Integration of Individual Participant and Aggregate Data Under Dataset Shift: Summary Statistic Comparison and Scalable Computation

1. Problema e Contexto

A integração de Dados de Participantes Individuais (IPD - Individual Participant Data) com Dados Agregados (AD - Aggregate Data) é uma estratégia crescente para sintetizar evidências de estudos heterogêneos. Enquanto o IPD oferece granularidade detalhada, seu acesso é frequentemente limitado por questões de privacidade e logística. O AD, composto por estatísticas de resumo de nível de estudo, é mais acessível, mas carece de detalhe.

O artigo aborda dois desafios principais nesta integração:

1. Influência da Forma do AD na Eficiência: A literatura existente foca em algoritmos de integração, mas pouco se discute como diferentes formas de estatísticas de resumo (AD) afetam a eficiência da inferência estatística.
2. Deslocamento de Conjunto de Dados (Dataset Shift): Frequentemente, o IPD e o AD provêm de populações, períodos ou fontes diferentes, resultando em distribuições conjuntas distintas de covariáveis e desfechos. Isso inclui deslocamento de covariáveis (diferenças na distribuição de $X$) e deslocamento de probabilidade a priori (diferenças na distribuição de $Y$, comum em estudos caso-controle ou mudanças temporais).

O objetivo é desenvolver um framework que maximize a eficiência da integração, identifique qual tipo de resumo agregado é superior e ofereça um método computacionalmente escalável para lidar com grandes volumes de restrições e deslocamentos de dados.

2. Metodologia

2.1. Estimativa de Máxima Verossimilhança Constrained (CMLE)

Os autores utilizam o framework de Estimativa de Máxima Verossimilhança Constrained (CMLE). Neste modelo:

• O IPD fornece a verossimilhança principal baseada em um modelo paramétrico $f(y|x; \beta)$.
• O AD é tratado como estimativas de parâmetros que satisfazem equações de estimação populacionais não viciadas.
• Essas equações são impostas como restrições na maximização da verossimilhança do IPD.
• A incerteza do AD é incorporada assumindo uma distribuição normal aproximada para as estatísticas de resumo, adicionando um termo quadrático à função de verossimilhança.

2.2. Comparação de Tipos de Dados Agregados

O estudo compara três categorias de estatísticas de resumo dentro do framework CMLE:

1. Médias Marginais: Médias gerais de desfechos ou covariáveis.
2. Resumos de Desfecho Estratificados por Covariável: Médias de $Y$ dentro de subgrupos definidos por $X$ (ex: média de renda por faixa etária).
3. Resumos de Covariáveis Estratificados por Desfecho: Médias de $X$ dentro de subgrupos definidos por $Y$ (ex: média de idade entre casos e controles, ou entre faixas de renda).

2.3. Modelagem de Dataset Shift

Para lidar com a heterogeneidade entre as fontes de dados, o artigo emprega um modelo geral de densidade de razão (biased-sampling formulation):

• Deslocamento de Covariável: A distribuição de $X$ muda, mas $f(y|x)$ permanece constante. O peso de amostragem depende apenas de $X$.
• Deslocamento de Probabilidade A Priori: A distribuição de $Y$ muda, mas $f(x|y)$ permanece constante. O peso de amostragem depende apenas de $Y$.
• O modelo unificado permite que o AD seja visto como uma amostra enviesada do IPD, utilizando funções de densidade de razão paramétricas (exponenciais) para estimar os parâmetros de deslocamento conjuntamente com o modelo principal.

2.4. Algoritmo Não Iterativo e Escalável

Um desafio computacional do CMLE tradicional é a necessidade de resolver sistemas de multiplicadores de Lagrange de alta dimensão iterativamente, o que é instável e lento.

• Os autores desenvolvem um algoritmo rápido e não iterativo, baseado na expansão linear assintótica dos estimadores.
• O método calcula o estimador CMLE em um único passo, utilizando um estimador inicial (MLE não restrito) e ajustando-o com base nas informações do AD e nos multiplicadores de Lagrange estimados uma única vez.
• Isso elimina a necessidade de iterações de Newton-Raphson para multiplicadores, melhorando drasticamente a estabilidade numérica e a escalabilidade para conjuntos de dados com muitas restrições.

