Standaard Inverse Probability Weighted (IPW) Cox-regressie vertrouwt op de bron-propensity score. Als het parametrische model voor de propensity score is misgespecificeerd (bijv. door niet-lineaire relaties), lijdt de resulterende gewogen Cox-schatter aan ernstige bias.
2. Complexiteit van variantieschatting: Geldige inferentie voor IPW Cox-schatters is technisch uitdagend omdat de gewogen partial likelihood afhankelijk is van gewichten via zowel de bijdragen van gebeurtenissen als de risicoset-gemiddelden.
   • Naïeve variantieschatters negeren de wegingsstructuur.
   • Robuuste sandwich-schatters (bijv. Lin–Wei/Binder) behandelen geschatte gewichten als vast, waarbij de onzekerheid van de propensity score-schatting wordt genegeerd.
   • Gecorrigeerde sandwich-schatters (bijv. Shu et al., 2021b) houden rekening met de onzekerheid van de gewichten, maar zijn doorgaans gevoelig voor misspecificatie omdat ze uitgaan van correct gespecificeerde parametrische propensity score-modellen.
3. Integratie van Machine Learning: Hoewel Targeted Maximum Likelihood Estimation (TMLE) en Double Machine Learning (DML) succesvol flexibele machine learning (ML) kunnen integreren voor gemiddelde-type estimanden, is het uitbreiden hiervan naar Cox hazard-ratio schatting niet triviaal. Dit vereist doorgaans het afleiden van een Efficient Influence Function (EIF) of Neyman-orthogonale scores, wat analytisch complex is voor Cox-modellen vanwege de niet-lineaire afhankelijkheid van de score van gewichten via de risicoset-gemiddelden.

2. Methodologie: MEC-Cox

De auteurs stellen MEC-Cox voor, een methode die het Machine-Learning-Assisted Generalized Entropy Calibration (MEC) framework (Lee en Kim, 2026) aanpast aan IPW Cox-regressie. De methode werkt in twee hoofdfasen:

A. Constructie van de Baseline Gewichten

1. Schatting van de Bron Propensity Score: De bron propensity score $\pi(X) = P(A=1|X)$ wordt geschat met behulp van flexibele ML-methoden (bijv. BART, Deep Learning) of parametrische logistische regressie via K-fold cross-fitting om overfitting te voorkomen.
2. ATT Transportgewichten: Voor externe controles ($A=0$) worden baseline gewichten geconstrueerd als genormaliseerde ATT odds: $d_i = n_1 \hat{q}(X_i) / \sum \hat{q}(X_j)$, waarbij $\hat{q}(X) = \hat{\pi}(X)/(1-\hat{\pi}(X))$. Deze gewichten transporteren de distributie van de externe controle naar de behandelde populatie van de studie.

B. Bregman Calibratiestap

De kerninnovatie is een calibratiestap die de baseline gewichten verfijnt door te balanceren op prognostische samenvattingen in plaats van alleen op ruwe covariaten.

1. Constructie van de Calibratiebasis: Een cross-fitted prognostische score wordt gegenereerd voor alle subjecten. Het artikel suggereert het gebruik van landmark controle-overlevingskansen $\hat{S}_0(t_k | X)$ geschat uit de externe controlecohort met behulp van flexibele survival learners (bijv. Random Survival Forests of Cox-modellen). De basisvector is $h_i = (1, \hat{S}_0(t_1|X_i), \dots, \hat{S}_0(t_{p-1}|X_i))$.
2. Bregman Projectie: De baseline gewichten $d_i$ worden bijgewerkt naar nieuwe gewichten $w_i$ door een Bregman divergentie $D_G(w_i \| d_i)$ te minimaliseren, onder de voorwaarde dat het gewogen gemiddelde van de calibratiebasis in de externe controlegroep overeenkomt met dat van de behandelde groep:
   $$\sum_{i \in I_0} w_i h_i = \sum_{i \in I_1} h_i$$
   De oplossing heeft de vorm $w_i = g^{-1}(g(d_i) + \lambda^\top h_i)$, waarbij $\lambda$ de duale parameter is die de calibratievergelijking oplost.
3. Definitieve Schatting: De bijgewerkte gewichten $\tilde{\omega}_i = A_i + (1-A_i)w_i$ worden gebruikt in de standaard IPW Cox-schattingsvergelijking om de marginale log-hazard ratio $\theta_{ATT}$ op te lossen.

C. Variantieschatting

Om rekening te houden met de onzekerheid die de calibratiestap introduceert, stellen de auteurs een gestapelde sandwich variantieschatter voor.

• Zij stapelen de gewogen Cox-schattingsvergelijking voor $\theta$ met de duale calibratievergelijking voor $\lambda$.
• De variantie wordt afgeleid van de invloedfunctie van dit gezamenlijke systeem, waarbij de schatting van de calibratieparameter effectief wordt behandeld als een bron van variabiliteit, vergelijkbaar met de propensity score-schatting in gecorrigeerde sandwich-schatters.
• Deze aanpak houdt rekening met de eerste-orde onzekerheid van de calibratieparameter $\lambda$, terwijl de cross-fitted nuisance functies (propensity scores en prognostische modellen) als vast worden beschouwd in de sandwich-berekening.

