Observing the unobserved confounding through its effects: toward randomized trial-like estimates from real-world survival data

Resumo Técnico: Observando o Confundimento Não Observado através de seus Efeitos

1. O Problema

Estudos observacionais baseados em dados do mundo real são cada vez mais utilizados para estimar efeitos de tratamentos, especialmente quando Ensaios Clínicos Randomizados (ECRs) são inviáveis, caros ou não representativos da prática contemporânea. No entanto, essas análises sofrem de confundimento não observado (unobserved confounding).

• Limitação Atual: Métodos padrão (regressão, pareamento, ponderação) ajustam-se apenas para covariáveis observadas. Se fatores prognósticos importantes não forem medidos ou registrados (ex.: fragilidade não documentada, julgamento clínico sutil, agressividade tumoral latente), os grupos de tratamento podem permanecer desbalanceados em aspectos críticos.
• Consequência: Isso leva a estimativas de efeito de tratamento enviesadas ou enganosas, que podem contradizer evidências de ECRs.
• Desafio: Por definição, não é possível ajustar diretamente para variáveis que não foram medidas. O artigo propõe uma solução para inferir e equilibrar indiretamente esses fatores latentes.

2. Metodologia Proposta

Os autores desenvolveram um framework de três etapas para transformar uma coorte observacional em uma população que mimetiza as condições de um ECR, equilibrando tanto covariáveis observadas quanto um fator prognóstico latente inferido.

Etapa 1: Construção do Fator Latente ($\tilde{U}$)
O objetivo é estimar um escalar $\tilde{U}_i$ que capture a parte do desfecho do paciente $i$ que não pode ser explicada pelas covariáveis observadas.

• Lógica: O método identifica "vizinhos" de um paciente (pacientes com características observadas e atribuição de tratamento semelhantes). Se dois pacientes com perfis observados idênticos e mesmo tratamento têm trajetórias de sobrevivência divergentes, essa discrepância é atribuída a fatores não observados.
• Construção Direcional:
  • Para pacientes que tiveram o evento (ex.: recidiva), os vizinhos são selecionados entre aqueles que sobreviveram mais tempo.
  • Para pacientes censurados, os vizinhos são selecionados entre aqueles que tiveram o evento antes.
  • Isso garante que o sinal do resíduo reflita a direção do risco latente (valores negativos indicam risco latente maior; positivos, proteção latente).
• Métrica de Saída: Utiliza-se o Tempo Médio de Sobrevivência Restrito (RMST) estimado via pseudo-observações jackknife como o sinal de desfecho ($Y_i$), pois é robusto à censura.
• Normalização: Os valores brutos são normalizados dentro de cada braço de tratamento para o intervalo $[-1, 1]$, preservando a interpretação direcional e permitindo a comparação entre braços.

Etapa 2: Equilíbrio (Balancing) dos Braços de Tratamento
Após inferir $\tilde{U}$, o método equilibra as coortes tratadas e não tratadas considerando tanto as covariáveis observadas ($X$) quanto o fator latente ($\tilde{U}$). Foram testadas três estratégias de equilíbrio:

1. Pareamento Prognóstico seguido de Ponderação: Estratificação por escore prognóstico, pareamento 1:1, e aplicação de um peso escalar para alinhar a média de $\tilde{U}$ entre os grupos.
2. Equilíbrio de Entropia (Entropy Balancing): Reponderação dos controles para que os momentos (médias e variâncias) de $X$, do escore prognóstico e de $\tilde{U}$ correspondam aos do grupo tratado.
3. Ponderação por Propensão Inversa (IPTW): Ajuste de pesos para controles baseado em um modelo de regressão logística que inclui $X$ e $\tilde{U}$.

Etapa 3: Análise Multivariada
Após o equilíbrio, estima-se o efeito do tratamento usando um modelo de Cox proporcional de riscos nos dados ponderados.

