Estimating equations for causal survival analysis with pooled logistic regression

Resumo Técnico: Equações de Estimativa para Análise de Sobrevivência Causal com Regressão Logística Agrupada (Pooled Logistic Regression)

Problema
A regressão logística agrupada é uma técnica amplamente utilizada na análise de sobrevivência causal, particularmente como um modelo de perturbação (nuisance model) para estimadores de g-computação e de ponderação pela probabilidade inversa (IPW). A implementação padrão requer a transformação dos dados para um formato "longo", onde cada linha representa uma pessoa-período (um indivíduo para um intervalo de tempo específico). Essa abordagem enfrenta três desafios computacionais e práticos primários:

1. Volume de Dados: O conjunto de dados longo pode tornar-se impraticável com grandes amostras ou intervalos de tempo refinados, muitas vezes exigindo o agrupamento do tempo (por exemplo, usando semanas em vez de dias), o que resulta em perda de informação.
2. Carga Computacional: Para inferência causal (por exemplo, estimar riscos marginais), a estimativa de variância depende tipicamente do bootstrap não paramétrico. Como o modelo de regressão logística agrupada deve ser reajustado centenas ou milhares de vezes, esse processo é computacionalmente caro, muitas vezes levando horas para completar, o que ameaça a reprodutibilidade.
3. Erros de Implementação: A transformação manual dos dados para formatos longos introduz o risco de erros de codificação (por exemplo, desalinhamento de tempo ou codificação incorreta de eventos).

Metodologia
Os autores propõem reformular a regressão logística agrupada usando equações de estimativa (especificamente M-estimativa) para contornar a necessidade de um conjunto de dados longo e eliminar a dependência do bootstrap para a estimativa de variância.

• Formulação das Equações de Estimativa:

  • Em vez de maximizar uma verossimilhança sobre um conjunto de dados longo, o método define uma função de estimativa específica por unidade $\psi(O_i; \theta)$ que soma as contribuições através de todos os intervalos de tempo para um único indivíduo.
  • A equação de escore para os parâmetros de regressão $\beta$ é expressa como a soma dos resíduos ponderados por covariáveis sobre o conjunto de risco, agregados por unidade em vez de por pessoa-período.
  • Para estimar o risco marginal (o parâmetro alvo), uma segunda função de estimativa é construída que transforma os perigos (hazards) discretos previstos em riscos cumulativos.
  • Essas equações são empilhadas para estimar conjuntamente os parâmetros de perturbação e o efeito causal alvo.

• Estimativa de Variância:

  • O método utiliza o estimador de variância sanduíche empírico para estimar consistentemente a variância do parâmetro alvo. Isso contabiliza a incerteza nos parâmetros do modelo de perturbação sem recorrer à reamostragem.
  • Isso permite a construção de intervalos de confiança (IC) do tipo Wald e, para efeitos variantes no tempo, bandas de confiança (CB) usando o método sup-t.

• Vetorialização e Implementação:

  • Os autores descrevem uma implementação vetorizada das funções de estimativa usando operações de matriz (produtos de Hadamard e produtos cumulativos) para evitar loops iterativos lentos comuns em linguagens interpretadas como Python e R.
  • Esta abordagem reduz os requisitos de memória em comparação com a abordagem padrão de dados longos, particularmente quando o número de intervalos de tempo ($K$) ou o tamanho da amostra ($n$) é grande.
  • A implementação está disponível na biblioteca Python de código aberto delicatessen e no pacote R geex.

Principais Resultados
O método proposto foi avaliado através de dois exemplos aplicados usando dados públicos e um estudo de simulação de Monte Carlo.

1. Exemplos Aplicados:

   • Ensaio de Câncer de Bexiga: A abordagem de equação de estimativa reduziu o tempo de execução de mais de um minuto (implementação padrão com indicadores disjuntos) ou várias horas (bootstrap) para menos de um segundo, produzindo estimativas de diferença de risco e intervalos de confiança idênticos.
   • Estudo de Coorte de HIV (WIHS): Em um cenário com 1.164 sujeitos e 3.653 dias de acompanhamento, a implementação padrão com indicadores disjuntos falhou devido a restrições de memória (exigindo ~4,2 milhões de linhas). O bootstrap não pôde ser executado em paralelo devido aos limites de memória. A abordagem de equação de estimativa computou os resultados com sucesso em menos de dois minutos (escala de dias) e segundos (escala de meses) sem o agrupamento de dados.

2. Estudo de Simulação:

   • Uma simulação com 5.000 iterações variando tamanhos de amostra ($n=250$ a $2000$) avaliou o desempenho do estimador de variância sanduíche empírico.
   • Cobertura: Quando a forma funcional para o tempo foi especificada corretamente (por exemplo, log-linear, splines ou indicadores disjuntos), o estimador alcançou cobertura de intervalo de confiança de 95% nominal.
   • Viés: A especificação incorreta da forma funcional do tempo (por exemplo, usando apenas um intercepto) resultou em viés e cobertura pobre, destacando a importância de uma modelagem de tempo flexível.
   • Precisão da Variância: A razão de erro padrão (ASE/ESE) foi próxima de 1,0 para modelos corretamente especificados, indicando que o estimador sanduíche captura a variabilidade de forma precisa.

Significância e Alegações
O artigo afirma que esta implementação oferece uma alternativa computacionalmente eficiente para a abordagem padrão de regressão logística agrupada na análise de sobrevivência causal. Suas principais contribuições são:

• Eliminação do Conjunto de Dados Longo: Evita a criação e o armazenamento de massivos conjuntos de dados pessoa-período, removendo assim a necessidade de agrupar intervalos de tempo e preservando a granularidade dos dados.
• Inferência Eficiente: Ao substituir o bootstrap não paramétrico pelo estimador de variância sanduíche empírico, reduz drasticamente o tempo de computação (de horas para segundos/minutos) mantendo uma inferência estatística válida.
• Viabilidade: Torna viável a análise de conjuntos de dados e escalas de tempo que são computacionalmente intratáveis sob a abordagem padrão de bootstrap.

Os autores observam que, embora o foco seja a regressão logística agrupada, o framework é generalizável para outros modelos de regressão agrupada (por exemplo, complementar log-log ou logística multinomial para riscos competitivos). Eles reconhecem limitações, incluindo a atual incapacidade de lidar diretamente com tratamentos variantes no tempo dentro desta formulação específica e a dependência da discretização do tempo, embora notem que extensões teóricas para dimensões crescentes existem.