A Statistical Framework for Understanding Causal Effects that Vary by Treatment Initiation Time in EHR-based Studies

Título: Um Framework Estatístico para Entender Efeitos Causais que Variam pelo Tempo de Início do Tratamento em Estudos Baseados em Prontuários Eletrônicos (EHR)

1. O Problema

Estudos de efetividade comparativa baseados em Prontuários Eletrônicos de Saúde (EHR) frequentemente abrangem períodos de entrada no estudo que se estendem por uma década ou mais. A prática padrão nesses estudos é estimar e relatar um efeito de tratamento constante ao longo do tempo do calendário. No entanto, essa abordagem ignora duas realidades críticas:

1. Evolução das Estratégias de Tratamento: Em cenários do mundo real (como cirurgia bariátrica ou cuidados padrão), técnicas cirúrgicas e práticas de manejo podem melhorar ou mudar significativamente ao longo do tempo.
2. Mudança na População (Covariate Shift): As características dos pacientes elegíveis (modificadores de efeito) mudam ao longo do tempo. Por exemplo, a distribuição de IMC, idade ou comorbidades entre pacientes que buscam cirurgia pode variar drasticamente entre 2005 e 2015.

A dificuldade central reside em distinguir se uma variação observada no efeito causal ao longo do tempo é devida a uma mudança real na eficácia do tratamento (ex: técnicas cirúrgicas melhores) ou apenas a uma mudança na distribuição dos pacientes que recebem o tratamento (ex: pacientes com obesidade menos grave sendo operados). A literatura existente tende a tratar a variação temporal como um viés a ser ajustado, em vez de um estimando causal a ser descrito.

2. Metodologia Proposta

Os autores propõem um framework estatístico inovador baseado na emulação sequencial de ensaios-alvo e na teoria semiparamétrica. O método é dividido em duas etapas principais:

A. Estimação de Efeitos Médios de Tratamento (ATE) Específicos por Tempo de Calendário

• Emulação de Ensaios-Alvo Sequenciais: O período de entrada no estudo é dividido em uma sequência de $M$ ensaios-alvo (ex: mensalmente). Em cada ensaios $m$, define-se uma coorte de elegibilidade e compara-se o tratamento ($A_m=1$) vs. controle ($A_m=0$).
• Projeção em Modelos Estruturais Marginais (MSM): Em vez de estimar curvas não paramétricas complexas para cada mês (o que seria ineficiente devido a tamanhos de amostra pequenos em janelas temporais específicas), os autores projetam os efeitos estimados em candidatos a MSMs paramétricos (ex: constante, linear, cúbico, splines).
• Estimação Duplamente Robusta: Utilizam funções de influência (influence functions) e modelos de aprendizado de máquina (florestas aleatórias) para estimar modelos de resultado e escore de propensão agrupados (pooled), permitindo inferência válida mesmo com modelos de nuisance mal especificados, desde que um deles seja correto.
• Seleção de Modelo: Um procedimento de seleção de dados (baseado em risco pseudo) escolhe qual estrutura (constante vs. variável) melhor descreve a tendência temporal dos efeitos.

B. Decomposição das Fontes de Variação (O "Porquê")
Para entender por que os efeitos variam, os autores introduzem um estimando de contraste cruzado-temporal ($\chi_{j,m}$).

• Padronização Cruzada: Calculam o efeito do tratamento no tempo $m$, mas padronizando a distribuição de covariáveis para a população elegível de um tempo diferente $j$.
• Métrica $\theta$: Introduzem uma métrica escalar $\theta$ que quantifica a proporção da variação nos efeitos cruzados-temporais que não é explicada pela mudança na distribuição de covariáveis (covariate shift).
  • $\theta \approx 0$: A variação temporal é inteiramente explicada pela mudança na população (efeito do tratamento é estável, mas a população mudou).
  • $\theta \approx 1$: A variação é inteiramente explicada pela mudança na eficácia do tratamento ao longo do tempo (independente da população).
  • $0 < \theta < 1$: Uma mistura de ambos.
• Teste de Hipótese: Desenvolvem um teste de hipótese para determinar se $\theta$ está nos limites (0 ou 1) ou no intervalo aberto, utilizando bootstrap paramétrico assintótico para lidar com a complexidade computacional de grandes conjuntos de dados EHR.