3. Contribuições Principais

1. Hierarquia de Eficiência: Demonstração teórica e empírica de que resumos de covariáveis estratificados por desfecho (outcome-stratified covariate summaries) oferecem ganhos de eficiência substancialmente maiores do que resumos estratificados por covariável ou médias marginais, especialmente para desfechos contínuos.
2. Generalização para Dataset Shift: Extensão do framework CMLE para lidar simultaneamente com incerteza do AD e deslocamento de dados (covariável e probabilidade a priori), utilizando modelos de razão de densidade semiparamétricos.
3. Solução Computacional: Desenvolvimento de um algoritmo de um único passo (não iterativo) que torna a integração de IPD e AD viável em cenários de alta dimensão, onde métodos tradicionais falhariam devido a instabilidade numérica.
4. Recomendação Prática: Evidência forte para a inclusão rotineira de resumos estratificados por desfecho em relatórios de ensaios clínicos e repositórios de dados públicos, mesmo para desfechos contínuos (algo atualmente raro).

4. Resultados

4.1. Estudos de Simulação

• Sem Deslocamento: A integração de dados agregados estratificados por desfecho (ex: médias de covariáveis em quartis do desfecho) resultou nos menores desvios padrão e maiores eficiências relativas, superando consistentemente as médias marginais e os resumos estratificados por covariável.
• Com Deslocamento: Sob deslocamento de covariável e probabilidade a priori, o método proposto manteve estimativas não viciadas.
  • Sob deslocamento de probabilidade a priori, médias marginais de covariáveis ($E(X)$) forneceram pouca informação sobre os parâmetros de interesse, enquanto os resumos estratificados por desfecho continuaram a oferecer ganhos significativos de eficiência.
  • O algoritmo não iterativo demonstrou estabilidade numérica superior e convergência rápida.

4.2. Exemplos Empíricos

1. Análise de Dados do NLSY (Renda):
   • Integrou dados individuais de 2019 (NLSY97) com estatísticas agregadas de 1979 (NLSY79), enfrentando um deslocamento de covariável (diferenças demográficas entre as coortes).
   • O uso de médias de covariáveis estratificadas por quartis de renda resultou em ganhos de eficiência de até 408% para o intercepto em comparação com o MLE padrão, reduzindo significativamente os erros padrão das estimativas de coeficientes.
2. Análise de Preços Imobiliários no Japão:
   • Integrou dados de transações de 2019 com estatísticas de 2018, lidando com um deslocamento de probabilidade a priori (viés de seleção de imóveis vendidos).
   • Novamente, os resumos estratificados por desfecho (quartis de preço) forneceram as estimativas mais precisas, com ganhos de eficiência consistentes em relação a outros tipos de resumos.

5. Significado e Implicações

O artigo fornece uma base metodológica robusta para a síntese de evidências em um mundo onde o acesso a dados individuais é limitado.

• Para Estatísticos e Metodologistas: Oferece um framework unificado que lida com heterogeneidade de dados e resolve problemas de escalabilidade computacional em modelos de verossimilhança constrained.
• Para Pesquisadores Clínicos e Epidemiologistas: A conclusão mais prática é a recomendação de mudança na prática de relatórios. Em vez de apenas reportar médias gerais ou tabelas de características basais, os autores defendem que resumos de covariáveis estratificados pelo desfecho (ex: distribuição de idade entre faixas de renda, ou distribuição de biomarcadores entre casos e controles) devem ser padrão em publicações, mesmo para desfechos contínuos. Isso permitiria que futuros meta-análises integradas extraíssem muito mais informação estatística de dados públicos existentes.
• Para Repositórios de Dados: A curadoria de dados públicos deve priorizar a disponibilização desses resumos estratificados para facilitar a reutilização eficiente dos dados.

Em suma, o trabalho transforma a maneira como dados agregados são utilizados, demonstrando que a forma como os dados são resumidos é tão crítica quanto a quantidade de dados disponíveis, e fornece as ferramentas computacionais para explorar essa informação de forma robusta.