Feasible Dose-Response Curves for Continuous Treatments Under Positivity Violations

Resumo Técnico: Curvas de Dose-Resposta Viáveis sob Violações de Positividade

Autores: Han Bao e Michael Schomaker
Contexto: Inferência Causal, Intervenções Contínuas, Violações de Positividade, Farmacoepidemiologia.

1. O Problema

A inferência causal para intervenções contínuas (como concentrações de medicamentos) enfrenta desafios significativos devido às violações de positividade. A suposição de positividade exige que, dentro de cada estrato de covariáveis, haja uma probabilidade não nula de receber qualquer nível de tratamento.

• Violações Práticas: Em amostras finitas, certos níveis de tratamento podem ser raramente observados ou inexistentes para subgrupos específicos de covariáveis (ex: pacientes com metabolismo rápido não atingem concentrações altas de drogas, mesmo com doses padrão).
• Consequências: A estimativa da Curva de Dose-Resposta Causal (CDRC) padrão torna-se instável, dependente de extrapolação não suportada pelos dados e sensível à especificação do modelo.
• Limitações de Métodos Existentes:
  • Trimming (Corte): Remove indivíduos sem sobreposição, alterando a população-alvo e perdendo dados valiosos.
  • Métodos Ponderados: Redefinem o estimando com base em pesos, o que pode dificultar a interpretação científica (o efeito estimado não corresponde mais a "definir a dose para todos").
  • Políticas de Tratamento Modificadas (MTPs): Frequentemente visam efeitos definidos por políticas específicas que podem não alinhar com a pergunta científica original sobre a relação dose-resposta.

2. Metodologia Proposta

Os autores propõem uma abordagem que mantém o objetivo científico original (a curva dose-resposta) mas adapta a intervenção para ser factível (viável) dentro dos dados observados.

A. Diagnóstico: Razão de Não-Sobreposição (Non-Overlap Ratio)

• Introduz-se o conceito de Regiões de Maior Densidade (HDRs) condicionais às covariáveis. Para um nível de suporte $\alpha$ (ex: 95%), define-se um conjunto $A_\alpha(l)$ contendo os valores de tratamento com maior densidade condicional para cada perfil de covariáveis $l$.
• Define-se a Razão de Não-Sobreposição $\tau_\alpha(a)$: a proporção da população para quem um nível de intervenção alvo $a$ está fora da região de suporte definida pelas HDRs. Isso quantifica a severidade prática da violação de positividade.

B. O Estimando: Curva de Dose-Resposta Viável (FDRC)

• Em vez de forçar uma intervenção impossível, propõe-se uma Regra de Atribuição Viável Individualizada ($d_{0,\alpha}$):
  • Se o nível alvo $a$ estiver dentro da região de suporte $A_\alpha(l)$ para um indivíduo com covariáveis $l$, a intervenção é mantida como $a$.
  • Se $a$ estiver fora do suporte, a intervenção é mapeada para o valor suportado mais próximo dentro de $A_\alpha(l)$.
• A FDRC é definida como o resultado contrafactual médio sob esta regra de intervenção adaptativa:
  $$m^{feasible}_0(a) = E[Y^{d_{0,\alpha}(a, \cdot)}]$$
• Interpretação: "Se tentarmos definir todos para a concentração $a$, mas isso não for realisticamente alcançável para alguns indivíduos, qual seria o resultado esperado após mover esses indivíduos para a concentração mais próxima que eles podem realmente atingir?"

C. Estimação

• Utiliza-se um estimador plug-in g-computation.
• Passos:
  1. Estimar a densidade condicional do tratamento $f(A|L)$ (usando métodos paramétricos, kernel ou hazard-binning).
  2. Construir as HDRs e calcular os limites de suporte para cada indivíduo.
  3. Aplicar a regra de mapeamento viável para transformar o alvo $a$ em um valor viável $\hat{d}(a, L)$.
  4. Estimar o modelo de regressão de resultado $E(Y|A, L)$ e calcular a média sobre a população usando os valores de tratamento viáveis.

3. Contribuições Principais

1. Novo Diagnóstico: Desenvolvimento da Razão de Não-Sobreposição baseada em HDRs condicionais, fornecendo uma métrica escalável e interpretável para avaliar violações de positividade em tratamentos contínuos.
2. Novo Estimando (FDRC): Definição de uma curva de dose-resposta que preserva a interpretabilidade causal (mantendo o foco na relação dose-resposta) enquanto garante identificabilidade ao evitar extrapolações em regiões sem suporte.
3. Abordagem Híbrida: A metodologia combina a clareza de uma intervenção determinística com a flexibilidade de políticas adaptativas, superando as limitações de métodos de trimming (que mudam a população) e métodos ponderados (que mudam a interpretação do parâmetro).
4. Implementação de Software: O método foi implementado no pacote R CICI, facilitando a aplicação prática.

4. Resultados

• Simulações:
  • Em cenários com violações de positividade e modelos de resultado não lineares (ex: funções seno ou logarítmicas), a FDRC demonstrou menor viés absoluto em comparação com a CDRC padrão e o estimando de trimming.
  • A CDRC padrão apresentou viés elevado devido à extrapolação em regiões de baixa densidade.
  • O estimando de trimming mostrou alta variabilidade e, em casos extremos, tornou-se não identificável quando a sobreposição era nula.
  • A FDRC manteve-se robusta, convergindo para a CDRC padrão em regiões de bom suporte e ajustando-se suavemente nas regiões de suporte limitado.
• Aplicação Real (Estudo CHAPAS-3):
  • Analisou-se a relação entre a concentração de efavirenz e a falha viral em crianças HIV-positivas.
  • Identificou-se que concentrações muito baixas (<1 mg/L) e muito altas (>3.5 mg/L) tinham baixa sobreposição para certos perfis metabólicos.
  • A FDRC forneceu uma curva estável e interpretável, mostrando como a probabilidade de falha viral mudaria se tentássemos atingir concentrações alvo, mesmo ajustando os casos onde isso fosse clinicamente impossível para o perfil do paciente.

5. Significância e Conclusão

Este trabalho oferece uma solução prática e cientificamente coerente para um problema persistente na inferência causal com intervenções contínuas. Ao admitir que certas intervenções podem ser "impossíveis" para subgrupos específicos e, em vez de descartá-los ou redefinir o parâmetro de forma obscura, adaptar a intervenção para o mais próximo possível do alvo, os autores permitem:

• Estimação mais estável e com menos viés.
• Interpretação clínica direta e acionável (útil para guiar decisões de dosagem).
• Manutenção do foco na pergunta científica original (qual a relação entre dose e efeito?), mesmo sob restrições de dados.

A abordagem é particularmente relevante para farmacovigilância e estudos de dose-resposta, onde a variabilidade biológica (metabolismo, adesão) cria naturalmente violações de positividade que não podem ser ignoradas.