3. Belangrijkste Bijdragen en Theoretische Resultaten

• Consistentie: Theorem 2 stelt vast dat de MEC-Cox schatter consistent is voor de ATT marginale log-hazard ratio onder standaard causale aannames (consistentie, survival transportability, positiviteit) en regulariteitsvoorwaarden. Cruciaal is dat de consistentie van de schatter geen correct gespecificeerde calibratiebasis (prognostisch model) vereist; het vereist alleen dat de bron propensity score consistent wordt geschat en dat de calibratiebasis $L_2$-stochastisch begrensd is.
• Efficiëntiewinst: Theorem 3 toont aan dat onder een projectieconditie, de MEC-Cox gestapelde sandwich variantie niet groter is dan de vaste-gewicht Lin–Wei robuuste variantie. De calibratiestap verwijdert effectief het component van de Cox-score variatie dat verklaard wordt door de calibratiebasis, wat leidt tot potentiële efficiëntiewinst.
• Oracle Basis: Proposition 4 laat zien dat als er een "oracle" controle-prognostische score bestaat (een samenvatting die voldoende is voor de contrafeitelijke controle-uitkomst), het gebruik hiervan als de calibratiebasis de residuvariatie van de gewichtsgenormaliseerde Cox-bijdrage minimaliseert, wat theoretisch de efficiëntie maximaliseert.
• Flexibiliteit: De methode maakt de integratie van flexibele ML-methoden (BART, Random Survival Forests, Deep Learning) voor zowel de propensity score schatting als de constructie van de prognostische samenvatting mogelijk, zonder dat de afleiding van complexe EIF's nodig is.

4. Empirische Resultaten

Het artikel evalueert MEC-Cox via simulatiestudies en een toepassing op echte data.

Simulatiestudies

• Scenario 1 (Lineaire Modellen): In settings met correct gespecificeerde lineaire modellen bereikte MEC-Cox (met gebruik van logistische regressie voor propensity scores en Cox-modellen voor prognose) een kleinere bias en Root Mean Squared Error (RMSE) dan standaard ATT-IPW schatters, wat efficiëntiewinst demonstreert zelfs zonder modelmisspecificatie.
• Scenario 2 (Niet-lineaire Modellen): In settings met sterke niet-lineariteit in zowel de bronselectie als de uitkomstmodellen, vertoonden standaard IPW-schatters met logistische regressie significante bias door propensity score misspecificatie. MEC-Cox, gebruikmakend van BART voor propensity scores en flexibele survival learners (RSF) voor de calibratiebasis, slaagde erin de bias en RMSE succesvol te verminderen en behield dekking die dicht bij de nominale niveaus lag.

Toepassing op Echte Data

De methode werd toegepast om hormoontherapie (GBSG trial) te vergelijken met geen hormoontherapie (Rotterdam tumor bank) voor recidiefvrije overleving van borstkanker.

• Imbalans: De ongewogen vergelijking toonde geen significant verschil, maar de ruwe covariantie-imbalans was ernstig (Max SMD = 1.158).
• Resultaten: Standaard ATT-IPW Cox-regressie suggereerde een significant voordeel van hormoontherapie (HR = 0.569), maar liet een residuele imbalans achter (Max SMD = 0.270) en een hoge gewichtsvariabiliteit.
• MEC-Cox Prestaties: MEC-Cox implementaties (gebruikmakend van zowel GLM/Cox als DL/RSF) produceerden vergelijkbare kwalitatieve conclusies (HR $\approx$ 0.61–0.65), maar met verbeterde gewichtstabiliteit (hogere Effective Sample Size, lagere Coefficient of Variation) en superieure covariantie-balans (Max SMD < 0.15). De standaardfouten waren ook lager vergeleken met de standaard IPW-aanpak.

5. Betekenis en Claims

Het artikel beweert dat MEC-Cox een gat in de literatuur over marginale hazard-ratio schatting in extern gecontroleerde trials overbrugt.

• Robuustheid: Het biedt een oplossing voor de gevoeligheid van bestaande methoden voor propensity score modelmisspecificatie door gebruik te maken van flexibele ML.
• Inferentie: Het biedt een geldige variantieschatting framework (gestapelde sandwich) die rekening houdt met de onzekerheid van de calibratiestap, waarmee een beperking van naïeve robuuste schatters wordt aangepakt.
• Efficiëntie: Door prognostische samenvattingen te balanceren in plaats van alleen ruwe covariaten, verbetert de methode de eind-steekproef efficiëntie.
• Praktische bruikbaarheid: De duale Newton-solver voor de calibratiestap is computationeel efficiënt en opereert in de laag-dimensionale ruimte van de calibratiebasis in plaats van de hoog-dimensionale ruimte van de gewichten.

De auteurs merken op dat hoewel MEC-Cox de efficiëntie en robuustheid verbetert, het niet claimt de semiparametrische efficiëntiegrens voor de ATT marginale hazard ratio te bereiken, noch stelt het een dubbel robuust eigenschap vast voor gewogen Cox-regressie in dezelfde algebraïsche zin als voor gemiddelde-type estimanden. De methode gaat uit van bron-specifieke onafhankelijke censoring, en uitbreidingen naar informatieve censoring worden overgelaten aan toekomstig werk.