Rethinking the Win Ratio: A Causal Framework for Hierarchical Outcome Analysis

Título: Repensando a Razão de Vitórias (Win Ratio): Um Framework Causal para Análise de Resultados Hierárquicos

Autores: Mathieu Even e Julie Josse
Afilição: Theremia, PreMeDICaL Inria-Inserm, Universidade de Montpellier, França.
Data: 24 de março de 2026

---

1. O Problema

A quantificação de efeitos causais em ensaios clínicos com resultados complexos, multivariados e hierárquicos (como morte, acidente vascular cerebral e hospitalização) é um desafio significativo. Métodos tradicionais, como a Razão de Vitórias (Win Ratio) e as Comparações Pares Generalizadas (Generalized Pairwise Comparisons - GPC), são recomendados pela FDA para lidar com múltiplos desfechos.

No entanto, o artigo identifica uma falha fundamental na aplicação padrão desses métodos:

• Discrepância de Estimandos: Os estimadores tradicionais (baseados em emparelhamento completo entre todos os pacientes tratados e controles) visam um estimando de nível populacional: a probabilidade de que um paciente aleatório tratado tenha um resultado melhor que um paciente aleatório não tratado ($P(Y_i(1) > Y_j(0))$).
• O Estimando Ideal vs. Não Identificável: O objetivo clínico ideal seria saber a probabilidade de um indivíduo específico ter um resultado melhor com tratamento do que sem ele ($P(Y_i(1) > Y_i(0))$). Este estimando individual é não identificável porque requer a distribuição conjunta de potenciais resultados contrafactuais, que nunca é observada.
• O Paradoxo da Heterogeneidade: Em populações heterogêneas, o estimando populacional pode levar a recomendações de tratamento opostas às que seriam tomadas se considerássemos o benefício individual médio. O método tradicional pode favorecer um tratamento que beneficia apenas uma minoria, diluindo o efeito em uma comparação global.

2. Metodologia e Framework Proposto

Os autores propõem um novo framework causal que redefine como a Razão de Vitórias deve ser interpretada e estimada.

2.1. O Novo Estimando Causal Identificável ($\tau^\star$)

Em vez de comparar um paciente tratado com um controle aleatório (nível populacional) ou tentar estimar o contrafactual do mesmo indivíduo (não identificável), o artigo introduz um estimando de nível individual, mas identificável:
$$\tau^\star = E [ w(Y_i(1), Y_j(0)) \mid X_i = X_j ]$$
Onde:

• $w$ é uma função de "vitória" hierárquica (ex: morte > AVC > hospitalização).
• $X_i$ e $X_j$ são as covariáveis (características) dos pacientes.
• O estimando compara um paciente tratado com um paciente controle que possui as mesmas características observadas ($X_i = X_j$).

Isso captura a heterogeneidade do tratamento e aproxima-se do ideal individual, mantendo a identificabilidade sob as suposições padrão de inferência causal (SUTVA, não-confundibilidade e positividade).

2.2. Estratégias de Emparelhamento e Consistência

O artigo demonstra teoricamente que a escolha da estratégia de emparelhamento determina qual estimando está sendo estimado:

1. Emparelhamento Completo (Tradicional): Compara todos os tratados com todos os controles. Estima consistentemente o estimando populacional ($\tau_{pop}$), que pode ser enganoso em populações heterogêneas.
2. Emparelhamento por Vizinho Mais Próximo (Nearest Neighbor - NN): Emparelha cada paciente tratado com o controle mais similar em termos de covariáveis. O artigo prova que, em Ensaios Controlados Randomizados (RCT) e em dados observacionais, o NN estima consistentemente o novo estimando $\tau^\star$. Isso é visto como uma forma extrema de estratificação.

