Longitudinal Outcomes Truncated by Death: Causal Estimands and Bayesian Estimators

1. Formulação do Problema

Em ensaios clínicos para doenças graves e potencialmente fatais (por exemplo, Esclerose Lateral Amiotrófica - ELA), os desfechos longitudinais relatados pelo paciente (como qualidade de vida ou escores funcionais) são frequentemente truncados pela morte. Uma vez que um paciente morre, seu desfecho longitudinal torna-se indefinido. Isso cria um desafio fundamental na inferência causal:

• Falta de Ordenação: Não há uma maneira natural de ordenar um "paciente vivo com um escore específico" contra um "paciente falecido".
• Falta de Distância: É impossível definir uma métrica significativa (distância) entre uma mudança no escore funcional e o tempo de morte.
• Limitações Atuais: Os métodos existentes frequentemente dependem de comparações ingênuas de sobreviventes (introduzindo viés de seleção), desfechos compostos com interpretações causais pouco claras (por exemplo, Win Ratio), ou cenários hipotéticos que assumem que a morte pode ser evitada sem afetar a trajetória da doença (frequentemente clinicamente implausíveis).

O artigo argumenta que, sem um quadro unificado definindo o estimando causal (a quantidade específica sendo estimada) e as suposições necessárias para identificá-lo, a interpretação dos efeitos do tratamento nesses cenários permanece ambígua.

2. Metodologia

A. Quadro Causal e Estimandos

Os autores propõem um quadro baseado no paradigma de Resultados Potenciais e Estratificação Principal. Eles categorizam os pacientes em quatro estratos principais com base em sua sobrevivência potencial sob tratamento ($W=1$) e controle ($W=0$):

1. Sempre-sobreviventes ($LL$): Sobrevivem em ambos os casos.
2. Protegidos ($DL$): Morrem sob controle, sobrevivem sob tratamento.
3. Prejudicados ($LD$): Sobrevivem sob controle, morrem sob tratamento.
4. Nunca-sobreviventes ($DD$): Morrem em ambos os casos.

Eles revisam e formalizam quatro estimandos causais distintos:

1. Efeito Causal Médio Estratificado (SACE): O efeito médio do tratamento restrito ao estrato de Sempre-sobreviventes ($LL$). Isso preserva a métrica natural do desfecho longitudinal, mas requer a identificação do estrato não observável.
2. Tempo Médio de Sobrevivência Restrito (RMST): Um estimando baseado na sobrevivência que representa o tempo médio de sobrevivência até um horizonte específico.
3. Comparação Pareada (PC): Um estimando composto que trata a morte como o pior resultado possível. Calcula a probabilidade de um paciente selecionado aleatoriamente ter um desfecho composto "melhor" (sobrevivência + escore) sob tratamento do que sob controle. Depende da ordenação, mas evita definir uma métrica finita para todos os pares.
4. Mediana Incorporada à Sobrevivência (SIM): A mediana da distribuição de desfechos compostos. Tenta fornecer uma "magnitude" do efeito, mas pode ser indefinida (infinita) se uma grande proporção de pacientes morrer.

B. Abordagem de Estimação Bayesiana

Os autores desenvolvem um quadro baseado em modelo Bayesiano (usando a biblioteca PyMC) para estimar essas quantidades. Escolhas de modelagem chave incluem:

• Modelo de Sobrevivência: Um modelo de riscos proporcionais de constantes por partes Bayesiano para estimar probabilidades de sobrevivência ($S_{i,t}$) e identificar os estratos principais.
• Modelo Longitudinal: Um modelo de efeitos mistos lineares para o desfecho longitudinal, condicional ao paciente estar vivo.
• Ignorabilidade Principal: Uma suposição crítica que afirma que, condicional às covariáveis de base ($X$), o status de sobrevivência potencial é independente do desfecho longitudinal potencial. Isso permite a imputação de dados longitudinais faltantes para aqueles que morreram.
• Procedimento em Duas Etapas: O modelo de sobrevivência é estimado primeiro para gerar probabilidades de pertencer ao estrato de "sempre-sobreviventes". Essas probabilidades são então usadas como pesos na função de verossimilhança para o modelo longitudinal.
• Tratamento da Incerteza: Os estimadores contabilizam explicitamente a incerteza na membresia do estrato (por exemplo, um paciente observado sobrevivendo poderia teoricamente ter morrido sob o tratamento alternativo).

