Resumo Técnico: Estimação Conjunta de Efeitos de Tratamento Marginal e Heterogêneos

Declaração do Problema

Ensaios clínicos randomizados (ECRs) geralmente visam estimar o efeito marginal do tratamento (o efeito médio na população do ensaio). Embora o ajuste por covariáveis seja padrão para melhorar a precisão, ele introduz um desafio metodológico em modelos não lineares devido à não colapsabilidade. Em tais modelos (por exemplo, regressão logística, riscos proporcionais de Cox ou modelos que utilizam a $d$ de Cohen), o ajuste por covariáveis altera o estimando de um efeito marginal para um efeito condicional, mesmo na ausência de confusão.

Por outro lado, a identificação de covariáveis prognósticas (associadas ao desfecho independentemente do tratamento) e covariáveis preditivas (que modificam o efeito do tratamento) é crucial para compreender a heterogeneidade e orientar a medicina personalizada. Os métodos existentes geralmente se dividem em dois grupos:

1. Métodos focados no marginal (por exemplo, augmentação semiparamétrica, padronização, IPTW, TMLE) preservam a interpretabilidade marginal, mas não parametrizam ou ranqueiam explicitamente os efeitos prognósticos e preditivos.
2. Métodos focados na heterogeneidade (por exemplo, florestas causais, florestas baseadas em modelos) estimam efeitos médios de tratamento condicionais (CATEs), mas frequentemente carecem de controle formal do erro tipo I, têm dificuldade em distinguir efeitos prognósticos de preditivos em amostras pequenas e não preservam inerentemente um estimando marginal.

O artigo aborda a necessidade de uma estrutura unificada que estime um efeito marginal do tratamento enquanto, simultaneamente, ajusta por covariáveis para melhorar a eficiência e quantifica e ranqueia explicitamente os efeitos prognósticos e preditivos.

Metodologia: Inferência Marginal Ajustada Não Paranormal com Efeitos de Tratamento Heterogêneos (NAMI-HTE)

Os autores propõem estender a estrutura de Inferência Marginal Ajustada Não Paranormal (NAMI) (Dandl e Hothorn, 2026) para acomodar efeitos de tratamento heterogêneos. A inovação central é incorporar o efeito marginal do tratamento diretamente em um modelo conjunto para o desfecho e as covariáveis de linha de base, utilizando uma construção de cópula Gaussiana (não paranormal).

1. Estrutura Teórica

• Modelos de Transformação: O método utiliza modelos de transformação univariados onde a distribuição do desfecho é mapeada para uma escala latente por meio de uma função de transformação monótona $h(\cdot)$. O efeito do tratamento $\tau$ é definido como um deslocamento nesta escala latente.
• Modelagem Conjunta: A estrutura modela a distribuição conjunta do desfecho $Y$ e das covariáveis $X$ em uma escala normal padrão latente. A função de distribuição acumulada (FDA) conjunta é definida como:
  $$P(X \le x, Y \le y \mid W = w) = \Phi_{\Sigma(w)}(h(x, y \mid W = w))$$
  onde $\Phi_{\Sigma(w)}$ é uma FDA normal multivariada com uma matriz de correlação dependente do tratamento $\Sigma(w)$.
• Preservação da Marginalidade: Ao restringir a diagonal da matriz de correlação à unidade ($\text{diag}(\Sigma(w)) \equiv 1$), o modelo garante que a distribuição marginal do desfecho permaneça inalterada pela inclusão de covariáveis. Isso garante que o efeito do tratamento $\tau$ retenha sua interpretação marginal (colapsabilidade) mesmo após o ajuste.
• Parametrização dos Efeitos:
  • Efeitos Prognósticos: Capturados pela correlação entre covariáveis e o desfecho no braço de controle (elementos da última linha do fator de Cholesky inverso $\Lambda(0)$).
  • Efeitos Preditivos: Capturados pela diferença nas correlações entre os braços de tratamento e controle (elementos do componente dependente do tratamento $\Gamma(\gamma)$).
  • Padronização: Como as covariáveis são mapeadas para uma escala normal padrão, as forças prognósticas e preditivas são quantificadas em uma escala comum, permitindo comparação e ranqueamento diretos.

2. Aplicabilidade

A estrutura é flexível e aplica-se a:

• Desfechos contínuos: Com $\tau$ interpretado como a $d$ de Cohen (diferença média padronizada).
• Desfechos binários e ordinais: Com $\tau$ interpretado como um log-razão de chances.
• Desfechos tempo-para-evento: Com $\tau$ interpretado como um log-razão de risco.
• Censura: Acomoda censura à direita, à esquerda e intervalar, bem como dados faltantes, dentro de um único procedimento de estimação baseado em verossimilhança.