• Nota Importante: O fator $\tilde{U}$ não é incluído como covariável no modelo final de Cox. Sua influência já foi incorporada através dos pesos de equilíbrio. Incluí-lo diretamente no modelo final causaria instabilidade devido à forte associação entre $\tilde{U}$ e o desfecho.

3. Contribuições Principais

• Inferência de Fatores Latentes: Propõe uma maneira prática de inferir e quantificar o efeito agregado de fatores não observados sem precisar identificar cada fator individualmente.
• Validação em Múltiplos Cenários: O framework foi testado em três configurações complementares:
  1. Coortes observacionais com benchmarks de ECRs (para verificar se as estimativas se aproximam da "verdade").
  2. Coortes de ECRs (como controle negativo: o método não deve alterar significativamente as estimativas, pois o confundimento já é balanceado por randomização).
  3. Coortes multicêntricas (para verificar a redução de heterogeneidade entre centros).
• Generalidade: O método funciona independentemente da estratégia de equilíbrio escolhida (Pareamento, Entropia ou IPTW) e de diferentes modelos prognósticos de entrada.

4. Resultados

A. Coortes Observacionais (Comparação com ECRs)

• Em três coortes oncológicas (GIST, Sarcoma Retroperitoneal - RPS, Metástases Hepáticas Colorretais - CRLM), o ajuste por $\tilde{U}$ melhorou consistentemente a concordância com os Hazard Ratios (HRs) de referência dos ECRs.
• Melhoria Quantitativa: Nas configurações mais fortes, o erro absoluto do log-HR foi reduzido em aproximadamente 10 vezes em comparação ao ajuste apenas por covariáveis observadas (redução média de 0,344; $p=0,001$).
• Em 9 de 9 comparações (3 coortes $\times$ 3 métodos de equilíbrio), a adição de $\tilde{U}$ reduziu o erro em relação ao benchmark.

B. Coortes de ECRs (Controle Negativo)

• Em dois ECRs (STRASS e BRT), onde o confundimento deveria ser inexistente por design, a inclusão de $\tilde{U}$ não distorceu significativamente as estimativas de HR.
• O fator $\tilde{U}$ permaneceu balanceado entre os braços de tratamento (maioria dos SMDs < 0,1), confirmando que ele captura prognóstico latente e não ruído aleatório ou viés de seleção artificial.

C. Consistência Multicêntrica (CRLM)

• Redução de Heterogeneidade: O ajuste por $\tilde{U}$ reduziu a dispersão entre centros nas estimativas de HR da quimioterapia adjuvante (redução média de 0,147; $p=0,016$), indicando que parte do viés de seleção de tratamento dentro dos centros era compartilhado e capturado pelo fator latente.
• Diferenças de Caso (Case Mix): Em comparações diretas entre centros, onde o ajuste apenas por covariáveis observadas aumentou a diferença de sobrevivência (sugerindo que fatores não observados mascaravam diferenças reais), a adição de $\tilde{U}$ reduziu essa lacuna em 75% a 100% das comparações informativas.

5. Significado e Implicações

• Viabilidade Prática: O framework oferece uma estratégia viável para fortalecer a inferência causal em dados do mundo real quando ECRs não estão disponíveis ou são limitados.
• Superação de Limitações: Permite que análises observacionais se aproximem mais das estimativas de efeitos de tratamento de ensaios randomizados, especialmente em cenários onde modelos prognósticos tradicionais têm baixa discriminação (ex.: sarcomas).
• Aplicação Clínica: Pode ser usado para reavaliar debates clínicos não resolvidos e apoiar a oncologia de precisão, identificando subgrupos com benefício diferencial de tratamento em grandes coortes do mundo real.
• Limitações: O método não corrige viés de tempo imortal (immortal time bias) por si só e não elimina todas as fontes de viés, mas é eficaz para lidar com a heterogeneidade prognóstica residual.

Em suma, o estudo demonstra que é possível "observar o não observado" inferindo um sinal latente a partir de discrepâncias de desfecho entre pacientes semelhantes, melhorando significativamente a confiabilidade das estimativas de tratamento em dados observacionais.