Robust Causal Inference for EHR-based Studies of Point Exposures with Missingness in Eligibility Criteria

Resumo Técnico: Inferência Causal Robusta para Estudos Baseados em Prontuários Eletrônicos de Saúde (EHR) de Exposições Pontuais com Dados Faltantes nos Critérios de Elegibilidade

Declaração do Problema
Bancos de dados de prontuários eletrônicos de saúde (EHR) oferecem uma alternativa valiosa aos ensaios clínicos randomizados para pesquisa observacional. No entanto, ao contrário de estudos prospectivos onde a elegibilidade é rigorosamente triada, os dados de EHR frequentemente contêm valores faltantes para variáveis que definem a elegibilidade do estudo (por exemplo, IMC, níveis de A1c, histórico medicamentoso). A prática padrão envolve excluir pacientes com dados de elegibilidade incompletos, o que introduz viés de seleção se a ausência de dados não for completamente ao acaso (MCAR). Por outro lado, os pesquisadores frequentemente tentam mitigar isso estendendo as "janelas de retrospectiva" para encontrar dados mais antigos, uma estratégia que corre o risco de incluir inadequadamente pacientes que eram inelegíveis na linha de base do estudo (por exemplo, pacientes cujo status de diabetes era desconhecido no momento da cirurgia, mas é inferido a partir de registros desatualizados).

Métodos existentes para lidar com elegibilidade faltante, como imputação múltipla ou ponderação por probabilidade inversa (IPW), frequentemente exigem a especificação correta de todos os modelos componentes (desfecho, tratamento, ausência de dados e imputação) para produzir estimativas consistentes. Além disso, esses métodos frequentemente apresentam dificuldades quando combinados com técnicas flexíveis de aprendizado de máquina (ML), que tipicamente sofrem com taxas de convergência lentas que invalidam a inferência assintótica.

Metodologia
Os autores propõem um framework para estimar o Efeito Médio do Tratamento nos Tratados entre os Elegíveis do Estudo (ATTE), denotado como $\theta_{ATT}^{elig} = E[Y(1) - Y(0) \mid A=1, E=1]$. A abordagem baseia-se na teoria semiparamétrica para desenvolver estimadores que são robustos à má especificação do modelo e compatíveis com o aprendizado de máquina moderno.

1. Pressupostos e Identificação:

   • O método assume Consistência, Positividade e Ausência de Confundidores Não Medidos dentro da população elegível.
   • Crucialmente, assume-se Ausência ao Acaso (MAR) para covariáveis que definem a elegibilidade ($L_m$), condicionado a covariáveis totalmente observadas ($L^*$) e tratamento ($A$). Especificamente, o indicador para dados de elegibilidade completos ($R$) é independente do desfecho ($Y$) e das covariáveis faltantes ($L_m$) dado $L^*$ e $A$.
   • Os autores derivam uma fatorização novel da verossimilhança dos dados observados que separa o mecanismo de tratamento, o mecanismo de apuração ($\eta$), a distribuição das covariáveis faltantes ($\lambda$) e o modelo de desfecho ($\mu$).

2. Estimadores:
   O artigo introduz dois estimadores primários baseados em funções de influência eficientes (EIF):

   • $\hat{\theta}_{EIF}$ (Estimador da Função de Influência Eficiente): Este estimador visa o limite de eficiência semiparamétrica. Ele utiliza um conjunto complexo de funções de incômodo "aninhadas" (por exemplo, $\xi, \gamma, \chi$) que contabilizam a incerteza no status de elegibilidade ao marginalizar sobre as covariáveis faltantes. Requer a estimação de múltiplas funções componentes ($\mu, u, \eta, \varepsilon$, etc.) usando métodos flexíveis de ML (por exemplo, SuperLearner). Resultados teóricos mostram que, se o produto dos erros de estimação dessas funções de incômodo convergir a uma taxa de $o_P(n^{-1/2})$, o estimador é $\sqrt{n}$-consistente e assintoticamente normal.
   • $\hat{\theta}_{IF}$ (Estimador da Função de Influência): Uma alternativa computacionalmente mais simples que evita algumas das funções de incômodo profundamente aninhadas requeridas por $\hat{\theta}_{EIF}$. Embora possa não atingir o limite de eficiência semiparamétrica, oferece um compromisso entre complexidade computacional e redução de viés.
   • Comparadores de Linha de Base: Os autores também avaliam um estimador de Casos Completos (CC) e um estimador de Regressão de Desfecho Ponderado por Inverso (IWOR) para demonstrar a necessidade de sua abordagem proposta.

