Prediction intervals for random-effects meta-analysis based on confidence distributions and Edgington's method

Resumo Técnico: Intervalos de Predição para Meta-análise de Efeitos Aleatórios Baseados em Distribuições de Confiança e o Método de Edgington

Definição do Problema
Em meta-análises de efeitos aleatórios, a inferência estatística em relação ao efeito médio é frequentemente considerada insuficiente quando existe uma heterogeneidade substancial entre os estudos. Embora medidas tradicionais como a variância estimada entre estudos ($\tau^2$) e o $I^2$ de Higgins quantifiquem a heterogeneidade, elas carecem de interpretabilidade na escala do efeito e não transmitem a variação absoluta do efeito. As distribuições preditivas são reconhecidas como uma ferramenta clinicamente mais relevante para quantificar a heterogeneidade, pois descrevem a distribuição dos efeitos verdadeiros e informam sobre eventos futuros.

No entanto, os métodos frequentistas existentes para construir distribuições preditivas enfrentam limitações significativas:

1. Restrições de Simetria: A maioria dos métodos restringe as distribuições preditivas a serem simétricas em torno do efeito médio estimado, falhando em capturar a assimetria (skewness) frequentemente presente nos estimadores de efeito. Isso leva a uma calibração deficiente e a intervalos de predição que frequentemente não atingem a cobertura nominal, particularmente em cenários com poucos estudos ou dados assimétricos.
2. Tratamento da Incerteza: Abordagens padrão lidam com a incerteza na estimativa da heterogeneidade ($\tau^2$) aplicando uma distribuição $t$ com graus de liberdade arbitrários (ex: $k-2$). Estudos de simulação sugerem que esses ajustes post-hoc são frequentemente mal calibrados, especialmente quando o número de estudos é pequeno ou a heterogeneidade é considerável.
3. Negligência da Assimetria: Métodos que não consideram a assimetria dos estimadores dos estudos podem produzir inferências enganosas, conforme evidenciado por resultados de simulação que mostram subcobertura em cenários assimétricos.

Metodologia
Os autores propõem um novo framework para construir distribuições preditivas que explicitamente considera a incerteza tanto no efeito médio ($\mu$) quanto no parâmetro de heterogeneidade ($\tau^2$) usando distribuições de confiança e o método de combinação de valores-p de Edgington.

1. Distribuições de Confiança (CDs): Em vez de depender de distribuições amostrais de estimadores, o método constrói CDs, que são distribuições de probabilidade frequentistas sobre o espaço paramétrico derivadas de funções de valor-p sem invocar distribuições a priori.

2. Método de Edgington: Os autores utilizam o método de Edgington (1972) para combinar funções de valor-p unilaterais entre os estudos. Diferente da abordagem clássica de média ponderada, o método de Edgington:

   • É invariante à orientação da hipótese alternativa.
   • Produz estimativas quase não viesadas.
   • Produz intervalos de confiança que se adaptam à assimetria dos estimadores de efeito, preservando a assimetria em vez de impor resumos simétricos.

3. Incerteza da Heterogeneidade: O método incorpora a incerteza em $\tau^2$ utilizando a distribuição de confiança implicada pelo estatístico de heterogeneidade generalizado ($Q(\tau^2)$). Este estatístico, baseado na distribuição exata de $Q$ de Cochran, varia com $\tau^2$ e serve como um pivô.

4. Construção da Distribuição Preditiva: Três versões da distribuição preditiva são propostas:

   • PCD-fixed: Integra a distribuição normal do efeito sobre a CD de Edgington para $\mu$, usando uma estimativa plug-in para $\tau^2$.
   • PCD-simplified: Integra sobre a CD para $\mu$ (usando um $\tau^2$ plug-in) e a CD para $\tau^2$.
   • PCD-full: Integra totalmente sobre a distribuição condicional conjunta de $\mu$ e $\tau^2$.

   Essas integrais são avaliadas via um algoritmo de Monte Carlo (Algoritmo 1) que amostra $\tau^2$ de sua CD (resolvendo $Q(\tau^2) = W$ onde $W \sim \chi^2_{k-1}$), amostra $\mu$ da CD de Edgington (usando a transformação integral de probabilidade) e, finalmente, amostra o efeito futuro $\theta_{new}$ de $N(\mu, \tau^2)$.