3. Estimação

Os parâmetros são estimados via máxima verossimilhança. O método permite testes de hipóteses formais para efeitos prognósticos e preditivos com ajuste para multiplicidade, fornecendo uma abordagem confirmatória para a análise de heterogeneidade.

Principais Resultados

Achados Teóricos (Desfechos Contínuos)

Para desfechos contínuos medidos pela $d$ de Cohen, os autores derivam expressões de forma fechada para a variância assintótica do efeito marginal do tratamento sob ajuste por covariáveis.

• Eficiência: A variância assintótica do estimador ajustado é nunca pior e frequentemente melhor do que a do estimador não ajustado.
• Fatores de Eficiência: Os ganhos de eficiência são impulsionados principalmente por efeitos prognósticos. Efeitos preditivos realistas contribuem apenas com uma melhoria adicional modesta.
• Pior Cenário: O único cenário em que nenhum ganho de eficiência é alcançado é quando os efeitos prognósticos e preditivos têm magnitude igual, mas sinais opostos nos dois braços de tratamento.

Estudos de Simulação

Simulações foram conduzidas em desfechos contínuos, binários e de sobrevivência com variadas forças de efeitos prognósticos e preditivos.

• Viés: O efeito marginal do tratamento $\hat{\tau}$ foi estimado sem viés tanto nos modelos não ajustados quanto nos ajustados, mesmo na presença de efeitos preditivos.
• Precisão: O modelo ajustado (NAMI-HTE) produziu consistentemente erros padrão menores e maior poder estatístico em comparação com a inferência marginal não ajustada.
• Poder Preditivo: Embora o método estime corretamente os parâmetros preditivos, o poder para detectar efeitos preditivos mostrou-se limitado (por exemplo, <10% para efeitos moderados, <40% para efeitos fortes) em tamanhos de amostra realistas, consistente com a dificuldade geral de detectar interações em ECRs.
• Erro Tipo I: Os tamanhos empíricos foram geralmente próximos ao nível nominal, embora pequenas desvios tenham sido observados em amostras pequenas para desfechos contínuos e de sobrevivência, atribuídos a aproximações da estatística de Wald.

Aplicação: Ensaio de Acupuntura

O método foi aplicado a um ensaio randomizado de acupuntura para dores de cabeça crônicas ($N=401$).

• Reprodução de Resultados: O método reproduziu as descobertas originais do ensaio (um benefício significativo da acupuntura em relação ao cuidado usual) enquanto melhorava a precisão através do ajuste por covariáveis.
• Ranqueamento Prognóstico: A pontuação da dor de cabeça de linha de base foi consistentemente identificada como o fator prognóstico mais forte em todos os modelos.
• Ranqueamento Preditivo: A pontuação da dor de cabeça de linha de base também foi a principal candidata para um efeito preditivo, sugerindo que pacientes com dor basal mais severa podem se beneficiar mais. No entanto, a evidência estatística para essa interação foi fraca e sensível a pressupostos distribucionais, destacando a dificuldade de confirmar heterogeneidade neste conjunto de dados.
• Robustez: Os resultados permaneceram consistentes entre modelos assumindo normalidade, transformações flexíveis e desfechos ordinais.

Significado e Alegações

O artigo alega preencher a lacuna entre inferência marginal e análise de heterogeneidade, oferecendo uma estrutura unificada que:

1. Preserva a Interpretabilidade Marginal: Ao contrário dos ajustes padrão de regressão não linear, o método proposto garante que o efeito do tratamento permaneça um estimando marginal por construção.
2. Quantificação Explícita: Separa e quantifica explicitamente os efeitos prognósticos e preditivos em uma escala padronizada, permitindo o ranqueamento direto de covariáveis.
3. Inferência Confirmatória: Fornece uma estrutura para testes de hipóteses formais de interações tratamento-covariável com controle do erro tipo I, contrastando com abordagens exploratórias de aprendizado de máquina.
4. Generalidade: Unifica a análise de desfechos contínuos, binários, ordinais e tempo-para-evento, juntamente com vários mecanismos de censura, dentro de uma única estrutura de modelagem.

Os autores reconhecem modestamente limitações, especificamente o baixo poder para detectar efeitos preditivos em tamanhos de amostra típicos de ensaios e a dependência de uma estrutura de correlação Gaussiana latente (implicando monotonicidade nas escalas originais). Eles sugerem que trabalhos futuros devem investigar a robustez sob má especificação do modelo.