Resumo Técnico: Aprendizado Adaptativo e Eficiente com Dados com Ausência em Blocos e Semissupervisionados

1. Definição do Problema

O artigo aborda os desafios da fusão de dados na presença de três complicações simultâneas:

1. Ausência em Blocos (Blockwise Missingness - BM): As covariáveis são ausentes em blocos entre diferentes fontes de dados porque as variáveis são coletadas ou definidas de forma distinta. Isso resulta em padrões de ausência não monotônicos, onde subconjuntos específicos de covariáveis são observados em algumas fontes, mas ausentes em outras.
2. Configuração Semissupervisionada (SS): A variável de desfecho $Y$ é cara para obter (ex: requer revisão clínica manual), deixando a maioria das amostras na população alvo sem rótulos, enquanto um grande conjunto de dados não rotulados com covariáveis totalmente observadas está disponível.
3. Deslocamentos de Distribuição (Distributional Shifts): As fontes de dados frequentemente exibem heterogeneidade devido a variações nos padrões de medição ou critérios de recrutamento. Suposições padrão como a de Ausência Completamente ao Acaso (MCAR) são frequentemente irreais; em vez disso, a ausência pode depender de variáveis observadas, e as distribuições entre as fontes podem diferir.

O objetivo é estimar de forma robusta e eficiente os parâmetros de um Modelo Linear Generalizado (GLM) para uma população alvo (Unlabeled Complete, UC) fundindo:

• LC (Labeled Complete): Amostra pequena com covariáveis e desfechos totalmente observados.
• LM (Labeled Missing): Múltiplas fontes com desfechos, mas com ausência em blocos de covariáveis.
• UC (Unlabeled Complete): Amostra grande com covariáveis totalmente observadas, mas sem desfechos.

Um desafio crítico é o desalinhamento de fontes: se a distribuição condicional dos desfechos dado as covariáveis diferir entre uma fonte rotulada e a população alvo (violando a transportabilidade), a fusão ingênua introduz viés.

2. Metodologia: DEFUSE

Os autores propõem o DEFUSE (Abordagem de Estimativa Adaptativa aos Dados para Fusão de Dados no Contexto Semissupervisionado), que opera sob uma suposição de Alinhamento Condicional sob Ausência (Conditional Alignment under Missingness - CAM).

2.1 Suposição Central (CAM)

O método assume que, condicionalmente a um subconjunto pré-especificado de variáveis $Z_r$ (que pode incluir desfechos e covariáveis observadas), as distribuições de dados das fontes rotuladas com ausência ($LM_r$) e da população alvo ($UC$) estão alinhadas:
$$P_{LM_r}(Y, X | Z_r) = P_{UC}(Y, X | Z_r)$$
Isso relaxa a estrita suposição MCAR, permitindo que a ausência dependa de dados observados, desde que o alinhamento condicional seja mantido.

2.2 Procedimento de Estimativa em Duas Etapas

Etapa 1: Estimativa Preliminar (Operador DML)
Um estimador preliminar $\hat{\gamma}$ é derivado usando apenas as amostras LC e UC. Para lidar com os deslocamentos de distribuição entre LC e UC sem depender de uma instável estimativa de razão de densidade, os autores empregam um operador de Aprendizado de Máquina Duplo/Desviado (Double/Debiased Machine Learning - DML):
$$M_{LC}(D) = h_{LC}(X)(D - E_{LC}[D|X]) + E_{UC}(E_{LC}[D|X])$$
onde $h_{LC}(X)$ é a razão de densidade. Este operador corrige o viés enquanto mantém a consistência $n^{1/2}$, mesmo se os modelos de interferência (razões de densidade e médias condicionais) convergirem em taxas mais lentas ($o_P(n^{-1/4})$).

Etapa 2: Abordagem de Variável de Controle Adaptativa aos Dados
Para incorporar as amostras $LM_r$ e reduzir a variância, o DEFUSE utiliza uma estratégia de variável de controle:
$$\hat{\beta}(\phi) = c^\top \hat{\gamma} + \sum_{r=1}^R \left( \hat{E}_{LM_r}[\hat{M}_{LM_r}(\phi_r)] - \hat{E}_{LC}[\hat{M}_r(\phi_r)] \right)$$

• Operadores: $\hat{M}_r$ e $\hat{M}_{LM_r}$ são construídos usando princípios de DML para ajustar os deslocamentos de distribuição entre as fontes.
• Funções de Controle ($\phi_r$): Estas são funções adaptativas aos dados das variáveis observadas em $LM_r$. O método busca minimizar a variância assintótica empírica $Q(\phi)$ em relação a $\phi$.
• Estratégia de Refinamento: Em vez de otimizar diretamente funções não paramétricas complexas, o DEFUSE refina um preditor "âncora" (ex: um modelo de IA prevendo a função de escore) usando uma função de reponderação $w_r(W_r; \delta_r)$. Isso leva a um problema de programação quadrática de dimensão finita, tornando o método computacionalmente tratável. Os autores propõem três exemplos para $w_r$: coeficientes constantes, funções lineares e Regressão de Ridge com Kernel (KRR).

