Tree models for covariate-dependent method agreement with repeated measurements in clinical research

Título: Modelos de Árvore para Acordo de Método Dependente de Covariáveis com Medições Repetidas em Pesquisa Clínica

1. Problema e Contexto

Na pesquisa clínica, a análise de Bland-Altman (BA) é o padrão-ouro para avaliar o acordo entre duas ou mais técnicas de medição. Tradicionalmente, essa análise assume que o acordo (viés e limites de acordo) é homogêneo entre todos os sujeitos, independentemente de características internas ou externas. No entanto, essa suposição implícita é frequentemente inválida, pois o acordo pode variar dependendo de características do paciente (ex.: idade, IMC, comorbidades) ou do contexto experimental.

Além disso, estudos clínicos frequentemente envolvem medições repetidas por sujeito (replicatas), o que introduz complexidade estatística adicional (variação intra-sujeito e inter-sujeito) que os modelos de árvore convencionais não tratam adequadamente quando aplicados ao acordo de métodos. O trabalho anterior dos autores (Karapetyan et al., 2025) já havia abordado medições únicas, mas faltava uma extensão robusta para o caso comum de medições repetidas.

2. Metodologia: COAT (Conditional Method Agreement Trees)

Os autores propõem uma nova abordagem baseada em Árvores de Acordo Condicional de Método (COAT), que estende a modelagem multivariada para medições repetidas.

• Fundamento Teórico: O método utiliza Árvores de Inferência Condicional (CTree) de Hothorn et al. (2006). A inovação reside na transformação dos dados de saída (outcome) para capturar os parâmetros da análise de Bland-Altman condicionais às covariáveis ($E(Y|X)$ e $Var(Y|X)$).
• Tratamento de Medições Repetidas:
  • O modelo decompõe a variância em componentes específicos do sujeito: variância entre sujeitos e variância dentro do sujeito (erro de medição).
  • Distingue-se entre dois cenários, conforme definido por Bland e Altman:
    1. Medições Não Emparelhadas: O valor verdadeiro é constante, mas há múltiplas medições de cada método. O viés é a média das diferenças das médias por sujeito.
    2. Medições Emparelhadas: O valor verdadeiro varia (ex.: débito cardíaco ao longo do tempo), mas as medições dos dois métodos são pareadas no tempo. O viés é uma média ponderada.
• Função de Transformação ($h(\cdot)$): Para cada cenário, define-se uma função de transformação que alimenta a árvore. Esta função calcula componentes individuais por sujeito para o viés e a variância total (combinando variância entre e dentro dos sujeitos). A árvore então particiona os dados para encontrar subgrupos onde esses parâmetros mudam significativamente em função das covariáveis.
• Implementação: O método está disponível no pacote R de código aberto coat.

3. Contribuições Principais

1. Generalização para Medições Repetidas: Estende a modelagem de acordo condicional de medições únicas para o cenário mais complexo e comum de medições repetidas, lidando corretamente com a estrutura hierárquica dos dados.
2. Modelagem Conjunta de Viés e Variância: Diferente de árvores padrão que modelam apenas a média, o COAT modela simultaneamente o viés ($E(Y|X)$) e a variância ($Var(Y|X)$), permitindo a detecção de heterogeneidade tanto na média das diferenças quanto na precisão (largura dos Limites de Acordo - LoA).
3. Validação Estatística: O método utiliza testes de permutação assintóticos, garantindo controle do erro Tipo I e permitindo testes de significância estatística para a dependência do acordo em relação às covariáveis.
4. Ferramenta Prática: Disponibilização do pacote coat para a comunidade científica.

4. Resultados

• Estudo de Simulação:
  • Controle de Erro Tipo I: O COAT manteve o erro Tipo I no nível nominal (0,05) em cenários nulos (sem associação real), tanto para medições emparelhadas quanto não emparelhadas.
  • Poder e Precisão: O método demonstrou alta capacidade de detectar subgrupos heterogêneos. O Índice Rand Ajustado (ARI), que mede a concordância entre os subgrupos estimados e os verdadeiros, atingiu valores próximos de 0,9 em amostras maiores.
  • Comparação com CTree Padrão: O COAT superou significativamente a árvore de inferência condicional padrão (CTree) quando a covariável influenciava a variância (Limites de Acordo). Em cenários onde apenas o viés variava, o CTree padrão teve ligeiramente mais poder (devido a menos graus de liberdade no teste), mas o COAT permaneceu robusto.
• Aplicação Clínica (Débito Cardíaco):
  • Utilizando dados de 51 pacientes submetidos a cirurgia cardíaca, comparou-se um método invasivo (cateter de artéria pulmonar - CO-PAC) com um método não invasivo (sistema NiCCI - CO-FC).
  • Achados: O acordo entre os métodos não foi homogêneo.
    • O acordo foi melhor (menor viés e LoA mais estreitos) para valores de débito cardíaco mais baixos ($\leq 6,5$ L/min).
    • Em análises exploratórias (sem correção rigorosa de múltiplos testes), sugeriu-se que características como sexo, peso e idade podem influenciar o acordo, embora alguns resultados precisem de validação futura.
  • O método também foi usado para um teste de duas amostras, mostrando que não houve diferença significativa no acordo entre pacientes com e sem doença vascular ($p=0,705$).

5. Significado e Conclusão

O artigo estabelece que o acordo entre métodos de medição clínica raramente é universal e pode depender criticamente das características do paciente e do contexto da medição. O COAT fornece uma ferramenta estatisticamente rigorosa para:

• Identificar subgrupos de pacientes onde um método de medição é confiável e onde não é.
• Evitar conclusões errôneas de "acordo geral" que mascaram falhas em subpopulações específicas.
• Melhorar a segurança do paciente ao guiar a escolha da tecnologia de medição baseada em características individuais.

A abordagem é teoricamente fundamentada, validada por simulações e prontamente aplicável através do software R, representando um avanço significativo na metodologia de estudos de comparação de métodos na pesquisa clínica.