Estimating conditional Mann-Whitney effects using pseudo-observation-based regression

Título: Estimativa de Efeitos Mann-Whitney Condicionais usando Regressão baseada em Pseudo-Observações

Autores: Dennis Dobler, Alina Schenk e Matthias Schmid.
Data: 1 de abril de 2026 (versão arXiv).

1. O Problema

A análise de dados de tempo até o evento (sobrevivência) em estudos clínicos e observacionais frequentemente enfrenta desafios ao comparar dois grupos (ex.: tratamento vs. controle).

• Limitações dos Métodos Atuais: O modelo de Cox (proporcionalidade de riscos) é o padrão-ouro, mas depende da suposição de riscos proporcionais, que pode não se manter na prática. Além disso, os resultados do modelo de Cox (razão de riscos) são relativos e difíceis de interpretar clinicamente como probabilidades absolutas.
• A Necessidade: Existe uma necessidade de modelos distribuídos livremente (não paramétricos) que permitam ajustar o efeito de tratamento para covariáveis, fornecendo estimativas interpretáveis como probabilidades (ex.: "qual a probabilidade de um paciente tratado viver mais tempo que um paciente controle com as mesmas características?").
• O Estimando: O artigo foca no efeito Mann-Whitney (ou efeito relativo), definido como $\theta = P(T_1 > T_2)$, onde $T_1$ e $T_2$ são os tempos de evento de dois indivíduos independentes de grupos diferentes. Este efeito tem uma interpretação probabilística direta e está ligado à área sob a curva ROC (AUC).

2. Metodologia Proposta

Os autores propõem um modelo de regressão generalizado linear para estimar o efeito Mann-Whitney condicional, $\theta(z_1, z_2) = P(T_1 > T_2 | Z_1=z_1, Z_2=z_2)$, utilizando uma abordagem baseada em pseudo-observações.

A. Estrutura do Modelo

• Função de Ligação: O modelo assume que o estimando segue uma relação linear através de uma função de ligação inversa estritamente monótona $\mu$:
  $$\theta(z_1, z_2) = \mu(\beta_0 + \beta_1^\top z_1 + \beta_2^\top z_2)$$
  Onde $\beta$ é o vetor de parâmetros e $z_1, z_2$ são vetores de covariáveis para os grupos 1 e 2, respectivamente.
• Flexibilidade: O modelo permite que os grupos tenham diferentes conjuntos de covariáveis (útil para comparações entre estudos históricos e atuais) e lida com dados ordenados, não necessariamente contínuos.

B. Pseudo-Observações (Jackknife)

Para ajustar o modelo, os autores desenvolvem uma técnica de pseudo-observações baseada no método jackknife de duas amostras:

1. Estimador Não Paramétrico: O efeito Mann-Whitney não condicional é estimado pela estatística U de Wilcoxon-Mann-Whitney.
2. Construção das Pseudo-Observações: Para cada par de indivíduos $(i_1, i_2)$, define-se uma pseudo-observação $\tilde{\theta}_{i_1 i_2}$ que representa a contribuição daquele par para o estimando global.
   • No caso não censurado: $\tilde{\theta}_{i_1 i_2} = \mathbb{I}(T_{1i_1} > T_{2i_2})$ (com correção para empates).
   • No caso censurado: Utiliza-se o estimador de Kaplan-Meier para construir as pseudo-observações, integrando as funções de sobrevivência estimadas.
3. Equação de Estimativa Generalizada (GEE): O vetor de parâmetros $\beta$ é estimado resolvendo uma equação de estimativa baseada nas pseudo-observações, tratando-as como respostas em um modelo de regressão.

C. Propriedades Assintóticas e Inferência

• Teorema do Limite Central: Os autores provam que o estimador $\hat{\beta}$ é consistente e assintoticamente normal, tanto para dados completos quanto para dados com censura à direita aleatória.
• Testes de Hipótese: Devido à complexidade da variância assintótica (que depende de derivadas segundas funcionais), propõe-se o uso de procedimentos de bootstrap (especificamente warp-speed bootstrap para simulações e bootstrap padrão para dados reais) para realizar testes de hipóteses sobre os efeitos das covariáveis e construir intervalos de confiança.

