Optimal estimation of generalized causal effects in cluster-randomized trials with multiple outcomes

Resumo Técnico: Estimativa Ótima de Efeitos Causais Generalizados em Ensaios Clínicos Randomizados por Agrupamentos com Múltiplos Desfechos

Definição do Problema
Ensaios clínicos randomizados por agrupamentos (CRTs) são cada vez mais utilizados para avaliar intervenções em nível de grupo, frequentemente coletando múltiplos desfechos para capturar dimensões complementares de benefício e risco. Embora os investigadores busquem frequentemente um único resumo global dos efeitos do tratamento, a literatura existente foca amplamente em estimandos de desfecho único ou baseia-se em procedimentos baseados em modelos que podem sofrer de interpretações causais pouco claras ou robustez limitada. Além disso, os métodos atuais para múltiplos desfechos em CRTs muitas vezes falham em considerar explicitamente tipos de desfechos heterogêneos, tamanhos de agrupamento potencialmente informativos e a integração de covariáveis de linha de base sem comprometer os estimandos alvo. Há uma carência de estimandos de resultados potenciais bem definidos para efeitos causais generalizados que acomodem essas complexidades enquanto oferecem eficiência ótima e robustez.

Metodologia
Os autores desenvolvem um arcabouço unificado de resultados potenciais para efeitos causais generalizados em CRTs com múltiplos desfechos, abordando cenários tanto não priorizados quanto priorizados.

1. Estimandos Causais:
   O artigo define dois estimandos complementares baseados em funções de contraste pareadas flexíveis e possivelmente não lineares, $w(\cdot, \cdot)$, que mapeiam comparações multivariadas para um único valor numérico:

   • Efeito Causal Generalizado de Par de Agrupamentos (cp-GCE): $\lambda_{C,a}$, que atribui peso igual a cada par de agrupamentos, independentemente de seus tamanhos.
   • Efeito Causal Generalizado de Par de Indivíduos (ip-GCE): $\lambda_{I,a}$, que atribui peso igual a cada par de indivíduos, contabilizando, assim, tamanhos de agrupamento informativos.
     Estes estimandos generalizam os efeitos médios de tratamento convencionais e os índices probabilísticos. Eles são construídos via comparações entre agrupamentos para evitar o problema fundamental da inferência causal relativo a contrastes dentro do mesmo agrupamento sob funções não lineares.

2. Estimativa Não Paramétrica:
   Os estimadores iniciais são derivados como estatísticas U de duas amostras agrupadas ponderadas. Estes estimadores são consistentes e assintoticamente normais, com estimadores de variância comprovadamente consistentes sob cross-fitting.

3. Funções de Influência Eficientes (EIFs) e Estimativa Robusta ao Modelo:
   Os autores derivam as EIFs para ambos o cp-GCE e o ip-GCE. Estas EIFs motivam estimadores robustos ao modelo que incorporam covariáveis de linha de base através de funções de nulidade (médias de desfecho). Ao aproveitar a ortogonalidade de Neyman das EIFs, estes estimadores permanecem consistentes e assintoticamente normais mesmo se o modelo de nulidade de trabalho for mal especificado. Se o modelo de nulidade for corretamente especificado, estes estimadores atingem o limite de eficiência semiparamétrica.

4. Aprendizado de Máquina Desenviesado (DML):
   Para lidar com funções de nulidade complexas, o artigo propõe estimadores DML usando cross-fitting. As funções de nulidade são estimadas usando métodos de aprendizado de máquina flexíveis e adaptativos aos dados (ex: SuperLearner). Os autores estabelecem que estes estimadores DML alcançam a eficiência semiparamétrica sob condições de regularidade brandas (especificamente exigindo que o estimador de nulidade convirja a uma taxa de $m^{1/4}$). Crucialmente, o artigo fornece um estimador analítico de variância para estas estatísticas U de DML sob um esquema de divisão de clusters, provando sua consistência sem depender das condições mais fortes de Donsker frequentemente exigidas por métodos de bootstrap.

5. Eficiência Computacional:
   Para abordar a carga computacional das estatísticas U (que escalam com $m^2$), os autores propõem um procedimento de estimação baseado em estatísticas U incompletas usando subamostras. Eles demonstram que estes estimadores baseados em subamostras mantêm as mesmas propriedades assintóticas (consistência e normalidade) que os estimadores de amostra total, com perda de eficiência assintótica negligível.

Principais Resultados

• Propriedades Teóricas: Os estimadores propostos (não paramétricos, robustos ao modelo e DML) mostram-se consistentes e assintoticamente normais. Os estimadores DML são provados para atingir os limites de eficiência semiparamétrica sob condições de regularidade brandas.
• Estimativa de Variância: Os estimadores de variância analítica derivados para a abordagem DML são provados consistentes sob cross-fitting, oferecendo uma alternativa computacionalmente eficiente ao bootstrap não paramétrico.
• Estudos de Simulação: Simulações extensas com $m=30$ e $m=60$ agrupamentos demonstram que:
  • Os estimadores propostos exibem pouco ou nenhum viés.
  • O estimador DML é o mais eficiente, superando abordagens não paramétricas e modelos existentes (ex: Smith et al., 2025) que ignoram tamanhos de agrupamento informativos e covariáveis.
  • Os estimadores de variância são consistentes, embora ajustes de amostra finita (correção de graus de liberdade) melhorem as probabilidades de cobertura em amostras menores.
• Aplicação de Dados: Os métodos são aplicados a um CRT avaliando uma intervenção de terapia cognitivo-comportamental para dor crônica. Tanto em configurações de desfecho priorizado quanto não priorizado, o estimador DML forneceu as estimativas mais precisas (menores erros padrão e intervalos de confiança mais estreitos) para razões de vitória (win ratios), sugerindo consistentemente que a intervenção era mais eficaz que o cuidado habitual. O estimador robusto ao modelo às vezes apresentou resultados não significativos, destacando o potencial de erro de especificação do modelo em amostras finitas, enquanto a abordagem DML manteve robustez e precisão.

Significância e Alegações
O artigo alega fornecer um arcabouço unificado para inferência causal em CRTs com múltiplos desfechos que lida explicitamente com tamanhos de agrupamento informativos e tipos de desfechos heterogêneos. Suas principais contribuições são:

1. Arcabouço Unificado: Definir estimandos de efeito causal generalizado (cp-GCE e ip-GCE) que unificam várias medidas de resumo (benefício líquido, razão de vitória, odds de vitória) e acomodam tanto desfechos priorizados quanto não priorizados.
2. Estimativa Ótima: Desenvolver estimadores que integram aprendizado de máquina desenviesado com estatísticas U para alcançar eficiência semiparamétrica, permanecendo robustos à especificação incorreta do modelo.
3. Avanço Técnico: Fornecer um tratamento rigoroso da teoria de eficiência semiparamétrica para CRTs, incluindo a derivação de EIFs e a construção de estimadores de variância analítica consistentes para estatísticas U de DML com cross-fitting, superando limitações de literatura anterior que dependia de condições mais fortes ou de bootstrap.
4. Utilidade Prática: Demonstrar que o aproveitamento de covariáveis de linha de base através de aprendizado de máquina flexível melhora significativamente a precisão da estimativa em estruturas de ensaios complexas e multinível, conforme evidenciado pela aplicação de dados e estudos de simulação.

Os autores posicionam este trabalho como um passo em direção a uma inferência causal mais robusta e eficiente em CRTs modernos, indo além de análises de desfecho único e dependentes de modelos em direção a resumos de efeitos de tratamento flexíveis e adaptativos aos dados.