Resumo Técnico: Avaliação da Robustez dos Efeitos de Tratamento Heterogêneos na Análise de Sobrevivência sob Censura Informativa

1. Formulação do Problema

Em estudos clínicos, particularmente em oncologia, a desistência de pacientes é prevalente, com taxas atingindo até 53% em certos tipos de câncer. Quando a desistência é informativa—ou seja, o tempo de censura $C$ depende do tempo de sobrevivência não observado $T$—ela introduz um viés de censura sistemático. Métodos padrão de análise de sobrevivência (por exemplo, Kaplan-Meier, modelos de Cox) e estimadores existentes de efeito de tratamento heterogêneo (HTE) geralmente dependem da suposição de censura não informativa ($T \perp C \mid X, A$). Quando essa suposição é violada, a estimação pontual não enviesada do Efeito de Tratamento Médio Condicional (CATE) torna-se impossível, pois o tempo de sobrevivência esperado para pacientes censurados não pode ser identificado apenas a partir dos dados observados.

A literatura atual carece de ferramentas práticas para avaliar a robustez das estimativas de CATE quando há censura informativa. Métodos existentes para identificação parcial na análise de sobrevivência focam em limitar funções de sobrevivência em vez de efeitos causais, enquanto métodos de inferência causal para censura informativa geralmente visam o Efeito de Tratamento Médio (ATE) em vez do CATE.

2. Metodologia

O artigo propõe um framework de poucas suposições que desloca o objetivo da estimação pontual para a identificação parcial. Em vez de estimar um único valor de CATE, o framework constrói limites inferiores e superiores informativos sobre o CATE, contabilizando explicitamente o viés de censura.

2.1 Identificação Parcial do CATE

Os autores derivam limites para o CATE, $\tau_{a_1, a_2}(x) = E[T(a_1) - T(a_2) \mid X=x]$, limitando primeiro o Resultado Potencial Médio Condicional (CAPO), $\mu(x, a) = E[T(a) \mid X=x]$.

• Limite Inferior ($\mu^-$): Derivado assumindo que pacientes censurados experimentam o evento imediatamente após seu tempo de censura (cenário de pior caso). Isso produz um limite inferior baseado em dados observados:
  $$\mu^-(x, a) = E[\tilde{T} \mid X=x, A=a]$$
  onde $\tilde{T} = \min(T, C)$.

• Limite Superior ($\mu^+$): Derivado usando uma função de sensibilidade $\gamma(x, a)$, que representa o tempo de sobrevivência restante esperado máximo após a desistência. O limite superior incorpora conhecimento de domínio (por exemplo, benchmarks clínicos para sobrevivência pós-desistência) ou um máximo teórico conservador ($t_{max}$):
  $$\mu^+(x, a) = \nu(0, x, a)[1 - \xi(x, a)] + \nu(1, x, a)\xi(x, a) + \gamma(x, a)\xi(x, a)$$
  Aqui, $\xi(x, a)$ é a força de censura (probabilidade de ser censurado), e $\nu(\delta, x, a)$ são tempos de sobrevivência condicionais esperados.

• Limites do CATE: Os limites do CATE são construídos combinando os limites do CAPO:
  $$\tau^-_{a_1, a_2}(x) = \mu^-(x, a_1) - \mu^+(x, a_2) \leq \tau_{a_1, a_2}(x) \leq \mu^+(x, a_1) - \mu^-(x, a_2) = \tau^+_{a_1, a_2}(x)$$

A largura desses limites é determinada pela força de censura $\xi(x, a)$ e pela função de sensibilidade $\gamma(x, a)$. Os limites tornam-se informativos (estreitos) quando a censura é baixa ou quando conhecimento de domínio forte restringe $\gamma(x, a)$.

2.2 SurvB-learner: Um Meta-Aprendiz Agnóstico ao Modelo

Para estimar esses limites de forma eficiente e sem viés de plug-in, os autores introduzem o SurvB-learner, um meta-aprendiz de dois estágios compatível com modelos de aprendizado de máquina arbitrários (por exemplo, florestas aleatórias, redes neurais).