3. Contribuições Principais

1. Quadro Unificado: O artigo fornece um quadro causal abrangente que liga explicitamente a definição de estimandos às suposições subjacentes (por exemplo, Ignorabilidade Principal, Monotonicidade) necessárias para sua identificação.
2. Estimadores Bayesianos: Introduz estimadores Bayesianos novos para SACE, PC, SIM e RMST que lidam rigorosamente com a incerteza da membresia em estratos principais, evitando a classificação "rígida" frequentemente usada em abordagens frequentistas.
3. Esclarecimento de Trade-offs: Os autores demonstram que nenhum estimando único é perfeito.
   • SACE + RMST fornece uma imagem completa e multidimensional (separando efeitos de sobrevivência e funcionais), mas gera múltiplos números.
   • PC fornece uma única probabilidade escalar de benefício, mas depende da forte suposição de que a morte é estritamente pior do que qualquer escore funcional.
   • SIM é intuitivo, mas pode ser indefinido em cenários de alta mortalidade.
4. Implementação de Software: Os autores fornecem código de código aberto (repositório Truncation By Death Estimates) para facilitar a aplicação desses métodos.

4. Resultados

Estudo de Simulação

Os autores conduziram um estudo de simulação em quatro cenários (sem efeito, benéfico, efeitos mistos e censura) para validar os estimadores:

• RMST: Desempenhou-se de forma robusta em todos os cenários com cobertura precisa.
• SACE: Mostrou incerteza crescente (intervalos de credibilidade mais amplos) à medida que o número de mortes aumentou, refletindo a dificuldade de identificar o estrato de "sempre-sobreviventes". No entanto, quando combinado com RMST, forneceu uma imagem completa dos efeitos do tratamento em cenários "mistos" (onde o tratamento melhora a função, mas prejudica a sobrevivência, ou vice-versa).
• PC: Capturou com sucesso o trade-off entre sobrevivência e função. Em cenários mistos, a estimativa de PC mudou de >0,5 (benéfico) para <0,5 (prejudicial) à medida que a mortalidade aumentou sob tratamento.
• SIM: Frequentemente indefinido em cenários com altas taxas de mortalidade (devido a valores infinitos na distribuição), destacando suas limitações em contextos de doenças graves.

Aplicação a Dados de ELA (Ensaio Olesoxime)

Os métodos foram aplicados a um ensaio controlado randomizado de Olesoxime em pacientes com ELA ($N=512$).

• Achados: A análise ingênua (comparando apenas sobreviventes) mostrou um benefício modesto e não sustentado.
• Resultados Bayesianos:
  • SACE & RMST: Sugeriram um efeito benéfico do tratamento, embora os intervalos de credibilidade de 95% incluíssem o nulo.
  • PC & SIM: Mostraram efeitos mais pronunciados, particularmente aos 12 meses. A estimativa de PC foi de $0,53$ (IC 95%: $0,53, 0,60$), indicando uma probabilidade de um desfecho composto melhor favorecendo o tratamento.
• Desempenho do Modelo: A reconstrução de dados faltantes mostrou calibração adequada (Pontuação Brier Integrada), mas discriminação moderada, consistente com a dificuldade de prever a sobrevivência na ELA.

5. Significado e Conclusão

Este artigo aborda uma lacuna crítica na análise de ensaios clínicos para doenças fatais. Ao se afastar de abordagens puramente baseadas em modelos (como modelagem conjunta) em direção a abordagens baseadas em estimandos causais, os autores garantem que a questão estatística sendo respondida esteja alinhada com a questão clínica.

• Recomendação: Os autores recomendam o uso conjunto de SACE e RMST. Essa abordagem desembaraça o componente de sobrevivência do componente funcional longitudinal, reconhecendo a natureza inerentemente multifatorial dos efeitos do tratamento em doenças fatais.
• Impacto: O quadro ajuda reguladores (como FDA e EMA) e pesquisadores a interpretar dados complexos de ensaios onde a morte truncou o desfecho primário, prevenindo conclusões enganosas derivadas de análises ingênuas de sobreviventes ou escores compostos excessivamente simplistas.
• Trabalho Futuro: O quadro é notado como aplicável a outros eventos intercorrentes (por exemplo, não adesão ao tratamento) onde definir ordenação e distância é desafiador.