3. Contribuições Principais

1. Primeira Abordagem de Regressão para Efeito Mann-Whitney Censurado: O artigo é pioneiro em propor um modelo de regressão para o efeito Mann-Whitney que lida nativamente com dados censurados e possivelmente com empates.
2. Interpretabilidade Probabilística: Diferente da razão de riscos do modelo de Cox, os coeficientes deste modelo podem ser transformados diretamente em probabilidades condicionais de um evento ocorrer antes do outro, facilitando a interpretação clínica.
3. Flexibilidade de Covariáveis: O modelo permite que os grupos de comparação tenham vetores de covariáveis de dimensões diferentes, o que é raro em métodos de regressão tradicionais de sobrevivência.
4. Fundamentação Teórica Rigorosa: Fornece a prova do teorema do limite central para o estimador em cenários de duas amostras com pseudo-observações, estabelecendo as condições para a validade assintótica.

4. Resultados

Estudo de Simulação

• Desempenho em Pequenas Amostras: O estudo avaliou o viés, a cobertura e o poder dos testes em cenários com tamanhos de amostra moderados (ex.: 200-500 por grupo) e diferentes proporções de censura (0% a 75%).
• Controle de Erro Tipo I: Os testes baseados em bootstrap (usando desvio padrão empírico ou quantis) controlaram bem o erro Tipo I (próximo de 5%), embora fossem ligeiramente conservadores em altas taxas de censura. Testes baseados em IQR e MAD foram mais liberais.
• Comparação com Cox: O método proposto mostrou-se competitivo em termos de poder estatístico em relação aos testes z do modelo de Cox, especialmente quando a suposição de riscos proporcionais é violada (ex.: curvas de hazard cruzadas). O modelo de Cox, por sua vez, apresentou taxas de erro Tipo I infladas em vários cenários simulados.

Aplicação Real: Estudo SUCCESS-A

• Contexto: Análise de dados de 3.754 pacientes com câncer de mama (ensaio fase III) comparando quimioterapia padrão vs. padrão + gemcitabina.
• Objetivo: Identificar subgrupos de pacientes que se beneficiam mais da intervenção.
• Descobertas:
  • O modelo identificou heterogeneidade no efeito do tratamento que não foi capturada pela análise marginal original.
  • Benefício da Intervenção: Pacientes com tumores de alto grau (G2, G3) e estágio avançado (pT4) mostraram maior probabilidade de benefício com a gemcitabina.
  • Benefício do Controle: Pacientes com linfonodos não afetados (pN0) e tumores positivos para receptor de progesterona (PR+) tenderam a se beneficiar mais do tratamento controle.
  • Interpretação: O modelo permitiu classificar pacientes individuais com base na probabilidade estimada de benefício, fornecendo intervalos de confiança para essa classificação.
  • Diferença Conceitual: Os autores destacam que o modelo proposto estima um efeito truncado (até um tempo $\tau$), enquanto o Cox estima um efeito não truncado, o que explica algumas diferenças na direção dos sinais dos coeficientes entre os dois métodos.

5. Significado e Conclusão

O artigo apresenta uma ferramenta estatística robusta e flexível para a análise de dados de sobrevivência em duas amostras. Ao substituir a suposição de riscos proporcionais por um modelo distribuído livre baseado em probabilidades, os autores oferecem uma alternativa mais intuitiva para a medicina baseada em evidências.

A principal vantagem prática é a capacidade de estratificar pacientes e estimar a probabilidade absoluta de um paciente específico se beneficiar de um tratamento em relação a outro, considerando suas características individuais. Isso é crucial para a medicina de precisão e para a análise de subgrupos em ensaios clínicos, permitindo decisões mais informadas do que as fornecidas apenas por razões de risco ou testes de log-rank globais. A metodologia também abre caminho para extensões futuras, como problemas com mais de duas amostras (J-amostras) e a aplicação a outros funcionais de distribuições marginais.