• Estágio 1 (Estimação de Nuisance): Usa cross-fitting para estimar funções de nuisance: escores de propensão $\hat{\pi}_a(x)$, forças de censura $\hat{\xi}(x, a)$ e tempos de sobrevivência condicionais $\hat{\nu}(\delta, x, a)$.
• Estágio 2 (Regressão de Pseudo-Resultados): Constrói pseudo-resultados $\hat{\phi}^\pm(x, a)$ baseados nas funções de influência eficientes dos limites. Esses pseudo-resultados são regredidos sobre covariáveis $X$ para estimar os limites finais $\hat{\mu}^\pm(x, a)$.

2.3 Propriedades Teóricas

O SurvB-learner é provado possuir:

1. Consistência: Convergência para os limites verdadeiros conforme o tamanho da amostra aumenta.
2. Dupla Robustez: O estimador permanece consistente se o modelo de escore de propensão estiver corretamente especificado OU se a combinação dos modelos de sobrevivência e censura estiver corretamente especificada.
3. Eficiência Quasi-Oráculo: Alcança a mesma taxa de convergência assintótica que um estimador oráculo que conhece as funções de nuisance verdadeiras, desde que os estimadores de nuisance convirjam em taxas suficientes.

O framework também é estendido para tratamentos contínuos (usando suavização por kernel) e dados observacionais com confusão oculta (usando Modelos de Sensibilidade Marginal Generalizados).

3. Contribuições Principais

1. Framework de Poucas Suposições: Uma abordagem inovadora para auditar o viés de censura em estimativas de CATE, substituindo a suposição de censura não informativa por funções de sensibilidade para formar limites informativos.
2. SurvB-learner: Um meta-aprendiz agnóstico ao modelo projetado para estimar esses limites de forma eficiente, corrigindo o viés de plug-in e oferecendo dupla robustez.
3. Garantias Teóricas: Provas formais de consistência, dupla robustez e eficiência quasi-oráculo para o estimador proposto.
4. Validação Empírica: Demonstração de eficácia usando dados sintéticos (mostrando desempenho superior sobre aprendizes de plug-in) e um ensaio clínico do mundo real (conjunto de dados ADJUVANT).

4. Resultados Experimentais

• Dados Sintéticos: Experimentos em várias formas funcionais (Exponencial, Seno, Seno-Logístico) e forças de censura (0,2, 0,4, 0,6) mostram que o SurvB-learner supera significativamente o aprendiz de plug-in ingênuo. O SurvB-learner alcança menor Erro Quadrático Médio (RMSE) em relação aos limites oráculo e menor variância. O aprendiz de plug-in mostra-se instável e frequentemente produz limites muito estreitos (infiéis).
• Dados do Mundo Real (Ensaio ADJUVANT): Aplicado a um ensaio clínico de câncer de pulmão de células não pequenas (CPNPC) com altas taxas de censura (37% para DFS, 63% para OS). O framework identificou com sucesso subgrupos de pacientes (por exemplo, co-alterações genéticas específicas como CDK4+MYC) onde o limite inferior do efeito do tratamento permaneceu estritamente positivo, indicando benefícios robustos do tratamento apesar da censura informativa. Isso forneceu insights que estimadores pontuais padrão não poderiam oferecer de forma confiável na presença de tal viés.

5. Significado e Alegações

O artigo alega ser o primeiro a fornecer uma ferramenta de identificação parcial especificamente para estimação de CATE sob censura informativa. Seu significado reside em:

• Utilidade Clínica: Permitir que clínicos identifiquem subgrupos de pacientes que se beneficiam confiavelmente do tratamento mesmo quando os mecanismos de desistência são enviesados, sem depender de estimativas pontuais potencialmente inválidas.
• Robustez: Oferecer uma "rede de segurança" para inferência causal na análise de sobrevivência onde suposições padrão falham. O framework degrada-se graciosamente para estimação pontual quando a censura é fraca, mas permanece válido quando a censura é forte.
• Flexibilidade: A natureza agnóstica ao modelo permite integração com modelos de aprendizado de máquina de última geração, tornando-o aplicável a dados médicos complexos e de alta dimensão.

Os autores concluem que seu framework fornece resultados válidos e interpretáveis, ajudando a mitigar os riscos de estimativas de efeito de tratamento enviesadas em estudos de sobrevivência. Trabalhos futuros são sugeridos para focar no aprendizado de funções de sensibilidade a partir de dados externos e na extensão de ferramentas de inferência.