Generalizing conditional average treatment effects from nested randomized trials to all trial-eligible individuals

Resumo Técnico: Generalização dos Efeitos Médios Condicionais do Tratamento a partir de Ensaios Randomizados Aninhados

Declaração do Problema
Ensaios controlados randomizados (ECRs) frequentemente recrutam participantes cujas características diferem da população-alvo mais ampla de indivíduos elegíveis ao ensaio. Embora os métodos existentes de generalização se concentrem principalmente na estimativa do Efeito Médio do Tratamento (EMT) na população-alvo, tais resumos podem obscurecer heterogeneidades importantes relevantes para a tomada de decisões clínicas e políticas. Especificamente, quando modificadores de efeito chave diferem entre o ensaio e a população-alvo, o efeito do tratamento estimado dentro do ensaio pode não ser aplicável à população mais ampla. Além disso, as abordagens existentes para generalizar o Efeito Médio Condicional do Tratamento (EMCT) têm dependido largamente de especificações paramétricas ou restringido a análise a subgrupos discretos, tornando-as difíceis de aplicar ao estimar EMCTs como funções de covariáveis contínuas ou múltiplas. Adicionalmente, os métodos padrão de estimação semiparamétrica de EMCT tipicamente assumem que a população do estudo coincide com a população-alvo, falhando em abordar a participação seletiva no ensaio.

Metodologia
Os autores propõem um framework semiparamétrico unificado para estimar o EMCT em uma população-alvo de indivíduos elegíveis ao ensaio sob um desenho de ensaio aninhado (onde os participantes do ensaio são recrutados de uma coorte mais ampla). A metodologia distingue entre variáveis usadas para ajustar a participação seletiva no ensaio e variáveis usadas para definir a heterogeneidade do efeito do tratamento.

A abordagem procede em duas etapas:

1. Primeira Etapa (Estimação de Parâmetros de Incômodo e Construção de Pseudo-Resultados): Os autores utilizam métodos adaptativos aos dados (aprendizado de máquina) para estimar funções de incômodo necessárias, incluindo o mecanismo de seleção do ensaio $P(S=1|X)$, a probabilidade de atribuição do tratamento $P(A|X,S=1)$ e a regressão de desfecho $E(Y|A,X,S=1)$. Usando essas estimativas, eles constroem pseudo-resultados baseados na função de influência condicional derivada do estimando-alvo. Essa derivação depende da função de influência condicional $\phi_{EMCT}(O)$, que serve como uma equação de estimação ortogonal de Neyman condicional.
2. Segunda Etapa (Regressão Linear Local): Os pseudo-resultados construídos são regredidos sobre os modificadores de efeito selecionados ($V$) usando regressão local linear (kernel). Isso permite a estimativa de uma função EMCT suave sem exigir a discretização de covariáveis ou especificação paramétrica do modelo de EMCT.

Para garantir inferência assintótica válida e reduzir o viés de sobreajuste, o algoritmo emprega divisão de amostra e ajuste cruzado. Os dados são particionados em subconjuntos disjuntos; as funções de incômodo são estimadas em um subconjunto e aplicadas para construir pseudo-resultados para o outro, que são então usados na regressão local.

Principais Contribuições

• Framework Unificado: O artigo desenvolve um framework unificado que integra técnicas semiparamétricas para generalização com métodos flexíveis de aprendizado de máquina para estimação de EMCT, especificamente adaptados para desenhos de ensaios aninhados.
• Funções de Influência Condicionais: Os autores derivam a função de influência condicional para o EMCT na população-alvo, fornecendo uma base principial para a construção de pseudo-resultados que contabilizam tanto a participação seletiva quanto a heterogeneidade do efeito do tratamento.
• Flexibilidade: O método acomoda modificadores de efeito contínuos e multivariados sem discretização e permite que os investigadores ajustem um rico conjunto de covariáveis para a participação no ensaio, enquanto restringem os resumos do efeito do tratamento a um conjunto menor de modificadores clinicamente significativos.
• Validade Assintótica: Resultados teóricos demonstram que, sob condições de regularidade (incluindo taxas de convergência em média quadrática para estimadores de incômodo), o estimador proposto converge na mesma taxa que se as funções de incômodo fossem conhecidas, e o erro de estimação nas funções de incômodo é assintoticamente negligenciável.

Resultados

• Simulações: O desempenho em amostras finitas foi avaliado por meio de simulações com desfechos binários e contínuos. O estimador de regressão linear local proposto reduziu substancialmente o viés em comparação com uma abordagem de regressão linear ingênua. Embora um estimador "oráculo" (usando a forma funcional verdadeira) tenha se saído melhor, o método proposto superou a abordagem ingênua em vários tamanhos de amostra. O método alcançou probabilidades de cobertura próximas aos níveis nominais, embora uma subcobertura leve tenha sido observada para desfechos contínuos, atribuída ao viés de suavização em amostras finitas inerente ao direcionamento de um parâmetro suavizado em vez do valor pontual exato.
• Aplicação (CASS): O método foi aplicado ao Estudo de Cirurgia da Artéria Coronária (CASS) para estimar diferenças no risco de mortalidade em 10 anos condicionadas à fração de ejeção basal, estratificadas por histórico de infarto do miocárdio. Os resultados revelaram padrões distintos na heterogeneidade do efeito do tratamento entre pacientes com e sem histórico de infarto do miocárdio. Especificamente, o EMCT suavizado para pacientes com infarto do miocárdio prévio aumentou aproximadamente linearmente com a fração de ejeção, enquanto, para aqueles sem histórico, o EMCT permaneceu próximo de zero na faixa intermediária de frações de ejeção. Essas descobertas foram consistentes com análises paramétricas anteriores, mas forneceram uma visualização não paramétrica e mais flexível da heterogeneidade.

Significância e Alegações
O artigo alega que sua abordagem permite uma estimação flexível e interpretável da heterogeneidade do efeito do tratamento na população-alvo, evitando suposições paramétricas restritivas. Ao separar o ajuste para a participação seletiva da caracterização da heterogeneidade do efeito, o framework aborda uma lacuna crítica na literatura de generalização. Os autores observam que sua inferência visa uma versão suavizada do EMCT, o que melhora a estabilidade em amostras finitas. Eles reconhecem que a inferência válida para o parâmetro pontual exato exigiria sub-suavização ou correção de viés (por exemplo, estimando derivadas de ordem superior), o que é deixado para trabalhos futuros. O estudo conclui que levar em conta as diferenças nas distribuições de modificadores de efeito entre ensaios e populações-alvo é essencial para inferência válida sobre heterogeneidade do efeito do tratamento e para informar a tomada de decisões na população-alvo.