Estimating treatment duration effects via clone-censor-weight: a breast cancer case study

Resumo Técnico: Estimativa dos Efeitos da Duração do Tratamento via Clone-Censor-Weight: Um Estudo de Caso de Câncer de Mama

Declaração do Problema
Ensaios clínicos randomizados (ECRs) são o padrão-ouro para avaliar efeitos de tratamentos, mas frequentemente carecem de transportabilidade para a prática clínica rotineira devido a critérios rigorosos de elegibilidade e ambientes controlados. Dados observacionais são essenciais para avaliar estratégias de tratamento do mundo real, particularmente aquelas envolvendo duração do tratamento. No entanto, estimar os efeitos causais de estratégias de duração estática (por exemplo, "interromper aos 2 anos" versus "interromper aos 5 anos") em contextos observacionais está repleto de desafios metodológicos.

As principais dificuldades incluem:

1. Confundimento variante no tempo: Covariáveis medidas durante o acompanhamento podem afetar decisões subsequentes de tratamento e desfechos de sobrevivência, ao mesmo tempo em que são influenciadas pelo tratamento anterior.
2. Viés de tempo imortal: Comparações ingênuas baseadas na duração do tratamento realizada condicionam eventos pós-linha de base. Indivíduos devem sobreviver e permanecer livres de eventos por tempo suficiente para receber uma duração específica, criando uma associação espúria entre maior duração e melhor sobrevivência.
3. Censura informativa: Tanto a censura natural (perda de acompanhamento) quanto a censura artificial (desvio da estratégia atribuída) podem ser informativas, dependendo do histórico do paciente.
4. Complexidade do modelo: Métodos existentes, como a fórmula G paramétrica, modelos de estrutura marginal (MSMs) e modelos aninhados estruturais (SNMs), enfrentam desafios relacionados à má especificação do modelo, instabilidade de pesos e carga computacional, particularmente quando períodos de tolerância (regras de adesão relaxadas) são necessários.

Metodologia
Os autores propõem e avaliam uma estrutura baseada na abordagem de Clonagem-Censura-Ponderação (CCW) para emular um ensaio-alvo comparando estratégias de duração de tratamento estática. A metodologia é desenvolvida em dois cenários: (1) confundimento capturado exclusivamente por covariáveis de linha de base e (2) confundimento envolvendo covariáveis variantes no tempo.

O procedimento central envolve três etapas:

1. Clonagem: Cada indivíduo no conjunto de dados observacional é clonado em múltiplas cópias, uma para cada estratégia de tratamento sendo comparada (por exemplo, $d_0$ e $d_1$). Todas as cópias compartilham os mesmos dados observados de linha de base e acompanhamento, mas recebem diferentes estratégias hipotéticas.
2. Censura Artificial: As cópias são censuradas artificialmente no primeiro ponto no tempo em que seu histórico de tratamento observado desvia de sua estratégia atribuída. Para abordar a realidade clínica, os autores incorporam "períodos de tolerância" ou regras de adesão relaxadas, definindo um conjunto admissível de trajetórias ($A_d$) em vez de exigir adesão exata.
3. Ponderação pela Probabilidade Inversa de Censura (IPCW): Para corrigir a natureza informativa tanto da censura artificial quanto da natural, as cópias são ponderadas pela probabilidade inversa de permanecerem não censuradas. Os autores distinguem entre:
   • Pesos de censura artificial: Baseados na probabilidade de permanecer compatível com a estratégia atribuída.
   • Pesos de censura natural: Baseados na probabilidade de permanecer sob observação.
   • Os autores investigam modelar esses processos separadamente (usando regressão logística agrupada para censura artificial e modelos exponenciais por partes para censura natural) versus conjuntamente.

O artigo compara vários estimadores para o contraste do Tempo de Sobrevivência Médio Restrito (RMST):

• IPCW-Kaplan-Meier: Utiliza os pesos calculados em uma análise de sobrevivência ponderada.
• Fórmula G (Regressão de Desfecho): Modela o desfecho diretamente nos dados clonados, ajustando para covariáveis, sem ponderação explícita para censura.
• IPCW Aumentado (AIPCW): Um estimador duplamente robusto combinando regressão de desfecho e IPCW.