2.3. Abordagens de Estimativa Avançada (Regressão Distribucional)

Reconhecendo que o emparelhamento por NN sofre com a "maldição da dimensionalidade" e é lento em dados de alta dimensão ou com dados faltantes, os autores propõem métodos baseados em aprendizado de máquina:

• Regressão Distribucional (Distributional Regression): Utiliza Florestas Distribucionais (Distributional Random Forests) para estimar diretamente as distribuições condicionais dos resultados, permitindo calcular a probabilidade de vitória sem depender de emparelhamento explícito.
• Estimador Semi-paramétrico Eficiente (1-step EIF): Para corrigir vieses de modelos de aprendizado de máquina (como viés de plug-in), os autores derivam a Função de Influência Eficiente (EIF) para o estimando $\tau^\star$. Isso permite construir um estimador "1-step" que é robusto, possui variância assintótica mínima e propriedades de "dupla robustez".

3. Principais Contribuições

1. Novo Estimando Causal: Definição formal de um estimando de nível individual e identificável ($\tau^\star$) para comparações hierárquicas, superando as limitações do estimando populacional tradicional.
2. Unificação Teórica: Demonstração de que o emparelhamento por Vizinho Mais Próximo (NN) é, na verdade, um estimador consistente para este novo estimando individual, enquanto o emparelhamento completo estima o estimando populacional.
3. Métodos Escaláveis: Desenvolvimento de estimadores baseados em Florestas Distribucionais e correção via Função de Influência Eficiente, permitindo a aplicação em dados observacionais complexos, de alta dimensão e com dados faltantes.
4. Resolução de Paradoxos: Ilustração de como métodos tradicionais podem levar a conclusões opostas às do método proposto em cenários heterogêneos (um "Paradoxo de Hand" para a Razão de Vitórias), justificando a necessidade de estratificação ou emparelhamento.

4. Resultados Experimentais

Os autores validaram a metodologia através de simulações e aplicação em dados reais:

• Simulações Sintéticas:

  • Em cenários com heterogeneidade de tratamento, o estimando populacional (emparelhamento completo) frequentemente falhou em detectar benefícios ou recomendou tratamentos prejudiciais para a maioria, enquanto o estimando individual ($\tau^\star$) via NN ou regressão distribucional identificou corretamente o benefício para os subgrupos relevantes.
  • O estimador EIF (1-step) demonstrou ser superior, apresentando viés assintótico nulo mesmo em dimensões altas e com modelos mal especificados, superando os métodos de emparelhamento puro e regressão simples.
  • A abordagem foi robusta ao aumento da dimensionalidade dos desfechos e das covariáveis.

• Aplicação no Ensaio CRASH-3:

  • Estudo real com 12.737 pacientes com lesão cerebral traumática (TBI) avaliando o ácido tranexâmico.
  • Resultados Tradicionais: A Razão de Vitórias com emparelhamento completo e métodos estratificados simples não mostraram significância estatística (intervalos de confiança incluíam 1).
  • Resultados Propostos: A aplicação do método de Vizinho Mais Próximo (especialmente no espaço latente FAMD - Análise Fatorial de Dados Mistos) e da Regressão Distribucional com correção EIF resultou em conclusões estatisticamente significativas, sugerindo uma preferência pelo placebo em relação ao tratamento na população geral analisada (ou detectando subgrupos específicos onde o tratamento não é benéfico).
  • Isso destaca que a escolha do estimando altera a conclusão clínica: métodos tradicionais podem mascarar efeitos heterogêneos, enquanto o método proposto revela a realidade individual.

5. Significado e Conclusão

O artigo oferece uma reestruturação fundamental de como analisamos resultados hierárquicos em ensaios clínicos.

• Mudança de Paradigma: A transição de uma visão puramente populacional para uma visão individual (condicionada a covariáveis) é crucial para a medicina de precisão.
• Robustez: O novo framework é robusto à heterogeneidade da população, evitando que tratamentos benéficos para minorias sejam rejeitados ou que tratamentos prejudiciais para a maioria sejam aprovados devido a médias enganosas.
• Aplicabilidade Prática: A proposta de usar Florestas Distribucionais e correções EIF torna o método viável para grandes conjuntos de dados do mundo real, superando as limitações computacionais e estatísticas do emparelhamento tradicional.

Em suma, o trabalho argumenta que a Razão de Vitórias deve ser calculada através de estratégias que respeitem a similaridade entre pacientes (como emparelhamento por vizinho ou regressão distribucional) para garantir que as recomendações de tratamento reflitam o benefício real para o indivíduo, e não apenas uma média populacional potencialmente distorcida.