Resumo Técnico: Inferência Causal para Ensaios N-de-1

Declaração do Problema

A abordagem convencional de inferência causal em ensaios clínicos randomizados (ECRs) foca na estimativa do efeito causal médio dentro de uma população. No entanto, o surgimento da medicina personalizada destacou as limitações dessa abordagem, uma vez que os indivíduos frequentemente exibem respostas heterogêneas aos tratamentos, possuem preferências únicas ou podem não atender aos critérios de elegibilidade de ECRs existentes ao nível populacional. Os ensaios N-de-1, definidos como ensaios de cruzamento (crossover) intra-indivíduo onde um único indivíduo recebe tratamento e controle em períodos sequenciais, oferecem uma solução potencial para identificar efeitos causais específicos do indivíduo.

Apesar de seu apelo intuitivo, a análise e interpretação de ensaios N-de-1 permanecem metodologicamente complexas. Persiste a confusão em relação ao papel da randomização, ao tratamento de confusão (especificamente autocorrelação e efeitos de carryover/resíduo) e aos estimandos causais apropriados. A literatura anterior ofereceu visões conflitantes: alguns afirmam que a randomização elimina a necessidade de métodos de inferência causal, enquanto outros argumentam que a autocorrelação e o efeito de carryover devem ser contabilizados mesmo em desenhos randomizados. Este artigo aborda a necessidade de um framework formal de inferência causal para fundamentar alegações intuitivas, definir estimandos precisos e estabelecer estratégias de identificação e estimação para ensaios N-de-1 individuais.

Metodologia

Framework e Notação

Os autores adotam um framework formal de inferência causal baseado em modelos causais estruturais (SCMs) e raciocínio contrafactual. Eles definem um ensaio N-de-1 como um estudo onde um cronograma de tratamento $Z$ é atribuído no início e se repete ciclicamente ao longo do tempo. O status do tratamento $A_k$ no tempo $k$ é uma função determinística de $Z$. A análise foca em um único indivíduo, conceituado como uma amostra de uma superpopulação quase infinita, permitindo a definição de efeitos causais específicos do indivíduo.

Modelos Causais

O artigo desenvolve dois modelos causais primários:

1. O Cenário Básico:

   • Pressupostos: O desfecho $Y_k$ é gerado por uma equação estrutural $Y_k = f^Y(A_k, U, \epsilon_k)$, onde $U$ representa características individuais não medidas (covariáveis de base) e $\epsilon_k$ é o ruído variante no tempo.
   • Restrições Chave: O modelo assume ausência de efeitos de carryover (o tratamento no tempo $k$ não afeta os desfechos em $k' > k$), ausência de efeitos desfecho-desfecho e ausência de causas comuns do desfecho que variam no tempo cuja distribuição muda ao longo do tempo.
   • Estacionariedade: Assume uma forte estacionariedade condicional: a distribuição dos desfechos contrafactuais é constante ao longo do tempo dado $U$.

2. O Modelo Causal Relaxado:

   • Motivação: Para abordar ameaças à estacionariedade comuns em ambientes clínicos, tais como efeitos de carryover, autocorrelação e tendências temporais.
   • Estrutura: Este modelo introduz uma covariável variante no tempo $L_k$ (ex: fatores ambientais, estados fisiológicos) que pode ser afetada pelo tratamento anterior, desfechos anteriores e estados anteriores da covariável. O desfecho $Y_k$ depende de $A_k$, $Y_{k-1}$, $L_k$, $L_{k-1}$ e variáveis específicas do indivíduo $U$.
   • Pressupostos: Embora a estacionariedade forte seja relaxada, o modelo impõe restrições de regularidade: as formas funcionais que geram $L_k$ e $Y_k$ não mudam ao longo do tempo, e as distribuições de ruído permanecem estacionárias. Permite efeitos de carryover diretos e indiretos e dependências desfecho-desfecho.