Principais Contribuições

• Predição Sensível à Assimetria: O método proposto gera distribuições preditivas que naturalmente herdam a assimetria dos estimadores dos estudos subjacentes, abordando uma lacuna crítica dos métodos simétricos existentes.
• Propagação Rigorosa de Incerteza: Ao integrar sobre as distribuições de confiança de ambos $\mu$ e $\tau^2$, o método evita ajustes arbitrários (como graus de liberdade fixos de distribuição $t$) e fornece um tratamento mais fundamentado da incerteza de estimação.
• Implementação: Os autores fornecem o pacote R edgemeta, tornando esses métodos acessíveis para o cálculo de intervalos de predição de cauda igual (equi-tailed) e de Máxima Densidade de Confiança (HCD), bem como probabilidades de confiança para eventos específicos (ex: a probabilidade de um efeito futuro ser benéfico).

Resultos
Um estudo de simulação (seguindo o framework ADEMP) comparou os métodos PCD propostos contra o método de Higgins-Thompson-Spiegelhalter (HTS) e uma abordagem de bootstrap paramétrico (Nagashima et al., 2018).

• Cobertura:
  • PCD-full e PCD-simplified tipicamente alcançaram cobertura nominal de 95% quando mais de três estudos estavam disponíveis.
  • Esses métodos refletiram efetivamente a assimetria em cenários com 20 ou menos estudos.
  • Em contraste, o PCD-fixed (ignorando a incerteza da heterogeneidade) apresentou consistentemente subcobertura, caindo frequentemente abaixo de 80% com três estudos, e apenas se aproximou da cobertura nominal com um grande número de estudos.
  • O método HTS mostrou um padrão de cobertura em forma de U: sobrecobertura com três estudos e subcobertura com 5–50 estudos, particularmente sob heterogeneidade moderada.
• Correlação de Assimetria: Os intervalos PCD-full demonstraram correlações de Pearson de moderadas a fortes entre a assimetria do intervalo e a assimetria do estimador de efeito para menos de 50 estudos, enquanto os intervalos HTS (sendo simétricos) apresentaram assimetria zero.
• Precisão (Sharpness): Embora os intervalos PCD-full e PCD-simplified sejam geralmente mais largos que os intervalos HTS (refletindo a propagação adequada da incênciaza), eles frequentemente superaram o HTS em termos de Pontuação de Probabilidade Classificada Continuamente (CRPS) quando o número de estudos era pequeno ou a heterogeneidade era baixa.
• Estudo de Caso: Em uma meta-análise de corticosteroides e mortalidade em pacientes com COVID-19, o estimador CD-Edgington gerou um intervalo de confiança mais largo e à direita (right-skewed) comparado ao intervalo simétrico de Hartung-Knapp-Sidik-Jonkman (HKSJ). As distribuições preditivas resultantes (PCD-full/simplified) foram substancialmente mais largas que os intervalos HTS, refletindo a incerteza substancial na estimativa da heterogeneidade mesmo quando o estimador pontual de $\tau^2$ estava próximo de zero.

Significância e Alegações
O artigo afirma que a abordagem proposta oferece uma alternativa ou complemento à meta-análise clássica de efeitos aleatórios. Os autores enfatizam que:

• Ignorar a incerteza na estimativa da heterogeneidade leva a uma cobertura incorreta, ressaltando a necessidade do ajuste proposto.
• O método consegue adaptar-se à assimetria dos estimadores de efeito, fornecendo inferências preditivas mais precisas do que as alternativas simétricas.
• Embora o método apresente desempenho comparável ao bootstrap paramétrico em termos de calibração e precisão, ele fornece um framework frequentista distinto baseado em distribuições de confiança.
• Os autores reconhecem que é necessária uma avaliação independente adicional, particularmente através de diferentes escalas de efeito e distribuições, e observam que o método está atualmente restrito a modelos de efeitos aleatórios unimodais e normais. Eles sugerem que extensões futuras poderiam incorporar distribuições de efeito mais flexíveis (ex: skew-normal) e pesos específicos por estudo para reduzir o peso de estudos enviesados.