Efficient and Debiased Learning of Average Hazard Under Non-Proportional Hazards

Título: Aprendizado Eficiente e Desviado (Debiased) da Hazard Média Sob Riscos Não Proporcionais

1. O Problema

O Razão de Hazards (Hazard Ratio - HR) derivada do modelo de riscos proporcionais de Cox é a métrica padrão para resumir o efeito de tratamentos em ensaios clínicos e estudos observacionais. No entanto, o modelo de Cox enfrenta limitações críticas em cenários modernos:

• Violação da Hipótese de Riscos Proporcionais: Em muitas aplicações, como a imunoterapia (efeitos tardios) ou situações com hazards cruzados, a hipótese de riscos proporcionais é violada.
• Interpretação Causal Instável: Quando os riscos não são proporcionais, o HR estimado pelo Cox converge para uma média ponderada dos efeitos variantes no tempo. Os pesos dessa média dependem das distribuições específicas de acompanhamento e censura do estudo. Consequentemente, dois estudos com efeitos biológicos idênticos podem produzir estimativas de HR drasticamente diferentes apenas devido a diferenças no desenho do estudo.
• Falta de Referência Absoluta: O HR é uma medida relativa que carece de um valor de referência absoluto, dificultando a tradução para informações clinicamente acionáveis para pacientes e decisores.

O artigo propõe a Hazard Média (Average Hazard - AH) como um estimando causal alternativo. A AH representa uma taxa de eventos por tempo-pessoa ao nível da população, definida diretamente através da curva de sobrevivência marginal, sem assumir riscos proporcionais.

2. Metodologia

Os autores desenvolveram um framework semiparamétrico e duplamente robusto para a inferência da AH ajustada por covariáveis. A abordagem combina teoria de processos estocásticos, métodos de influência eficiente e aprendizado de máquina.

Definição Causal e Identificação

• Estimando: A Hazard Média para um braço de tratamento $a$ e horizonte $\tau$ é definida como $\eta_a(\tau) = \frac{1 - S_a(\tau)}{\int_0^\tau S_a(t) dt}$, onde $S_a(t)$ é a função de sobrevivência potencial (contrafactual). O objetivo principal é a razão de log-hazard média: $\theta(\tau) = \log(\eta_1(\tau)/\eta_0(\tau))$.
• Identificação: Sob suposições padrão (consistência, troca condicional, positividade e censura independente condicional), o parâmero causal é identificado a partir dos dados observados.
• Distinção Importante: Os autores demonstram que a AH (uma média ponderada das taxas de incidência estratificadas, onde o peso é o tempo-pessoa de cada estrato) é diferente de uma simples média não ponderada das taxas estratificadas. A AH responde corretamente à pergunta: "Quantos eventos ocorrem por unidade de tempo-pessoa na população?", evitando o viés de não-colapsabilidade.

Função de Influência Eficiente (EIF)

• Os autores derivam a Função de Influência Eficiente (EIF) para o log da hazard média.
• Utilizando o Método Delta Funcional, eles mapeiam a EIF da curva de sobrevivência marginal (já conhecida na literatura) para a EIF do estimando de interesse.
• A EIF resultante possui uma estrutura de resíduo duplamente robusto, combinando componentes de regressão de resultado com ponderação por probabilidade inversa de tratamento (IPTW) e censura (IPCW).

Estimador Proposto (AH-DML)

Para lidar com a estimação de componentes de "nuisance" (funções de propensão, censura e sobrevivência) em alta dimensão, o método utiliza:

1. Cross-Fitting (Validação Cruzada): Os dados são divididos em $K$ folds. Os modelos de aprendizado de máquina são treinados em um conjunto e aplicados no outro para evitar overfitting e viés de seleção.
2. Aprendizado de Máquina Flexível: Utiliza-se uma biblioteca empilhada (Stacked Super Learner) para estimar as funções de nuisance de forma não paramétrica ou semi-paramétrica.
3. Estimador de Um Passo (One-Step): Aplica-se a correção de viés baseada na EIF aos estimadores iniciais das curvas de sobrevivência.
4. Inferência: A variância é estimada empiricamente a partir da EIF mapeada, garantindo inferência assintoticamente normal e consistente na escala $\sqrt{n}$, mesmo sob condições de taxa de produto fracas (onde os erros dos modelos de nuisance convergem mais rápido que $n^{-1/4}$).

