A flexible approach to sequential prediction under intervention

Título: Uma Abordagem Flexível para Predição Sequencial sob Intervenção

1. O Problema

Os modelos clínicos de predição (CPMs) convencionais são amplamente utilizados para estimar riscos individuais (ex.: risco cardiovascular em 10 anos) e orientar decisões sobre intervenções (como o uso de estatinas ou mudanças no estilo de vida). No entanto, estes modelos possuem uma limitação fundamental: eles não incorporam a causalidade. Eles preveem o risco baseado em observações passadas, mas não conseguem responder validamente a perguntas contrafactuais do tipo "qual seria o meu risco se eu tomasse este medicamento?" ou "e se eu mudasse minha dieta?".

As abordagens existentes para "Predição sob Intervenção" (PUI) enfrentam três desafios principais quando aplicadas a cenários de prevenção primária (como doenças cardiovasculares):

1. Predição Sequencial: Os pacientes são avaliados repetidamente ao longo do tempo. Modelos atuais falham em manter a consistência entre previsões feitas em visitas consecutivas, frequentemente levando a um "duplo contagem" do efeito da intervenção.
2. Flexibilidade para Múltiplas Intervenções: Os métodos atuais exigem que cada intervenção seja pré-especificada e codificada explicitamente, tornando-os inviáveis para um leque vasto de intervenções (medicamentos, dieta, exercício).
3. Compromisso entre Causalidade e Precisão Preditiva: Forçar coeficientes a valores causais (em vez de estimá-los livremente para maximizar a verossimilhança) tende a degradar a precisão preditiva e a calibração do modelo.

2. Metodologia

Os autores propõem um framework causal-preditivo composto por quatro modelos progressivos, desenhados para atender a características específicas de estimandos causais, consistência temporal e flexibilidade.

• Modelo de Offset de Tratamento (Treatment Offset Model):

  • Fixa o coeficiente de uma intervenção específica (ex.: anti-hipertensivos) a um valor causal conhecido (derivado de meta-análises ou RCTs).
  • Limitação: Funciona bem para uma única intervenção em um único ponto no tempo, mas falha na consistência sequencial (o benefício é contado duas vezes se o paciente já estiver tratado na visita de acompanhamento).

• Modelo de Mediador Não Exposto (Unexposed Mediator Model):

  • Resolve o problema da consistência temporal. Em vez de usar o valor do mediador (ex.: Pressão Arterial Sistólica - PAS) após o tratamento, o modelo utiliza o valor do mediador na ausência de exposição à intervenção.
  • Isso garante que a previsão em visitas subsequentes seja consistente com a visita inicial, evitando o duplo contagem do efeito da intervenção.

• Modelo de Fator de Risco Modificável (Modifiable Risk Factor Model):

  • Aborda a flexibilidade para múltiplas intervenções. Assume uma estrutura causal conhecida (Diagrama Acíclico Direcionado - DAG) onde as intervenções atuam através de mediadores (fatores de risco modificáveis como PAS, IMC, colesterol).
  • Utiliza uma Hipótese de Consistência de Efeitos Indiretos: se duas intervenções diferentes produzem o mesmo efeito em um mediador, elas têm o mesmo efeito indireto no desfecho. Isso permite estimar riscos para intervenções não observadas baseando-se apenas na mudança esperada nos fatores de risco.
  • Limitação: A fixação de coeficientes causais pode levar a uma perda de desempenho preditivo (calibração).

• Modelo de Dois Componentes (Two-Component Model):

  • Combina um Modelo de Linha de Base Preditivo (que estima o risco factual na primeira visita usando coeficientes livres para máxima precisão) com um Modelo de Intervenção (que aplica as mudanças causais nos fatores de risco modificáveis).
  • O risco em visitas futuras é calculado como o risco basal (baseado nos valores iniciais) multiplicado pelo efeito causal das mudanças ocorridas desde a primeira visita.
  • Este modelo busca reconciliar a alta precisão preditiva com a consistência causal.

3. Contribuições Principais

• Framework Unificado: Apresentação de uma família de modelos que permite a avaliação de intervenções arbitrárias dentro de um contexto de predição sob intervenção, garantindo estimativas de risco causalmente consistentes em visitas repetidas.
• Solução para o "Duplo Contagem": Introdução do conceito de usar mediadores "não expostos" para manter a concordância temporal nas previsões.
• Flexibilidade Abstrata: Capacidade de modelar intervenções complexas (estilo de vida, múltiplos fármacos) sem precisar codificar cada uma explicitamente, baseando-se apenas nos seus efeitos sobre os fatores de risco intermediários.
• Reconciliação Causal-Preditiva: O modelo de dois componentes demonstra como manter a acurácia preditiva (baixo viés de calibração) enquanto se aplicam restrições causais para cenários contrafactuais.

4. Resultados

O framework foi aplicado a 4 milhões de indivíduos do Clinical Practice Research Datalink (CPRD) do Reino Unido, focando na prevenção primária de doenças cardiovasculares.

• Desempenho do Modelo de Offset: Produziu estimativas de risco inconsistentes ao longo do tempo (o risco calculado mudava arbitrariamente entre visitas devido ao duplo contagem do efeito do tratamento).
• Desempenho do Modelo de Mediador Não Exposto: Resolveu a inconsistência temporal mantendo uma boa discriminação (C-index ~0.88) e calibração.
• Desempenho do Modelo de Fator de Risco Modificável: Conseguiu acomodar múltiplas intervenções, mas apresentou problemas de calibração (Índice de Calibração Integrado - ICI = 0.005).
• Desempenho do Modelo de Dois Componentes: Resolveu as questões de calibração do modelo anterior, alcançando um ICI de 0.001 (excelente calibração) e mantendo alta discriminação (0.871).
• Exemplo Prático (Jane): Para uma paciente de 65 anos com diabetes e hipertensão, o modelo mostrou que a estimativa de risco sob intervenção variava significativamente dependendo do modelo utilizado. O modelo de dois componentes forneceu estimativas estáveis e clinicamente plausíveis para intervenções combinadas (dieta + medicação), reduzindo o risco estimado de ~18% para ~6.5%.

5. Significado e Conclusão

Este trabalho oferece uma solução pragmática para um dos maiores desafios na medicina de precisão: como usar modelos preditivos para simular o futuro sob diferentes cenários de tratamento sem sacrificar a precisão estatística ou a consistência lógica ao longo do tempo.

• Impacto Clínico: Permite que ferramentas de apoio à decisão clínica (como QRISK) evoluam para sistemas que não apenas preveem o risco, mas quantificam o benefício causal de intervenções específicas, mesmo em pacientes com histórico complexo de tratamentos.
• Limitações: O método depende da qualidade das estimativas causais de entrada, assume uma estrutura causal conhecida e requer a definição de uma "primeira visita" arbitrária como âncora para o modelo de dois componentes.
• Futuro: Os autores sugerem extensões bayesianas para incorporar a incerteza das estimativas causais e investigações sobre a plausibilidade da hipótese de consistência para intervenções ambíguas.

Em suma, o artigo estabelece um novo padrão metodológico para a integração de inferência causal e aprendizado de máquina em modelos de risco clínico dinâmicos.