3. Implementação:
   O procedimento de estimação emprega divisão de amostra (cross-fitting) para garantir inferência válida ao utilizar algoritmos de ML não paramétricos. Isso previne o sobreajuste e permite que os estimadores atinjam as taxas de convergência necessárias mesmo quando funções de incômodo são estimadas via algoritmos complexos como florestas aleatórias ou modelos aditivos generalizados.

Contribuições Principais

• Framework Formal para Elegibilidade Faltante: O artigo fornece o primeiro framework rigoroso de inferência causal que aborda especificamente o viés de seleção decorrente de critérios de elegibilidade faltantes em estudos de EHR, distinguindo-o de problemas padrão de dados faltantes.
• Robustez e Eficiência: Os estimadores propostos são "múltiplamente robustos", o que significa que permanecem consistentes se várias combinações de modelos de incômodo forem corretamente especificadas. Eles também mantêm inferência assintótica válida ao utilizar métodos flexíveis de ML, superando as questões de convergência lenta que tipicamente afligem tais abordagens.
• Fatorização Novel: A derivação de uma fatorização específica da verossimilhança que facilita a identificação do ATTE sem condicionar em estratos de elegibilidade não observados.

Aplicação e Resultados
A metodologia é aplicada a uma coorte de 14.809 pacientes do estudo DURABLE da Kaiser Permanente submetidos a cirurgia bariátrica (Bypass Gástrico em Y de Roux [RYGB] vs. Gastrectomia Vertical [SG]) entre 2008 e 2011. O estudo avalia a mudança de peso a longo prazo e a remissão do Diabetes Tipo 2 (T2DM).

• Sensibilidade à Operacionalização: Os autores analisaram 40 operacionalizações diferentes dos critérios de elegibilidade (variando janelas de retrospectiva para IMC e T2DM).
• Viés em Abordagens Padrão: O estimador de Casos Completos (CC) mostrou viés significativo (variando de -7,1% a -6,2% para mudança de peso e de 3,7% a 8,2% para remissão), sugerindo que excluir pacientes com dados de elegibilidade faltantes superestima sistematicamente o efeito do tratamento.
• Desempenho dos Estimadores Propostos: Os estimadores propostos baseados em função de influência ($\hat{\theta}_{EIF}$ e $\hat{\theta}_{IF}$) atenuaram esses efeitos em direção ao nulo.
  • Para mudança de peso, $\hat{\theta}_{EIF}$ ainda indicou um benefício do RYGB sobre o SG, embora a magnitude tenha sido reduzida em uma média de 19,5% em comparação com o estimador CC.
  • Para remissão de T2DM, os resultados foram mais sutis. Enquanto o estimador CC sugeriu uma vantagem substancial do RYGB, os estimadores robustos mostraram um efeito muito menor (variação de 0,1% a 7,4%), com intervalos de confiança frequentemente incluindo zero. Isso sugere que a vantagem aparente do RYGB para remissão em estudos anteriores pode ter sido impulsionada por viés de seleção.
• Análise de Sensibilidade: Uma análise de ponto de virada demonstrou que a conclusão sobre os benefícios de perda de peso do RYGB é robusta a violações da suposição MAR, exigindo diferenças implausivelmente grandes nas probabilidades de ausência de dados para inverter os resultados. No entanto, as descobertas sobre remissão de T2DM foram mais sensíveis a tais violações.

Significado e Alegações
Os autores afirmam que seu trabalho aborda uma fonte crítica, frequentemente negligenciada, de viés na pesquisa baseada em EHR. Ao demonstrar que estratégias padrão de exclusão podem levar a estimativas infladas de efeitos de tratamento, o artigo defende a adoção de métodos robustos semiparamétricos.

O estudo conclui que, embora o RYGB provavelmente ofereça perda de peso superior a longo prazo em comparação com o SG, a evidência para uma taxa superior de remissão de T2DM é menos definitiva do que sugerido anteriormente por estudos que utilizam análises de casos completos. Os autores sugerem que essa base de evidências robusta apoia as diretrizes clínicas atuais e argumenta contra a necessidade de novos ensaios randomizados em larga escala para esses desfechos específicos, já que o equívoco clínico suficiente pode não existir. O trabalho fornece um conjunto de ferramentas prático para pesquisadores lidarem com dados de elegibilidade faltantes sem recorrer a exclusões arbitrárias ou estratégias de retrospectiva potencialmente enviesadas.