Dealing with positivity violations in mediation analysis via weighted controlled effects, with application to assessing immune correlates of protection in antigen-experienced participants

Este artigo propõe uma abordagem de risco controlado ponderado para superar violações da suposição de positividade em análises de mediação causal em populações com experiência prévia de antígeno, validando o método por meio de simulações e aplicando-o à reanálise de títulos de anticorpos neutralizantes contra a variante Omicron BA.4/BA.5 no ensaio COVAIL.

O essencial

Imagine que você é um chef de cozinha tentando descobrir qual ingrediente secreto faz o bolo ficar perfeito. No mundo das vacinas, esse "ingrediente secreto" é a resposta do nosso sistema imunológico (como os anticorpos) que nos protege da doença.

Os cientistas querem saber: "Se conseguíssemos forçar a resposta imunológica de todas as pessoas a ter um nível X, o risco de ficar doente diminuiria?"

Até agora, essa pergunta era fácil de responder em pessoas que nunca tinham visto o vírus antes (como no início da pandemia de COVID). Mas, com o tempo, muitas pessoas já tinham sido vacinadas ou pegaram o vírus antes. Isso criou um problema matemático chamado "violação da positividade".

Vamos usar uma analogia simples para entender o problema e a solução proposta por He e Zhang:

1. O Problema: A Regra do "Não Pode Descer"

Imagine que a sua resposta imunológica é como o nível de água em um balde.

• Pessoas novas (sem contato prévio): O balde está vazio. Você pode encher até qualquer nível que quiser (1 litro, 5 litros, 10 litros). É fácil imaginar um cenário onde você define o nível da água.
• Pessoas experientes (já vacinadas ou infectadas): O balde já tem água nele (digamos, 3 litros). A ciência diz que, ao vacinar essas pessoas, o nível de água só vai subir ou ficar igual. É fisicamente impossível (ou extremamente improvável) que a vacina faça o nível de água descer para 1 litro.

O método antigo tentava perguntar: "O que aconteceria se fizéssemos o nível de água de todos ser 1 litro?"
Para as pessoas que já tinham 3 litros, essa pergunta não faz sentido. É como perguntar: "O que aconteceria se eu fizesse um homem de 1,80m ter 1,50m de altura?" A matemática quebra porque esse cenário é impossível para aquele grupo. Isso é a violação da positividade.

2. A Solução: O Filtro Inteligente (Pesos)

Os autores criaram um novo método chamado "Efeitos Controlados Ponderados" (Weighted Controlled Effects).

Em vez de tentar forçar a pergunta impossível sobre todo o mundo, eles dizem:
"Vamos focar apenas nas pessoas para quem essa pergunta faz sentido."

• A Analogia do Filtro: Imagine que você quer testar se um carro consegue subir uma montanha de 500 metros.
  • Se você tiver um carro pequeno que só chega a 300 metros, ele não consegue fazer o teste.
  • O método antigo tentava calcular a média de todos os carros, incluindo os que não chegam nem perto, o que distorcia o resultado.
  • O novo método coloca um filtro. Ele diz: "Vamos olhar apenas para os carros que têm uma chance real de chegar a 500 metros". Ele ignora (ou dá peso zero) para os carros que estão muito abaixo.

Na prática, o método cria um "grupo relevante". Se você quer saber o efeito de ter 100 unidades de anticorpos, o método olha apenas para as pessoas que, ao serem vacinadas, têm uma chance realista de chegar a essas 100 unidades. Ele não tenta adivinhar o que aconteceria com quem só consegue chegar a 50.

3. Como eles fizeram isso na vida real?

Eles aplicaram essa ideia nos dados do estudo COVAIL, que analisou vacinas de reforço contra a COVID-19 (especialmente contra a variante Ômicron).

• O Cenário: Milhares de pessoas já tinham sido vacinadas ou infectadas antes de receberem o reforço. Elas já tinham um "nível de água" no balde.
• A Aplicação: Os pesquisadores usaram o novo método para perguntar: "Se pudéssemos garantir que as pessoas que conseguem atingir um nível alto de anticorpos (digamos, 3,8 no teste) realmente atingissem esse nível, qual seria a proteção contra a doença?"