3. Contribuições Chave

1. Framework Unificado: É a primeira aplicação de ferramentas da teoria semiparamétrica para estudar efeitos de tratamento que variam especificamente pelo tempo de início do tratamento em estudos observacionais de EHR.
2. Métrica de Decomposição ($\theta$): Introduz uma métrica quantitativa para separar "mudança na eficácia" de "mudança na população", resolvendo um problema fundamental na interpretação de tendências temporais em estudos observacionais.
3. Procedimento de Seleção Adaptativo: Oferece uma abordagem rigorosa para decidir se um efeito é constante ou variável no tempo, evitando o overfitting ou underfitting da tendência temporal.
4. Aplicação Prática: Demonstra a utilidade do método em um cenário complexo de saúde pública (cirurgia bariátrica), onde tanto as técnicas quanto as populações mudaram rapidamente.

4. Resultados (Estudo de Caso: Cirurgia Bariátrica)

O framework foi aplicado aos dados do estudo DURABLE (Kaiser Permanente), comparando pacientes submetidos a cirurgia bariátrica (Roux-en-Y - RYGB e Sleeve Gastrectomy - SG) versus não cirúrgicos entre 2005 e 2011.

• Variação Temporal: Ao contrário da prática padrão que relata um efeito constante de -19,6% na perda de peso, a análise revelou uma tendência temporal significativa.
  • Para a cirurgia geral vs. não cirúrgica, o efeito estimado mudou de -27,4% em 2005 para -18,3% em 2011.
  • Isso indica que a eficácia "agregada" diminuiu ao longo do tempo, mas essa mudança foi impulsionada por fatores distintos para diferentes procedimentos.
• Decomposição ($\theta$):
  • Para RYGB vs. Não Cirúrgico, $\theta$ foi alto (intervalo de confiança 0,67–0,79), indicando que a maior parte da variação temporal reflete mudanças reais na eficácia do tratamento (ou interações complexas), não apenas mudança populacional.
  • Para SG vs. Não Cirúrgico, $\theta$ foi próximo de 1 (0,97–0,99), sugerindo que a eficácia do Sleeve Gastrectomy permaneceu relativamente estável ao longo do tempo, e qualquer variação observada foi quase inteiramente devido à mudança na distribuição dos pacientes (covariate shift).
• Insight Clínico: A análise revelou que a "mudança" na eficácia da cirurgia bariátrica agregada foi, em grande parte, um artefato da mudança na proporção de procedimentos (aumento do SG em relação ao RYGB) e na população tratada, e não necessariamente uma deterioração geral da técnica.

5. Significado e Implicações

• Para a Pesquisa Observacional: O trabalho desafia a prática de relatar apenas um "efeito médio" em estudos de longo prazo. Ele fornece ferramentas para caracterizar a história real de um tratamento, informando se a eficácia atual difere da histórica.
• Tomada de Decisão Clínica: Ao distinguir entre mudanças na população e mudanças na eficácia, os clínicos podem entender melhor se um tratamento atual é tão eficaz quanto era no passado ou se as técnicas evoluíram.
• Generalização: O método é aplicável a qualquer estudo de EHR com períodos longos de entrada, especialmente onde tratamentos evoluem (ex: novas drogas, mudanças em protocolos de cuidado) ou onde a população de pacientes muda sistematicamente.
• Transparência: O framework oferece uma estrutura clara para relatar não apenas se o efeito muda, mas por que ele muda, aumentando a transparência e a utilidade dos estudos de efetividade comparativa.

Em resumo, os autores desenvolveram uma metodologia robusta que transforma a variação temporal de um problema de viés em uma oportunidade de descoberta, permitindo disentrelaçar a evolução da medicina (eficácia) da evolução da demografia dos pacientes (covariate shift).