3. Principais Contribuições

1. Formulação Causal: Formalização da Hazard Média como um estimando causal bem definido no framework de resultados potenciais, superando as limitações interpretativas do HR do Cox sob riscos não proporcionais.
2. Derivação Teórica: Derivação rigorosa da Função de Influência Eficiente para o log da razão de hazard média, estabelecendo sua diferenciabilidade de caminho no modelo não paramétrico.
3. Framework de Inferência Robusta: Desenvolvimento de um estimador duplamente robusto e desviado (debiased) que permite o uso de algoritmos de aprendizado de máquina complexos para ajuste de covariáveis, mantendo propriedades estatísticas válidas (consistência e normalidade assintótica).
4. Validação Empírica: Demonstração de que o método supera o HR do Cox e métodos de G-computation simples em cenários de hazards cruzados e não proporcionais, mantendo cobertura de intervalo de confiança próxima ao nominal.

4. Resultados

Estudo de Simulação

• Cenários: Foram testados modelos de geração de dados com riscos proporcionais (PH), riscos não proporcionais suaves (non-PH) e hazards cruzados (cross-A).
• Desempenho: O estimador proposto (AH-DML) apresentou viés pequeno e cobertura de intervalo de confiança próxima ao nominal (95%) em todos os cenários.
• Comparação: Em cenários de riscos não proporcionais, o HR do Cox mostrou-se instável e dependente do desenho do estudo (censura), enquanto o AH-DML manteve-se robusto. O método superou o G-computation puro quando os modelos de censura ou tratamento estavam mal especificados, graças à propriedade de dupla robustez.

Análise de Dados Reais (SEER-Medicare)

• Contexto: Comparação de regimes de imunoterapia para melanoma avançado em idosos (dados SEER-Medicare).
• Comparações: Nivolumab + Ipi vs. Ipi; Nivolumab vs. Ipi; Nivolumab + Ipi vs. Nivolumab.
• Resultados:
  • Ambos os regimes contendo Nivolumab mostraram uma redução estável na hazard média de morte em comparação com Ipi monoterapia.
  • As razões de hazard média (RAH) foram consistentes em horizontes de tempo de 24 e 36 meses (ex: RAH $\approx$ 0.60 para Nivo+Ipi vs Ipi em 24 meses).
  • Não houve diferença clara entre a combinação e o Nivolumab monoterapia.
  • A análise demonstrou que a AH fornece um resumo clínico intuitivo e estável, mesmo em populações com acompanhamento limitado e riscos não proporcionais.

5. Significância e Conclusão

Este trabalho preenche uma lacuna crítica na análise de sobrevivência ao fornecer uma ferramenta estatística rigorosa para estimar efeitos de tratamento em cenários onde o modelo de Cox falha ou é enganoso.

• Relevância Clínica: A Hazard Média oferece uma métrica de "taxa de eventos por tempo-pessoa" que é facilmente interpretável por clínicos e pacientes, especialmente em oncologia onde os efeitos do tratamento podem ser tardios ou os hazards cruzados.
• Avanço Metodológico: Ao integrar a teoria de influência eficiente com aprendizado de máquina moderno (via cross-fitting e dupla robustez), o método permite o ajuste de alto dimensional para confusão e censura sem sacrificar a validade inferencial.
• Aplicabilidade: O método é particularmente valioso para pesquisas de efetividade comparativa no mundo real (Real-World Evidence), onde os dados são observacionais, complexos e frequentemente violam as suposições de modelos paramétricos tradicionais.

Em suma, o artigo estabelece a Hazard Média como um estimando causal preferível em muitos contextos modernos e fornece o "kit de ferramentas" estatístico necessário para sua estimação precisa e válida.