Considerations for Estimating Causal Effects of Informatively Timed Treatments

Resumo Técnico: Considerações para a Estimativa de Efeitos Causais de Tratamentos com Temporização Informativa

Declaração do Problema
Estudos epidemiológicos frequentemente visam estimar os efeitos causais de decisões de tratamento sequenciais sobre desfechos de sobrevivência, particularmente no manejo de doenças crônicas. Uma questão crítica, muitas vezes negligenciada nesses cenários, é que o tempo das decisões de tratamentos subsequentes não ocorre em intervalos fixos e pré-especificados. Em vez disso, o tempo de espera entre os tratamentos subsequentes varia entre os indivíduos de formas que são "informativas" tanto das futuras decisões de tratamento quanto dos potenciais desfechos.

O artigo argumenta que os métodos padrão de inferência causal, como os métodos G (ex: Ponderação pelo Inverso da Probabilidade de Tratamento, IPTW), que são projetados para confusão temporal variável, podem gerar estimativas enviesadas se falharem em contabilizar essa "temporização informativa". Especificamente, os tempos de espera entre cursos de tratamento sucessivos atuam como confundidores de tempo variável. Por exemplo, em ensaios de leucemia mieloide aguda (LMA) pediátrica, o tempo necessário para um paciente se recuperar da toxicidade antes de iniciar o próximo curso de quimioterapia é indicativo de seu estado de saúde subjacente. Pacientes que se recuperam mais rápido (tempos de espera mais curtos) podem ter maior probabilidade de tolerar um tratamento específico e ter melhores perspectivas de sobrevivência, criando um caminho de retrocesso (backdoor path) entre a atribuição do tratamento e a sobrevivência que os modelos padrão podem perder.

Metodologia
O autor formaliza o problema usando um framework de resultados potenciais com $K$ cursos de tratamento. A inovação central é tratar os tempos de espera entre os tratamentos ($W_k$) como confundidores de tempo variável que devem ser ajustados para alcançar uma identificação causal válida.

1. Formalizando a Temporização Informativa:
   O artigo define o tempo de espera $W_1$ (tempo do tratamento 1 ao tratamento 2) e $W_2$ (tempo do tratamento 2 até a morte) como componentes do tempo de sobrevivência $T = W_1 + W_2$. A estrutura causal é representada via um Grafo Acíclico Dirigido (DAG) onde $W_1$ confunde o efeito do segundo tratamento ($A_2$) sobre o tempo de sobrevivência subsequente ($W_2$).

   • Pressupostos de Identificação: A abordagem baseia-se em pressupostos de intercambialidade sequencial. Crucialmente, a segunda decisão de tratamento ($A_2$) deve ser condicionalmente independente do tempo de espera potencial até a morte, dado o histórico, que agora inclui explicitamente o tempo de espera observado $W_1$.
   • Positividade: O método requer que, para qualquer histórico (incluindo o tempo de espera específico $W_1$), haja uma probabilidade não nula de receber qualquer uma das opções de tratamento.

2. Abordagens de Tempo Contínuo:
   O artigo deriva uma fórmula G para a probabilidade de sobrevivência $P(T^{a_1, a_2} > \tau)$ que incorpora funções de densidade de sub-tempos de espera para contabilizar riscos competitivos (morte vs. tratamento subsequente).

   • Estimativa: Dois estimadores primários são discutidos:
     • G-computação: Requer a modelagem da densidade dos tempos de espera e covariáveis, o que é complexo em tempo contínuo com riscos competitivos.
     • Hájek IPTW: Um estimador de ponderação pela inversa da probabilidade mais simples. Os pesos são construídos para ajustar tanto a atribuição do tratamento quanto a temporização informativa. Para o segundo tratamento, o modelo de escore de propensão deve condicionar no tempo de espera $W_1$ proveniente do primeiro curso.

3. Lidando com Censura:
   A metodologia é estendida para cenários onde pacientes podem ser censurados entre os tratamentos. Isso requer um pressuposto adicional de censura não informativa e a inclusão de pesos de censura no estimador IPTW. O estimador soma as contribuições de pacientes que morrem após um tratamento, aqueles que morrem após dois tratamentos e aqueles que são censurados, garantindo que a população alvo seja adequadamente representada.

4. Equivalência de Tempo Discreto:
   O artigo demonstra que esses conceitos se traduzem para um framework de tempo discreto. Ao particionar a janela de tempo em intervalos, o tempo de espera é representado pelo índice de intervalo $S$ no qual o segundo tratamento ocorre. Os pressupostos de identificação de tempo discreto espelham os de tempo contínuo, exigindo o condicionamento ao número de intervalos decorridos desde o último tratamento. O artigo mostra que os métodos G de tempo discreto (usando regressão logística agrupada ou modelos estruturais marginais) produzem resultados equivalentes aos das abordagens de tempo contínuo quando o tempo de espera (ou índice de intervalo) é incluído nos modelos de escore de propensão.

Principais Contribuições e Resultados

• Formalização da Temporização Informativa: O artigo identifica explicitamente os tempos de espera entre tratamentos como um tipo específico de confundidor de tempo variável que cria viés se ignorado.
• Demonstração de Viés: Usando dados sintéticos que mimetizam o ensaio de LMA pediátrica AAML1031, o autor ilustra que o "IPTW Não Ajustado" (que ignora $W_1$) e os estimadores "Ingênuos" (que restringem a análise àqueles que completam ambos os cursos) produzem estimativas pontuais significativamente enviesadas e cobertura de intervalo de confiança pobre (ex: a cobertura caindo para 6,4% para estimadores ingênuos).
• Correção via Ajuste: O "IPTW Ajustado", que inclui tempos de espera nos modelos de escore de propensão, elimina o viés com sucesso e restaura a cobertura para níveis nominais (aprox. 94-95%).
• Discreto vs. Contínuo: O artigo estabelece que a necessidade de ajustar para a temporização informativa é agnóstica à escolha do framework de modelagem (contínuo vs. discreto). Ambas as abordagens, quando corretamente especificadas para incluir a variável de tempo, produzem estimativas consistentes.
• Implementação: O autor fornece orientação de implementação e código disponível publicamente para aplicar esses métodos G com ajustes de tempo de espera.

Significância e Alegações
O artigo conclui com duas mensagens primárias:

1. Validade da Inferência: Considerar o tempo das decisões de tratamento é essencial para uma inferência causal válida em estudos epidemiológicos envolvendo tratamentos sequenciais. Ignorar a natureza informativa dos tempos de espera leva a estimativas enviesadas dos efeitos do tratamento.
2. Viabilidade de Correção: Corrigir para a temporização informativa é alcançável usando métodos G padrão (especificamente IPTW e G-computação) ao tratar os tempos de espera entre os tratamentos como confundidores de tempo variável.

O autor enfatiza que, embora a literatura sobre processos de visitas irregulares exista, a aplicação específica para inferência causal de tratamentos sequenciais onde o tempo é informativo tem sido subatendida. O trabalho preenche essa lacuna, mostrando que as ferramentas causais padrão podem ser adaptadas para lidar com esses protocolos de ensaios complexos do mundo real, onde os pacientes progridem para o próximo curso "assim que clinicamente aceitável", em vez de em intervalos fixos.