Transportability of model-based estimands in evidence synthesis

Resumo Técnico: Transportabilidade de Estimandos Baseados em Modelos na Síntese de Evidências

Declaração do Problema
Na síntese de evidências, particularmente para avaliação de tecnologias em saúde (ATS), o objetivo é frequentemente estimar efeitos marginais do tratamento para a tomada de decisão em nível populacional. No entanto, as práticas padrão frequentemente dependem de medidas de efeito condicional (por exemplo, razões de chances, razões de risco) derivadas de modelos em nível individual. Surge uma questão crítica porque muitas medidas de resumo comuns são não colapsáveis ou não diretamente colapsáveis. Para essas medidas, o efeito marginal não é simplesmente uma média ponderada dos efeitos condicionais. Consequentemente, covariáveis puramente prognósticas — variáveis que preveem o resultado, mas não interagem com o tratamento em nível individual — podem atuar como modificadoras do efeito marginal. Isso significa que, mesmo na ausência de heterogeneidade do efeito do tratamento em nível individual (isto é, sem interações tratamento-covariável), diferenças na distribuição de covariáveis puramente prognósticas entre estudos podem induzir viés em comparações indiretas não ajustadas. Além disso, orientações atuais frequentemente sugerem que o ajuste de covariáveis é necessário apenas quando há desequilíbrios em modificadores do efeito condicional ou quando existe heterogeneidade em nível individual. Este artigo argumenta que tal orientação é insuficiente para medidas não colapsáveis, pois os efeitos marginais dependem da distribuição conjunta completa das covariáveis, e não apenas de seus momentos marginais.

Metodologia
O artigo emprega um estudo de simulação baseado no quadro ADEMP (Objetivos, Mecanismos de Geração de Dados, Estimandos, Métodos, Medidas de Desempenho) para investigar empiricamente esses fenômenos. O estudo simula um cenário de comparação indireta de tratamento ancorada envolvendo dois ensaios clínicos randomizados (ECRs) com um comparador comum.

• Geração de Dados: Três cenários distintos foram construídos: (1) Homogeneidade do efeito do tratamento com médias de covariáveis marginais desequilibradas; (2) Heterogeneidade do efeito do tratamento com médias marginais equilibradas, mas estruturas de correlação diferentes; e (3) Heterogeneidade do efeito do tratamento com médias desequilibradas e estruturas de correlação diferentes.
• Modelos de Resultado: Três tipos de resultado foram modelados: contínuo (modelo linear, diferença de médias), contagem (modelo log-linear/Poisson, log da razão de risco) e binário (modelo logístico, log da razão de chances).
• Métodos Comparados: O desempenho de três métodos de comparação indireta foi avaliado:
  1. Método de Bucher: Comparação indireta ancorada padrão não ajustada.
  2. Comparação Indireta Ajustada por Emparelhamento (MAIC): Um método baseado em ponderação que equilibra momentos marginais de covariáveis.
  3. G-computação Paramétrica: Um método baseado em modelagem de resultado usando padronização para projetar inferências para a população-alvo.
• Métricas de Desempenho: Viés, Erro Quadrático Médio (EQM) e taxas de cobertura empírica de intervalos de confiança de 95% foram avaliados em 500 replicatas de simulação.

Principais Contribuições
O artigo fornece uma clarificação teórica e empírica de como as propriedades de colapsabilidade influenciam a transportabilidade dos efeitos do tratamento:

1. Não Colapsabilidade e Variáveis Prognósticas: Demonstra que, para medidas não colapsáveis (por exemplo, log da razão de chances), covariáveis puramente prognósticas modificam os efeitos marginais mesmo quando os efeitos do tratamento em nível individual são homogêneos. Portanto, desequilíbrios entre estudos nessas variáveis enviesam comparações não ajustadas.
2. Colapsabilidade Direta e Distribuições Conjuntas: Para medidas que são colapsáveis, mas não diretamente colapsáveis (por exemplo, log da razão de risco) na presença de heterogeneidade em nível individual, o efeito marginal depende da distribuição conjunta completa das covariáveis (incluindo correlações), e não apenas dos momentos marginais.
3. Limitações das Orientações Atuais: O estudo desafia orientações atuais que sugerem que comparações não ajustadas são válidas se os modificadores do efeito condicional estiverem equilibrados ou ausentes. Os resultados mostram que, para medidas não diretamente colapsáveis, métodos não ajustados permanecem enviesados mesmo quando os momentos marginais das covariáveis estão equilibrados, se as estruturas de correlação diferirem.
4. Limitações do Ajuste: Destaca que métodos padrão de ajuste de covariáveis (como o MAIC) que equilibram apenas momentos marginais (médias/desvios padrão) são inerentemente limitados na remoção de viés quando as estruturas de correlação diferem entre estudos, particularmente para medidas não diretamente colapsáveis.

Resultados

• Diferença de Médias (Diretamente Colapsável): Comparações não ajustadas (Bucher) performaram bem quando os efeitos do tratamento eram homogêneos ou quando as médias das covariáveis estavam equilibradas. O viés apareceu apenas quando as médias estavam desequilibradas na presença de heterogeneidade. O ajuste de covariáveis removeu com sucesso o viés.
• Log da Razão de Risco (Colapsável, mas não Diretamente Colapsável): Na presença de heterogeneidade em nível individual, comparações não ajustadas foram enviesadas mesmo quando as médias marginais das covariáveis estavam equilibradas, devido a diferenças nas estruturas de correlação. Métodos de ajuste de covariáveis (MAIC, G-computação) reduziram o viés em comparação com a abordagem não ajustada, mas permaneceram enviesados porque não puderam contabilizar as distribuições conjuntas (correlações) diferentes da população-alvo.
• Log da Razão de Chances (Não Colapsável): Comparações não ajustadas exibiram viés substancial mesmo na ausência de heterogeneidade do efeito do tratamento em nível individual, exclusivamente devido a desequilíbrios em covariáveis puramente prognósticas. Métodos de ajuste de covariáveis melhoraram o desempenho, mas ainda lutaram para eliminar completamente o viés quando as estruturas de correlação diferiam, pois a razão de chances marginal depende da distribuição conjunta completa.
• Precisão vs. Viés: A G-computação paramétrica frequentemente mostrou menor viés, mas sofreu de superprecisão (subcobertura) em cenários com sobreposição pobre de covariáveis ou extrapolação do modelo. O MAIC forneceu uma quantificação de incerteza mais "honesto" (melhor cobertura), mas com maior variância e tamanho de amostra efetivo reduzido.

Significado e Alegações
O artigo alega que a escolha da medida de efeito de resumo altera fundamentalmente os requisitos para validade externa e transportabilidade na síntese de evidências.

• Reavaliação de Modificadores de Efeito: O conjunto de covariáveis necessário para garantir a constância dos efeitos relativos depende de se a medida é colapsável e se é diretamente colapsável. Para medidas não colapsáveis, variáveis puramente prognósticas devem ser consideradas potencialmente modificadoras do efeito marginal.
• Implicações para a Prática: Para medidas não diretamente colapsáveis, confiar exclusivamente em resumos marginais de covariáveis (médias e desvios padrão) para ajuste é insuficiente para garantir transportabilidade não enviesada se as distribuições conjuntas (correlações) diferirem. O artigo sugere que medidas diretamente colapsáveis (como diferenças de médias ou diferenças de risco) são preferíveis para transportabilidade, pois reduzem a dependência de ajustes complexos baseados em modelos e de suposições sobre distribuições conjuntas.
• Revisão de Orientações: As descobertas implicam que as orientações atuais, que frequentemente permitem comparações indiretas não ajustadas na ausência de interações tratamento-covariável, podem ser falhas para medidas não colapsáveis. Além disso, a suposição de que equilibrar momentos marginais é suficiente para o ajuste de covariáveis é desafiada; contabilizar distribuições conjuntas é necessário, mas frequentemente inviável na prática com dados agregados, destacando uma limitação significativa nas capacidades atuais de síntese de evidências.