Principais Contribuições e Resultados de Simulação
Os autores conduziram experimentos numéricos extensos para avaliar o desempenho desses estimadores sob variados graus de confundimento e censura natural informativa.

• Viés de Tempo Imortal: As simulações confirmam que abordagens ingênuas (filtragem por duração observada) e abordagens de fórmula G aplicadas apenas a indivíduos aderentes falham em corrigir o viés de tempo imortal, resultando em superestimação severa dos benefícios do tratamento.
• Confundimento de Linha de Base (Cenário 1): Quando o confundimento é limitado a covariáveis de linha de base, múltiplos métodos (IPCW, Fórmula G, AIPCW) performam bem se os modelos estiverem corretamente especificados. No entanto, a fórmula G mostrou estabilidade mesmo sob forte confundimento, embora permanecesse sensível à má especificação do modelo (por exemplo, usar um modelo Weibull quando a verdade era exponencial).
• Confundimento Variante no Tempo (Cenário 2): Este cenário provou ser mais desafiador.
  • Desempenho do IPCW: O estimador IPCW, especificamente quando modelando censura artificial e natural separadamente (logística agrupada para artificial, exponencial por partes para natural), forneceu os resultados mais consistentes entre os cenários. Ele depende de trajetórias de covariáveis observadas em vez de simular trajetórias contrafactuais.
  • Limitações da Fórmula G: Na presença de confundimento variante no tempo, a fórmula G exibiu viés substancial, particularmente próximo a violações de positividade. Isso é atribuído ao acúmulo de erros de previsão ao reconstruir trajetórias completas de covariáveis contrafactuais ao longo do tempo.
  • Má Especificação do Modelo: Modelar ambos os mecanismos de censura com um único modelo de regressão (por exemplo, um único modelo de regressão logística agrupada) introduziu viés em cenários complexos, sugerindo que separar os mecanismos é preferível, apesar da possível inflação de variância.
  • AIPCW: Embora teoricamente duplamente robusto, a implementação do AIPCW nesta estrutura específica de clonagem com covariáveis variantes no tempo foi notada como computacionalmente exigente e carecendo de implementação de software dedicada na literatura atual.

Aplicação no Mundo Real
A metodologia foi aplicada a uma grande coorte prospectiva nacional francesa de pacientes com câncer de mama localizado para avaliar o efeito da duração do tamoxifeno. O estudo visou emular um ensaio comparando a interrupção do tratamento após 2 anos versus a continuação por 5 anos. Os autores utilizaram a estrutura CCW para lidar com os históricos de tratamento longitudinais complexos e padrões de adesão observados na prática rotineira, onde quase 55% dos pacientes interrompem o tratamento precocemente.

Significado e Alegações
O artigo alega fornecer uma estrutura metodológica para avaliar estratégias de duração de tratamento em dados observacionais, abordando especificamente a lacuna entre cenários de confundimento apenas de linha de base e variantes no tempo.

• Orientação Prática: Os autores concluem que, embora muitas abordagens existam para confundimento de linha de base, abordagens baseadas em IPCW parecem oferecer o melhor compromisso entre complexidade de implementação e desempenho empírico quando confundidores variantes no tempo estão presentes. Eles destacam que métodos IPCW são menos sensíveis ao acúmulo de erros associado à simulação de trajetórias completas de covariáveis contrafactuais (como exigido pela fórmula G).
• Ressalvas: Os autores permanecem modestos quanto à universalidade de suas recomendações. Eles enfatizam que:
  • A suposição de "consistência admissível" (de que regras de adesão relaxadas não alteram o estimando causal) é forte e difícil de verificar.
  • Nenhum estimador único é uniformemente recomendado; as conclusões devem depender de análises de sensibilidade em várias especificações de modelo plausíveis.
  • Desafios permanecem em relação a dados faltantes, violações de positividade e a carga computacional da estimação de modelos de incômodo em cenários longitudinais complexos.

O trabalho sublinha a necessidade de modelagem cuidadosa de ambos os mecanismos de censura artificial e natural e sugere que desenvolvimentos metodológicos futuros são necessários para abordar a incerteza do modelo e estruturas de dados complexas na inferência causal para duração de tratamento.