Causal Vaccine Effects on Post-infection Outcomes in the Naturally Infected

Resumo Técnico: Efeitos Causais de Vacinas em Resultados Pós-Infecção nos Naturalmente Infectados

1. O Problema

A avaliação completa do valor de uma vacina requer a quantificação não apenas da sua capacidade de prevenir a infecção, mas também de seus efeitos sobre os resultados clínicos após a infecção (resultados pós-infecção), como a gravidade da doença ou o uso de antibióticos.

O desafio central reside na definição de estimandos causais apropriados para esses resultados, pois a infecção é um mediador afetado pela vacinação. As abordagens existentes focam frequentemente no estrato "Condenado" (Doomed): indivíduos que seriam infectados independentemente de receberem a vacina ou o placebo.

• Limitação do Estrato Condenado: Esta abordagem subestima o benefício real da vacina, pois exclui indivíduos cujos resultados pós-infecção foram melhorados porque a vacina preveniu a infecção primária (o estrato "Protegido").
• Limitação do Efeito Marginal: A comparação de resultados entre todos os vacinados e não vacinados (efeito marginal) frequentemente falha em detectar efeitos significativos devido ao "efeito de diluição" causado pelo estrato "Imune" (indivíduos que não seriam infectados de qualquer forma), que compõe a maioria da população em muitos estudos.

O artigo propõe focar no estrato dos Naturalmente Infectados (Naturally Infected): indivíduos que seriam infectados na ausência da vacina. Este grupo inclui tanto os "Condenados" quanto os "Protegidos".

2. Metodologia e Estrutura de Identificação

Os autores desenvolvem uma estrutura de inferência causal baseada em estratificação principal para estimar efeitos nos Naturalmente Infectados, definidos como $E\{Y(1) - Y(0) \mid S(0) = 1\}$, onde $Y$ é o resultado pós-infecção e $S(0)=1$ indica infecção sob placebo.

A identificação desses efeitos enfrenta o problema de variáveis contrafactuais de "mundo cruzado" (cross-world), exigindo suposições adicionais. O artigo aborda isso através de três níveis de identificação:

A. Identificação Parcial (Limites)
Sem suposições adicionais além de randomização e monotonicidade, é possível derivar limites (bounds) para o efeito.

• Utiliza-se a distribuição observada de resultados em vacinados não infectados (que são uma mistura de Imunes e Protegidos) para delimitar os possíveis valores do resultado médio no estrato Protegido.
• Os limites são válidos, mas frequentemente amplos, especialmente em amostras menores.

B. Identificação Pontual via Restrição de Exclusão (Exclusion Restriction)

• Suposição: O resultado pós-infecção $Y$ não é afetado causalmente pela vacina na ausência de infecção ($Y(1, 0) = Y(0, 0)$).
• Aplicação: Permite identificar o efeito em subgrupos onde o resultado é estritamente necessário para a infecção (ex: gravidade da doença) ou quando se assume que a vacina não causa efeitos colaterais que imitam o resultado de interesse em não infectados.
• Resultado: O estimando torna-se identificável usando dados observados, sem necessidade de suposições sobre a ignorância principal.

C. Identificação Pontual via Ignorância Principal Parcial (Partial Principal Ignorability)

• Suposição: Condicionando-se a um conjunto de covariáveis $X$, o resultado potencial sob vacina no estrato Protegido é independente do status de infecção sob placebo ($Y(1) \perp S(0) \mid X, S(1)=0$).
• Vantagem: Esta suposição é mais fraca que a ignorância principal completa e permite identificar efeitos mesmo para resultados que não são estritamente necessários para a infecção (ex: uso de antibióticos para qualquer motivo).
• Sensibilidade: O artigo propõe análises de sensibilidade para avaliar a robustez dos resultados a violações desta suposição.

D. Interpretação Condicional à Exposição
Uma contribuição teórica crucial é mostrar que os mesmos funcionais de identificação podem ser interpretados como efeitos em indivíduos expostos a uma dose suficientemente infecciosa do patógeno. Isso evita a dependência direta de parâmetros de "mundo cruzado" fundamentalmente não testáveis, desde que se assuma que a exposição é necessária e suficiente para a infecção na ausência de vacina.

3. Estimação e Propriedades Estatísticas

Para a estimação, os autores desenvolvem estimadores de um passo (one-step estimators) baseados na função de influência eficiente (Efficient Influence Function - EIF).

• Robustez: Os estimadores são duplamente ou multiplicamente robustos. Por exemplo, o estimador baseado na ignorância principal parcial permanece consistente se qualquer combinação mínima de parâmetros de incômodo (nuisance parameters) for estimada consistentemente.
• Eficiência: Os estimadores alcançam a variância assintótica mínima (eficiência semiparamétrica) quando os modelos de parâmetros de incômodo são bem especificados.
• Métodos: Utilizam-se técnicas de aprendizado de máquina (Super Learner) para estimar os parâmetros de incômodo (probabilidades de infecção e médias de resultados condicionais), garantindo flexibilidade e robustez contra especificações de modelo incorretas.

4. Resultados Principais

Simulações:

• Os limites derivados cobrem o efeito verdadeiro, mas são amplamente largos em amostras pequenas.
• Os estimadores pontuais performam bem (viés baixo e cobertura nominal) quando suas suposições de identificação são satisfeitas.
• Em cenários onde a eficácia da vacina contra a infecção é moderada e a proporção de "Imunes" é alta, os testes baseados em efeitos marginais ou no estrato Condenado perdem poder estatístico. Em contraste, os estimadores baseados nos Naturalmente Infectados (especialmente sob ignorância principal parcial) mantêm alto poder para detectar efeitos protetores.
• O estimador semiparamétrico que assume simultaneamente restrição de exclusão e ignorância principal apresenta a menor variância.

Reanálise de Dados (Estudo PROVIDE - Vacina contra Rotavírus):

• Contexto: Ensaio clínico randomizado em Bangladesh avaliando o uso de antibióticos para diarreia.
• Achados:
  • As análises marginais e do estrato Condenado não encontraram evidências de efeito da vacina no uso de antibióticos.
  • As análises focadas nos Naturalmente Infectados, assumindo ignorância principal parcial, sugeriram um efeito protetor (redução de ~8% na probabilidade absoluta de uso de antibióticos), embora com significância marginal ($p \approx 0.07$).
  • Isso ilustra como a abordagem proposta pode revelar benefícios de vacinas que seriam mascarados em análises tradicionais devido à diluição pelo estrato Imune.

5. Significado e Contribuições

• Novo Paradigma de Estimando: O artigo estabelece os "Naturalmente Infectados" como um estimando causal mais relevante para avaliar o valor total de vacinas, capturando benefícios que ocorrem tanto na prevenção da infecção quanto na mitigação de sequelas.
• Solução para o Problema de Diluição: Oferece uma solução metodológica rigorosa para o problema de baixa potência estatística causado por altas taxas de imunidade de fundo em ensaios clínicos.
• Ponte entre Teoria e Prática: Ao conectar estratificação principal com conceitos de exposição condicional, o trabalho oferece uma interpretação causal mais intuitiva e potencialmente testável em cenários onde dados de exposição são coletados.
• Ferramentas Práticas: A disponibilização de pacotes R e códigos para estimação robusta e análise de sensibilidade facilita a adoção desses métodos pela comunidade de pesquisa em vacinas e doenças infecciosas.

Em suma, este trabalho fornece o arcabouço teórico e prático necessário para quantificar o impacto real de vacinas em desfechos pós-infecção, superando as limitações das abordagens tradicionais de estratificação principal e efeitos marginais.