4. O Que Eles Descobriram?

• Mais anticorpos = Menos doença: Para o grupo de pessoas que poderia atingir níveis altos de anticorpos, aumentar esse nível realmente reduzia o risco de ficar doente.
• O efeito direto: Eles também descobriram que a vantagem de uma vacina nova (com a variante Ômicron) em relação à antiga (Protótipo) não vinha apenas de mudar o nível de anticorpos, mas de outros mecanismos. Ou seja, a vacina nova funcionava bem, mas não necessariamente porque "empurrava" o nível de anticorpos para cima de forma diferente, e sim por outros fatores.

Resumo em uma frase

Este artigo criou uma nova ferramenta matemática que permite aos cientistas fazer perguntas sobre vacinas em pessoas que já tiveram contato com o vírus, ignorando os cenários impossíveis e focando apenas nas pessoas para quem a pergunta faz sentido, assim como um cozinheiro que testa uma receita apenas nos ingredientes que realmente funcionam juntos.

Por que isso importa?
Isso ajuda a desenvolver vacinas melhores para o futuro, especialmente para idosos ou pessoas que já tiveram a doença, garantindo que os testes científicos não sejam distorcidos por perguntas que a biologia não consegue responder.

Resumo técnico

Resumo Técnico: Lidando com Violações de Positividade na Análise de Mediação via Efeitos Controlados Ponderados

Título Original: Dealing with positivity violations in mediation analysis via weighted controlled effects, with application to assessing immune correlates of protection in antigen-experienced participants
Autores: Qijia He e Bo Zhang

1. O Problema: Violação da Suposição de Positividade em Populações Antígeno-Experienciadas

A análise de mediação causal tornou-se fundamental na pesquisa de vacinas para avaliar biomarcadores imunológicos (correlatos de proteção). O método padrão, baseado em efeitos controlados (Gilbert et al., 2023), estima o risco de um desfecho clínico sob cenários contrafactuais onde a população é vacinada e os níveis de marcadores imunológicos pós-vacinação são fixados em valores específicos.

No entanto, este framework enfrenta um desafio crítico em populações não ingênuas (antígeno-experienciadas), comuns em ensaios de vacinas de reforço (ex.: COVID-19, dengue, influenza). Nestes grupos, os participantes possuem imunidade basal (de infecções ou vacinas anteriores).

• A Violação: A suposição de positividade exige que, condicional às covariáveis, cada indivíduo tenha probabilidade não nula de receber qualquer nível do mediador. Em populações não ingênuas, é biologicamente implausível conceber uma intervenção que reduza o marcador imunológico pós-vacinação para um nível abaixo da sua linha de base (ex.: não é possível "forçar" um anticorpo a cair abaixo do nível basal existente).
• Consequência: Tentar estimar efeitos controlados para níveis de marcadores abaixo da linha de base resulta em estimativas instáveis ou inválidas, pois a probabilidade condicional $P(S=s | A, B, X)$ torna-se zero para certos subgrupos.

2. Metodologia Proposta: Efeitos Controlados Ponderados e "Trimmed"

Os autores propõem uma generalização do framework de efeitos controlados, introduzindo uma abordagem de risco controlado ponderado (Weighted Controlled Risk) que foca em subpopulações "relevantes".

Conceitos Chave:

• Subpopulação Relevante: Em vez de tentar estimar o risco para toda a população (incluindo aqueles que nunca atingiriam um certo nível de marcador), o método restringe a inferência aos indivíduos que têm uma probabilidade pré-especificada ($t$) de atingir o nível do marcador $S=s$ dado o tratamento $A=a$.
• Ponderação e "Trimming" (Corte): Utiliza-se uma função de ponderação baseada na probabilidade de receber o mediador. Indivíduos com probabilidade abaixo de um limiar $t$ são "cortados" (excluídos) da estimativa.
• Suavização (Smoothing): Para lidar com a não diferenciabilidade das funções indicadoras (usadas no corte) e do mediador contínuo, os autores aplicam:
  1. Uma função suave $\phi$ (aproximação da função indicadora via CDF Normal) para o limiar de probabilidade.
  2. Um kernel $K_h$ para suavizar sobre o nível contínuo do mediador $S$.

Estimadores Propostos:

1. STWCR (Smoothed Trimmed Weighted Controlled Risk): Estima o risco médio potencial para uma subpopulação definida por um nível de marcador $s$ e um limiar de probabilidade $t$.
2. STWCRVE (Smoothed Trimmed Weighted Controlled Relative Vaccine Efficacy): Compara dois cenários de intervenção (ex.: duas vacinas ou dois níveis de marcador) sobre a subpopulação relevante para ambos os cenários.
   • A fórmula envolve o numerador e denominador ponderados, suavizados e integrados sobre o suporte do mediador.