2.3 Triagem para Fontes Desalinhadas

Reconhecendo que algumas fontes podem violar a suposição CAM, os autores desenvolvem um procedimento de triagem (screening) para excluir essas fontes antes da fusão.

• Métrica: Eles propõem uma medida de Discrepância de Erro Quadrático Médio (Mean Squared Discrepancy - MSD), $\bar{\Delta}_r^2$, que quantifica o desvio de uma fonte em relação ao alinhamento alvo.
• Desenviesamento: Para evitar o viés na estimativa de médias condicionais, eles utilizam um estimador desviado baseado em uma maximização sobre um espaço de funções $G$.
• Seleção: Fontes com $\hat{\Delta}_r$ acima de um limite são excluídas. Teoricamente, esta medida MSD é demonstrada como sendo mais nítida e sensível ao desalinhamento do que as análises de sensibilidade de diferença de médias padrão.

3. Principais Contribuições

1. Estrutura Inovadora: O DEFUSE é o primeiro método a lidar sistematicamente com a tríade de ausência em blocos, aprendizado semissupervisionado e deslocamentos de distribuição sob uma suposição de alinhamento condicional.
2. Eficiência Adaptativa aos Dados: O método introduz uma nova abordagem de variável de controle adaptativa aos dados. Ele alcança a eficiência intrínseca (ótima dentro de uma classe especificada de funções de controle) e pode atingir o limite de eficiência semiparamétrica se a classe de funções de controle for suficientemente rica (ex: via KRR).
3. Robustez ao Desalinhamento: O procedimento de triagem proposto identifica e exclui efetivamente fontes desalinhadas, prevenindo a propagação de viés, uma limitação em muitos métodos de fusão existentes que assumem transportabilidade perfeita.
4. Viabilidade Computacional: Ao reduzir a otimização das funções de controle para programação quadrática, o método acomoda características auxiliares de alta dimensão e modelos de aprendizado de máquina de "caixa-preta", mantendo a eficiência computacional.
5. Garantias Teóricas: O artigo estabelece normalidade assintótica, consistência e limites de eficiência semiparamétrica para o estimador proposto sob condições de regularidade.

4. Resultados

Estudos de Simulação

• Eficiência: O DEFUSE supera consistentemente os métodos existentes (incluindo Imputação Múltipla, fusão baseada em GMM e reponderação de amostras) em termos de Eficiência Relativa (RE). Em vários cenários (lineares/não lineares, desfechos binários/contínuos), o DEFUSE com reponderação KRR (Exemplo 3) alcançou até 25-80% de maior eficiência do que os benchmarks.
• Robustez: Sob deslocamentos de distribuição e não linearidade, o DEFUSE manteve baixas razões de viés-erro padrão, enquanto os concorrentes (como SC-PW e MBI) exibiram aumento de viés.
• Desempenho de Triagem: Em cenários com fontes desalinhadas, o método de triagem baseado em MSD alcançou pontuações F1 e sensibilidade quase perfeitas na identificação de fontes desalinhadas, superando significativamente as estratégias baseadas em diferença de médias.

Aplicações no Mundo Real

• Risco de Alzheimer (Dados NACC): Aplicado para construir um modelo prognóstico usando dados de múltiplos centros. O método de triagem excluiu 3 de 8 centros devido ao desalinhamento. O DEFUSE com reponderação KRR mostrou uma eficiência relativa de 2,76x para a covariável álcool em comparação com o estimador preliminar.
• Risco de Doença Cardíaca (Dados MIMIC-III): Aplicado para modelar o risco de doença cardíaca com biomarcadores com ausência em blocos. O DEFUSE demonstrou ganhos substanciais de eficiência (até 3,65x para idade e 5,72x para diabetes em múltiplos cenários de BM) em comparação com estimadores preliminares e métodos de fusão existentes.

5. Significância e Alegações

O artigo afirma que o DEFUSE oferece uma solução prática e poderosa para problemas modernos de fusão de dados onde as estruturas de dados são complexas e heterogêneas.

• Otimalidade Teórica: Ele preenche a lacuna entre a eficiência semiparamétrica teórica e a implementação prática, fornecendo um mecanismo para se aproximar dos limites de eficiência mesmo quando estimadores clássicos de forma fechada não estão disponíveis.
• Proteção de Validade: Ao abordar explicitamente o desalinhamento de fontes através de um procedimento de triagem sensível, o método protege contra o viés que afeta a fusão de conjuntos de dados não alinhados.
• Flexibilidade: A estrutura é flexível o suficiente para incorporar características auxiliares de alta dimensão (ex: de prontuários eletrônicos) e modelos poderosos de aprendizado de máquina sem sacrificar a tratabilidade computacional.

Os autores observam que, embora o método atualmente exija uma amostra completa rotulada (LC), trabalhos futuros poderiam generalizar a abordagem para configurações onde apenas dados não rotulados e parcialmente rotulados estão disponíveis, desde que a união das covariáveis observadas cubra os preditores alvo.