Identificação e Estimação

• Estimando Alvo: O artigo define o U-CATE (Efeito Médio do Tratamento Condicional dado $U$) como o estimando primário. Este representa o contraste entre o desfecho contrafactual esperado sob uma estratégia de "sempre tratado" versus uma estratégia de "nunca tratado" para um indivíduo específico.
• Estimação no Cenário Básico: Sob o modelo básico, o U-CATE é identificado pela simples diferença de médias dos desfechos observados durante os períodos de tratamento e de controle. Os autores provam que esta simples diferença é um estimador não viesado e assintoticamente normal.
• Estimação no Modelo Relaxado: Sob o modelo relaxado, as diferenças simples de médias são viesadas devido ao carryover e tendências temporais. Os autores mostram que o U-CATE pode ser identificado usando uma fórmula-g longitudinal. Isso requer a estimativa das distribuições condicionais do desfecho e das covariáveis dadas suas causas diretas (ex: $P(Y_k | A_k, Y_{k-1}, L_k, L_{k-1}, U)$).
• Papel da Randomização: Os autores argumentam que a randomização do cronograma de tratamento não é estritamente necessária para a identificação nesses contextos, pois a inferência é condicional às características do indivíduo ($U$) e ao cronograma específico ($Z$). A randomização serve primariamente para garantir a intercambiabilidade caso se deseje fazer inferências marginais sobre diferentes pontos no tempo ou diferentes cronogramas, mas a inferência central específica do indivíduo depende das suposições estruturais e condições de estacionariedade.

Principais Resultados

1. Formalização da Inferência N-de-1: O artigo formaliza com sucesso os ensaios N-de-1 dentro de um framework de superpopulação, definindo o U-CATE como um efeito causal rigoroso e específico do indivíduo.
2. Validade de Estimadores Simples: No "cenário básico" (sem carryover ou tendências temporais), uma simples diferença de médias não pareadas é um estimador válido e não viesado para o U-CATE. Isso fornece justificativa teórica para o uso de testes t simples em contextos específicos de N-de-1.
3. Identificação sob Complexidade: Em cenários mais realistas envolvendo efeitos de carryover, autocorrelação e confundidores variantes no tempo, o artigo demonstra que o U-CATE ainda é identificável via fórmula-g, desde que condições específicas de estacionariedade sejam atendidas e dados suficientes (ciclos repetidos) estejam disponíveis.
4. Aplicação de Dados: Os autores aplicaram seus métodos a dados públicos de dois ensaios N-de-1 relativos à gravidade da acne.
   • Sob o modelo básico, um participante mostrou um efeito de tratamento significativo, enquanto o outro não mostrou.
   • Sob o modelo relaxado (contabilizando hora do dia, temperatura e potencial carryover), o algoritmo de computação-g confirmou um efeito de tratamento favorável para o segundo participante, mas não encontrou evidências de efeito para o primeiro.
   • Esta aplicação ilustra como diferentes suposições sobre o processo gerador de dados levam a diferentes estratégias analíticas e resultados, enfatizando a importância da especificação do modelo.

Significância e Alegações

O artigo afirma fornecer uma base teórica necessária para a análise de ensaios N-de-1, indo além de abordagens estatísticas ad hoc. Ao fundamentar esses ensaios em um framework causal formal, os autores visam:

• Esclarecer equívocos sobre a necessidade de randomização e o tratamento de confusão em desenhos de sujeito único.
• Justificar o uso de estimadores simples em cenários específicos e bem definidos.
• Fornecer um caminho rigoroso (via fórmula-g) para analisar ensaios N-de-1 complexos onde carryover e tendências temporais estão presentes.
• Destacar que, embora os resultados de um único ensaio N-de-1 sejam específicos para o indivíduo (generalização limitada), a agregação de uma série de ensaios N-de-1 pode produzir estimativas eficientes de efeitos médios de tratamento populacionais sob suposições específicas (ex: ausência de modificação de efeito por $U$).

Os autores mantêm uma postura modesta, reconhecendo que a validade de seus resultados depende fortemente da plausibilidade das suposições causais subjacentes (ex: estacionariedade, correta especificação do modelo). Eles observam que, embora o framework permita a identificação de efeitos individuais, a transportabilidade desses resultados para futuros pontos no tempo ou outros indivíduos permanece um desafio inerente à própria natureza da medicina personalizada.