An Estimator-Robust Design for Augmenting Randomized Controlled Trials with External Real-World Data

Resumo Técnico: Um Design Robusto ao Estimador para Aumentar Ensaios Clínicos Randomizados com Dados de Mundo Real Externos

Definição do Problema
Os Ensaios Clínicos Randomizados (ECRs) são o padrão ouro regulatório para estabelecer a eficácia de tratamentos, mas frequentemente carecem de poder estatístico para testar hipóteses relativas a desfechos raros, desfechos secundários ou subgrupos específicos. Embora os Dados de Mundo Real (RWD) externos ofereçam uma solução potencial para aumentar os ECRs, a integração dessas fontes de dados introduz desafios significativos. Estes incluem confusão (confounding), inconsistências na medição de desfechos, não-concorrência e variações no padrão de cuidado. O trabalho anterior dos autores introduziu a estrutura de Estimativa de Máxima Verossimilhança Alvo Adaptativa (A-TMLE), que decompõe o Efeito Médio do Tratamento (ATE) em um estimando de pooled-ATE (utilizando todos os dados) e um estimando de viés (corrigindo para os efeitos de recrutamento do ECR). No entanto, permanece uma lacuna crítica: determinar a estratégia ideal para selecionar candidatos a pacientes externos para maximizar a robustez e a eficiência do estimador A-TMLE, particularmente quando os modelos de trabalho de viés podem estar mal especificados.

Metodologia
O artigo propõe uma estratégia de amostragem baseada em pareamento (matching) cega ao desfecho e em duas etapas, projetada para explorar as propriedades de robustez do estimador A-TMLE. A metodologia fundamenta-se em uma análise teórica do termo de "resto exato" na expansão do A-TMLE.

1. Fundamentação Teórica: Os autores derivam o resto exato para o estimando de projeção do A-TMLE. Eles demonstram que, se o escore de recrutamento do ensaio ($P(S=1|W)$) e o escore de propensão nos dados externos ($P(A=1|S=0, W)$) forem corretamente especificados, o resto desaparece. Crucialmente, se esses escores forem constantes em relação às covariáveis $W$, o estimador é assintoticamente não enviesado para o estimando alvo definido não parametricamente, mesmo que a regressão de desfecho ou os modelos de trabalho de viés estejam mal especificados.
2. Estratia de Amostragem: Para aproximar essas condições ideais na prática, os autores propõem um processo de pareamento de duas etapas:
   • Etapa 1 (Pareamento do Escore de Recrutamento do Ensaio): Cada paciente do ECR é pareado com $k$ pacientes externos com base no escore de recrutamento do ensaio estimado (a probabilidade de ser recrutado no ECR dadas as covariáveis de base). Isso visa tornar o escore de recrutamento do ensaio aproximadamente constante dentro da amostra agrupada (pooled).
   • Etapa 2 (Pareamento por Escore de Propensão): Dentro da coorte externa selecionada, pacientes tratados externos são pareados com $m$ pacientes controle externos com base no escore de propensão estimado (a probabilidade de receber o tratamento dentro dos dados externos). Isso visa tornar o mecanismo de atribuição de tratamento aproximadamente constante dentro do subconjunto externo.
3. Estimativa: A coorte externa selecionada é então combinada com os dados do ECR e analisada usando a estrutura A-TMLE, que estima o pooled-ATE e corrige o viés usando o estimando de viés.

Principais Contribuições

• Análise de Robustez: O artigo fornece uma derivação rigorosa da estrutura de robustez do A-TMLE para integração de dados, identificando que o controle dos escores de recrutamento do ensaio e de propensão é suficiente para garantir a não-tendência ao viés assintótico, mesmo sob erro de especificação de modelo.
• Proposta de Design: Introduz um design de amostragem prático, cego ao desfecho, que utiliza dois escores unidimensionais (escore de recrutamento do ensaio e escore de propensão) para selecionar pacientes externos. Este design visa estabilizar a variância do estimador e reduzir a magnitude do viés, permitindo um desempenho mais eficiente em amostras finitas.
• Validação Empírica: Os autores demonstram, através de simulações e um estudo de caso, que este design melhora a cobertura e estreita os intervalos de confiança do A-TMLE em comparação com a amostragem aleatória de dados externos.

Resultados

• Simulações: Em um estudo de simulação envolvendo um ECR ($n=400$) e dados externos de cinco fontes com diferentes graus de viés e mudança de covariável, a estratégia proposta de "pareamento TES + PS" superou significativamente a amostragem aleatória.
  • A estratégia de pareamento selecionou mais pacientes de fontes de baixo viés e menos pacientes de fontes de alto viés.
  • Comparado à amostragem aleatória, a estratégia de pareamento reduziu o viés absoluto (por exemplo, de 0,119 para 0,007 para $n=500$ pacientes externos) e restaurou a cobertura do intervalo de confiança de 95% para níveis nominais (0,95 vs. 0,86 para amostragem aleatória).
  • A estratégia resultou em intervalos de confiança mais estreitos e maior poder estatístico.
• Estudo de Caso (Ensaio DEVOTE): O método foi aplicado para aumentar o ensaio de segurança cardiovascular DEVOTE utilizando o banco de dados de sinistros Optum Clinformatics.
  • Pré-pareamento, as estimativas de integração de dados mostraram discrepâncias em relação às estimativas apenas do ECR.
  • Pós-pareamento, os estimandos de ponto do A-TMLE alinharam-se mais proximamente com as estimativas do ECR.
  • O estimador A-TMLE aplicado aos dados agrupados pareados produziu intervalos de confiança significativamente mais estreitos do que a análise apenas do ECR ou do estimador ES-CVTMLE, alcançando significância estatística para superioridade do tratamento em 540 e 730 dias, enquanto a análise apenas do ECR não o fez.

Significância e Alegações
O artigo alega que este design proposto oferece uma estrutura prática para aumentar os ECRs com RWD externos que mitiga potenciais vieses sem depender de suposições fortes sobre os modelos de desfecho. Ao alavancar a estrutura de robustez do A-TMLE, os autores argumentam que sua estratégia de pareamento permite:

1. Seleção Cega ao Desfecho: Evitando o risco de seleção tendenciosa (cherry-picking) de desfechos favoráveis, o que é crítico para aceitação regulatória.
2. Maior Robustez: Reduzindo a dependência da especificação correta de complexos modelos de trabalho de desfecho ao controlar os escores que impulsionam o termo de resto exato.
3. Eficiência em Amostras Finitas: Melhorando a precisão das estimativas do efeito do tratamento em amostras finitas, o que é particularmente valioso para desfechos raros ou desfechos secundários onde grandes ensaios são logisticamente ou eticamente desafiadores.

Os autores concluem que, embora o pareamento sozinho não possa abordar todos os vieses, combinar este design com estimadores robustos como o A-TMLE cria um efeito sinérgico, melhorando tanto a precisão quanto a eficiência das inferências causais em contextos de integração de dados. Eles observam limitações quanto à dificuldade de pareamento exato com covariáveis de alta dimensão e o potencial para viés de seleção, embora argumentem que tal viés pode ser aceitável se o objetivo primário for melhorar o poder dentro do contexto do ensaio aumentado.