Robust estimation of heterogeneous treatment effects in randomized trials leveraging external data

1. O Problema

Ensaios clínicos randomizados (RCTs) são o padrão-ouro para inferência causal, pois permitem estimar efeitos de tratamento com poucas suposições não testáveis. No entanto, eles frequentemente carecem de poder estatístico para detectar heterogeneidade de efeitos de tratamento (HET) em nível individual. A estimação precisa do Efeito Médio Condicional de Tratamento (CATE), que captura como o efeito do tratamento varia com base em covariáveis individuais, é desafiadora em amostras de tamanho limitado típicas de RCTs.

Para superar essa limitação, pesquisadores buscam integrar dados externos (de outros ensaios ou estudos observacionais). O desafio central reside na transportabilidade: as populações subjacentes aos dados externos e ao ensaio podem não estar alinhadas (diferenças nas distribuições de covariáveis ou efeitos de tratamento). Se os dados externos forem usados sem cuidado, isso pode introduzir viés ou aumentar o erro quadrático médio (MSE) em comparação com o uso de apenas os dados do ensaio, especialmente se houver confusão não medida ou se a transportabilidade não se manter.

2. Metodologia Proposta: O QR-learner

Os autores propõem o QR-learner (Quasi-optimized Randomization-aware learner), um algoritmo agnóstico ao modelo que estima o CATE na população do ensaio aproveitando dados externos de forma robusta.

Conceitos Fundamentais

• Pseudo-Resultados Conscientes da Randomização: O método baseia-se em pseudo-resultados ($\psi$) construídos utilizando a pontuação de propensão conhecida do ensaio ($e(X)$). Esses pseudo-resultados são não viesados para o verdadeiro CATE na população do ensaio, independentemente da qualidade dos modelos de "incômodo" (nuisance models) usados, desde que o ensaio seja randomizado.
• Otimização Quasi-Ótima: O QR-learner opera em duas etapas com cross-fitting (divisão dos dados em folds para evitar overfitting):
  1. Estimação de Modelos de Incômodo ($\eta$): Utiliza tanto os dados do ensaio quanto os dados externos para estimar modelos de resultado ($h_1, h_0$). O objetivo é minimizar um limite superior do erro de variância associado à seleção de modelos. A chave aqui é que, se os dados externos estiverem alinhados (transportabilidade válida), eles ajudam a estimar esses modelos com maior precisão.
  2. Regressão do CATE: Regressa os pseudo-resultados calculados (usando os $\eta$ estimados na etapa 1) sobre as covariáveis $X$, utilizando apenas os dados do ensaio. Isso garante que a estimativa final seja robusta e não viesada pela população do ensaio, mesmo que os dados externos sejam "ruins".

Combinação de Aprendizes (Combined Learner)

Para garantir robustez contra dados externos mal alinhados, os autores propõem uma combinação linear do QR-learner (que usa dados externos) e do DR-learner (que usa apenas dados do ensaio):
$$\hat{\tau}(x; \lambda) = \lambda \cdot \hat{\tau}_{QR}(x) + (1 - \lambda) \cdot \hat{\tau}_{DR}(x)$$
O parâmetro de ponderação $\lambda$ é selecionado via validação cruzada para minimizar o risco empírico. Teoricamente, essa combinação garante que o MSE do aprendiz combinado seja assintoticamente não pior do que o melhor dos dois aprendizes individuais.

3. Contribuições Principais

1. Robustez Garantida: O QR-learner é projetado para recuperar o CATE verdadeiro mesmo quando os dados externos não são transportáveis ou sofrem de confusão não medida. O uso de dados externos não prejudica a estimativa em cenários de desalinhamento.
2. Redução de Variância: Quando os dados externos são suficientemente alinhados, o método reduz significativamente o erro quadrático médio (MSE) em comparação com métodos que usam apenas dados do ensaio, ao melhorar a estimativa dos modelos de incômodo na primeira etapa.
3. Mecanismo de Segurança: A introdução do "Combined Learner" oferece uma garantia teórica de que o desempenho não será inferior ao do melhor componente (QR ou DR), mitigando o risco de usar dados externos inadequados.
4. Agnosticismo de Modelo: O método permite o uso de qualquer algoritmo de aprendizado supervisionado (redes neurais, florestas aleatórias, etc.) para estimar os modelos de incômodo e o CATE.

4. Resultados Experimentais

Os autores avaliaram o método através de simulações e um estudo de caso real.

• Simulações:

  • Em cenários onde a transportabilidade e a ignorabilidade forte nos dados externos eram válidas, o QR-learner e o Combined Learner alcançaram os menores erros quadráticos médios (RMSE), superando significativamente os aprendizes baseados apenas no ensaio (DR-learner, T-learner).
  • Em cenários onde a transportabilidade era violada (dados externos mal alinhados), o QR-learner manteve um desempenho comparável ao DR-learner (usando apenas dados do ensaio), demonstrando robustez. Métodos concorrentes que assumem transportabilidade (como CFACE e R-OSCAR) sofreram degradação de desempenho ou viés nesses cenários.
  • O Combined Learner consistentemente superou ou igualou seus componentes individuais, validando a estratégia de combinação.
  • O método também demonstrou maior poder estatístico para detectar heterogeneidade de tratamento (interações) em comparação com métodos tradicionais.

• Estudo de Caso (Projeto STAR):

  • Utilizaram dados do projeto Student/Teacher Achievement Ratio (Tennessee), dividindo escolas rurais e urbanas. Ao tratar uma população como ensaio e a outra como externa (criando uma violação intencional de transportabilidade devido a diferenças na distribuição de resultados), o Combined Learner superou os outros métodos em termos de RMSE, especialmente em tamanhos de amostra menores.

5. Significado e Impacto

Este trabalho avança significativamente a área de inferência causal em ensaios clínicos ao fornecer uma ferramenta prática para aumentar a precisão da medicina personalizada sem comprometer a validade causal.

• Valor Prático: Permite que pesquisadores e reguladores aproveitem grandes bancos de dados externos (como registros de saúde ou estudos observacionais) para refinar estimativas de subgrupos em ensaios pequenos, algo crucial para decisões de saúde pública e políticas.
• Segurança: A garantia de que o uso de dados externos não piorará a estimativa (devido à robustez do pseudo-resultado e à combinação com o aprendiz de apenas ensaio) remove uma barreira de adoção significativa para métodos de integração de dados.
• Inovação Teórica: A conexão entre a otimização de limites superiores de variância e a seleção de modelos de incômodo em contextos de múltiplas fontes de dados oferece um novo paradigma para o desenvolvimento de aprendizes de tratamento heterogêneo.

Em resumo, o QR-learner e a estratégia de combinação proposta representam um avanço robusto e matematicamente fundamentado para extrair mais valor dos dados de ensaios clínicos, permitindo decisões mais personalizadas e precisas mesmo na presença de incertezas sobre a comparabilidade de dados externos.