Assumption-Lean Differential Variance Inference for Heterogeneous Treatment Effect Detection

Resumo Técnico: Inferência de Variância Diferencial com Poucas Suposições para Detecção de Efeito de Tratamento Heterogêneo

Definição do Problema
Em estudos clínicos, o Efeito Médio Condicional do Tratamento (CATE) é a ferramenta padrão para detectar heterogeneidade nos efeitos de tratamento (HTE). No entanto, a inferência baseada em CATE depende criticamente da inclusão de todos os modificadores de efeito reais no conjunto de covariáveis de base. Quando modificadores de efeito são omitidos devido a restrições de recursos, erro de medição ou compreensão mecanística incompleta, os métodos baseados em CATE falham em detectar violações da hipótese de efeito de tratamento homogêneo. Isso pode induzir tomadores de decisão ao erro, levando-os a assumir que os efeitos do tratamento são uniformes quando não são. Além disso, a inferência de alta dimensão para CATE frequentemente exige suposições de esparsidade não verificáveis e demonstrou produzir taxas elevadas de falsos positivos e falsos negativos. As abordagens existentes de Parâmetro de Importância de Variável (VIP) para modificadores de efeito de tratamento (TEM-VIPs) enfrentam limitações semelhantes, pois também exigem que os modificadores de efeito estejam presentes nos dados. Adicionalmente, a inferência padrão de CATE ignora a heterogeneidade residual onde a média do efeito do tratamento é constante, mas a variância dos resultados potenciais difere — um cenário relevante para a tomada de decisão sensível ao risco.

Metodologia
Os autores propõem uma estrutura para inferência de "poucas suposições" (assumption-lean) que detecta HTE sem exigir o acesso aos modificadores de efeito. O núcleo desta abordagem é a estimativa de estimandos de variância diferencial, que contrastam as variâncias dos resultados potenciais sob tratamento e controle.

1. Estimandos:

   • Variância Diferencial Absoluta ($\Psi$): Definida como a diferença entre os desvios padrão dos resultados potenciais: $\Psi(P_0) = \sigma(P_0; 1) - \sigma(P_0; 0)$.
   • Variância Diferencial Relativa ($\Lambda$): Definida como a razão entre as variâncias: $\Lambda(P_0) = \sigma^2(P_0; 1) / \sigma^2(P_0; 0)$.
   • O artigo estabelece que, se $\Psi(P_0) \neq 0$ (ou $\Lambda(P_0) \neq 1$), a "hipótese de efeito de tratamento homogêneo de segundo momento" é violada. Esta hipótese é uma versão relaxada da hipótese de efeito homogêneo agudo (sharp), permitindo diferentes termos de ruído residual, desde que seus segundos momentos condicionais sejam iguais. Crucialmente, estes estimandos podem detectar heterogeneidade mesmo quando os modificadores de efeito ($V$) estão ausentes dos dados ($V = \emptyset$), desde que a troca de condições (exchangeability) condicional seja mantida.

2. Identificabilidade:
   Sob suposições causais padrão (troca de condições condicional, consistência e positividade), as variâncias dos resultados potenciais são identificáveis a partir dos dados observados. Os autores mostram que estes estimandos permanecem válidos para detectar heterogeneidade em Ensaios Controlados Aleatorizados (RCTs) sem condicionar em covariáveis, embora o condicionamento em variáveis prognósticas melhore a eficiência.

3. Estimadores:
   Os autores derivam estimadores de aprendizado de máquina causal baseados em Funções de Influência Eficientes (EIF) dentro de um modelo não paramétrico:

   • Estimadores de Passo Único (One-Step Estimators): Construídos usando a EIF da variância dos resultados potenciais.
   • Estimadores de Máxima Verossimilhança Direcionada (TMLE): Desenvolvidos ao inclinar os estimadores de parâmetros de incômodo (regressão de resultado e escore de propensão) para resolver a equação da EIF.
   • Versões com Validação Cruzada (Cross-Fitted Versions): Variantes dos estimadores acima usando divisão de amostra para evitar condições de classe Donsker.
   • Os estimadores utilizam algoritmos flexíveis de aprendizado de máquina (ex: Super Learner, Florestas Aleatórias) para a estimativa de parâmetros de incômodo.

4. Propriedades Assintóticas:
   O artigo prova que estes estimadores são duplamente robustos (consistentes se tanto o escore de propensão quanto a regressão de resultado forem corretamente especificados) e assintoticamente lineares sob condições suaves. Especificamente, eles alcançam taxas de convergência de $n^{-1/2}$ se o produto dos erros de estimativa dos parâmetros de incômodo convergir a uma taxa mais rápida que $n^{-1/2}$. Isso permite a construção de intervalos de confiança do tipo Wald válidos e testes de hipótese em ambientes não paramétricos.

Resultados Principais

• Estudo de Simulação 1 (Dupla Robustez): Demonstrou que os estimadores propostos exibem viés empírico negligenciável quando o escore de propensão ou a regressão de resultado é corretamente especificado, confirmando a dupla robustez.
• Estudo de Simulação 2 (Linearidade Assintótica): Mostrou que os estimadores alcançam linearidade assintótica em amostras finitas, com probabilidades de cobertura convergindo para níveis nominais conforme o tamanho da amostra aumenta. Os estimadores de validação cruzada mostraram desempenho superior em amostras maiores, mitigando o compromisso entre viés e variância associado ao aprendizado de máquina flexível.
• Estudo de Simulação 3 (Detecção sob Erro de Medição): Em um cenário de RCT com um modificador de efeito mal medido, os estimadores de variância diferencial mantiveram alto poder estatístico para detectar HTE. Em contraste, um teste omnibus baseado em floresta causal para heterogeneidade de CATE perdeu poder à medida que o erro de medição aumentava, falhando em detectar a heterogeneidade quando o modificador de efeito estava completamente mal medido.
• Aplicação (Ensaios TTM e TTM2): A metodologia foi aplicada para reanalisar os ensaios de Gerenciamento de Temperatura Alvo (TTM) e TTM2. Enquanto o ensaio TTM não mostrou variância diferencial significativa (provavelmente devido ao pequeno tamanho da amostra), o ensaio TTM2 rejeitou a hipótese de efeito de tratamento homogêneo de segundo momento ($p < 0,01$). No entanto, a diferença estimada nos desvios padrão foi inferior a um dia, sugerindo que, embora exista heterogeneidade estatística, ela pode não ser clinicamente acionável.

Significância e Alegações
O artigo afirma oferecer uma alternativa prática para a inferência de CATE para detecção de heterogeneidade de efeito de tratamento em cenários onde os modificadores de efeito estão ausentes ou mal medidos. Ao focar na variância dos resultados potenciais, os autores fornecem um método que:

• Não requer a identificação ou medição de modificadores de efeito específicos.
• Oferece métricas interpretáveis (contrastes de variância absoluta ou relativa) para a tomada de decisão sensível ao risco.
• Fornece testes de hipótese formais com garantias assintóticas em estudos tanto randomizados quanto observacionais.
• Serve como uma análise de sensibilidade complementar aos fluxos de trabalho de CATE e TEM-VIP; um resultado significativo na inferência de variância diferencial após um resultado nulo de CATE pode indicar que a heterogeneidade existe, mas é impulsionada por fatores não medidos.

Os autores enfatizam que, embora seu método detecte a presença de heterogeneidade, ele não identifica a fonte ou a direcionalidade do efeito, uma limitação inerente aos contrastes de variância marginal. No entanto, argumentam que detectar partidas acionáveis da homogeneidade é valioso mesmo quando o mecanismo subjacente permanece desconhecido.