Inferência Estatística:

• Os autores derivam as Funções de Influência Eficientes (EIF) para os estimadores propostos.
• Utilizam estimadores de um passo (one-step) com cross-fitting (divisão da amostra em folds para estimar funções de incômodo e evitar overfitting), garantindo propriedades assintóticas de normalidade e consistência.
• Intervalos de confiança são construídos usando a distribuição assintótica normal ou transformações logarítmicas para garantir limites dentro do domínio válido.

3. Contribuições Principais

1. Solução para Violação de Positividade em Mediação: Estende a literatura de propensity score trimming (anteriormente focada em exposição pontual) para o contexto de análise de mediação causal, onde a violação é estrutural devido à relação unidirecional entre imunidade basal e resposta pós-vacinação.
2. Definição Causal Rigorosa para Populações Não Ingênuas: Oferece uma definição causal válida para efeitos controlados em cenários onde a comparação direta de riscos é impossível para toda a população, focando em subpopulações onde a intervenção é plausível.
3. Desenvolvimento Teórico e Prático:
   • Derivação formal das EIFs para estimadores suavizados e ponderados.
   • Prova de consistência e normalidade assintótica.
   • Implementação de código R disponível publicamente.
4. Aplicação em Dados Reais: Validação do método no ensaio clínico COVAIL (Coronavirus Variant Immunologic Landscape), reanalisando correlatos de proteção para vacinas de reforço contra variantes da COVID-19.

4. Resultados

Simulações:

• Foram realizados estudos de simulação baseados na estrutura do ensaio COVAIL, variando o tamanho da amostra (1.000 a 5.000) e a distribuição do marcador basal (discreto e contínuo).
• Desempenho: Os estimadores propostos apresentaram viés baixo e cobertura de intervalos de confiança próxima do nível nominal (95%) na maioria dos cenários.
• Limitações de Fronteira: O desempenho deteriorou-se quando os níveis de marcador ($s$) estavam próximos dos limites da distribuição (onde a subpopulação relevante é muito pequena), mas o aumento do tamanho da amostra mitigou esse problema.

Aplicação no Ensaio COVAIL:

• Contexto: Análise de anticorpos neutralizantes (nAb-ID50) contra a variante Omicron BA.4/BA.5 em participantes que já tinham imunidade basal.
• Achados:
  • A análise de STWCRVE mostrou que, dentro da subpopulação relevante, níveis mais altos de anticorpos neutralizantes (pico) estão associados a um risco controlado menor.
  • A análise de Efeitos Diretos Controlados (comparando vacinas contendo Omicron vs. vacina protótipo, mantendo o nível de marcador constante) não encontrou evidências significativas de efeitos diretos da vacina além do mediador, sugerindo que a eficácia é majoritariamente mediada pela resposta de anticorpos.
  • Os intervalos de confiança foram mais amplos nas extremidades da distribuição de marcadores, refletindo a menor quantidade de dados nessas subpopulações específicas.

5. Significância e Implicações

Este trabalho é crucial para a vacinação moderna, onde a maioria dos ensaios clínicos envolve populações com histórico de exposição (reforços, infecções prévias).

• Viabilidade Analítica: Permite que pesquisadores utilizem o framework de efeitos controlados (padrão-ouro para correlatos de proteção) em cenários onde a suposição de positividades seria violada, evitando a necessidade de ignorar a imunidade basal (o que introduziria viés de confusão) ou abandonar a abordagem de mediação.
• Interpretação Causal: Fornece uma interpretação clara: os resultados aplicam-se a subgrupos de pacientes para os quais a intervenção imunológica é biologicamente plausível. Embora essas subpopulações não sejam diretamente "acionáveis" na prática clínica individual (não se sabe a priori quem pertence a qual subgrupo), a estimativa do risco relativo dentro delas oferece insights vitais sobre os mecanismos imunológicos e a eficácia da vacina.
• Futuro: Abre caminho para o uso de métodos de intervenção estocástica ou ponderação em outros contextos biomédicos onde mediadores contínuos dependem de características basais de forma unidirecional.

Em resumo, He e Zhang propõem uma solução estatística elegante e rigorosa para um problema prático comum na imunologia de vacinas, permitindo a avaliação precisa de biomarcadores de proteção em populações complexas e não ingênuas.