Modified treatment policies that depend on the natural history of treatment

Resumo Técnico: Políticas de Tratamento Modificado Dependentes da História Natural do Tratamento

Declaração do Problema
Políticas de Tratamento Modificado Longitudinal (PTMLs) fornecem um quadro flexível para definir e estimar efeitos causais em cenários do mundo real envolvendo exposições contínuas, períodos de graça ou atrasos no tratamento. Trabalhos anteriores, especificamente Díaz et al. (2023), estabeleceram estimadores de aprendizado direcionado para PTMLs onde a intervenção no tempo $t$ depende exclusivamente do valor natural contemporâneo do tratamento (ou seja, o valor do tratamento que teria sido observado no tempo $t$ se a intervenção tivesse sido interrompida imediatamente antes).

No entanto, essa restrição impede a estimação de políticas onde a regra de intervenção depende da história dos valores naturais do tratamento anteriores ao tempo $t$. Questões científicas importantes, como atrasar o início de um tratamento ou limitar a escalada da dose em relação à trajetória natural de um clínico, exigem acesso a valores naturais passados do tratamento que podem ser sobrescritos pela própria intervenção. Formulações padrão de PTML perdem o acesso a esses valores naturais originais assim que uma intervenção modifica o caminho do tratamento, tornando tais políticas de "atraso" ou "modificação de trajetória" não identificáveis sob o quadro existente. Este artigo aborda a lacuna no desenvolvimento de estimadores de aprendizado direcionado para o caso geral onde as intervenções dependem da história natural completa do tratamento.

Metodologia
O artigo propõe uma generalização das PTMLs, denominadas Políticas de Tratamento Modificado Longitudinal Generalizadas (PTML-G), onde a intervenção $A^d_t$ no tempo $t$ é uma função da história dos valores naturais do tratamento $\bar{A}_t(\bar{A}^d_{t-1})$ e da história das covariáveis $H_t(\bar{A}^d_{t-1})$.

1. Identificação e Representação:
   Os autores demonstram que a representação padrão de regressão sequencial (expectativas condicionais iteradas) usada para PTMLs contemporâneas falha para PTML-G porque o conjunto de condicionamento e a função de intervenção envolvem valores conflitantes de tratamentos naturais passados. Para resolver isso, eles introduzem uma versão de dados aumentados da fórmula de regressão sequencial. Essa abordagem desacopla os valores usados para condicionamento (integrando sobre a distribuição dos dados observados) dos valores usados na função de intervenção (rastreando a história natural hipotética). Isso é formalizado na Proposição 1, que define um algoritmo recursivo envolvendo variáveis aumentadas $\bar{s}_t$ para rastrear possíveis histórias de tratamento natural.

2. Teoria de Eficiência:
   O artigo deriva a Função de Influência Eficiente (FIE) para o funcional não paramétrico resultante. O Teorema 2 fornece uma expansão de von Mises condicional, caracterizando o erro dos estimadores de regressão. Essa expansão revela uma estrutura "múltipla-robusta": o estimador permanece não viesado se os modelos de regressão do desfecho ou os modelos do mecanismo de tratamento forem corretamente especificados em cada etapa, desde que condições específicas de taxa sejam atendidas.

3. Algoritmos de Estimação:
   Dois estimadores são desenvolvidos com base na FIE e na regressão sequencial aumentada:

   • Estimador Direcionado de Perda Mínima (TMLE): Um estimador de substituição que atualiza iterativamente estimativas preliminares de regressão para resolver a equação de estimação da função de influência eficiente. Utiliza divisão de amostra para evitar condições de Donsker e garante que as previsões permaneçam dentro do espaço de parâmetros.
   • Estimador Duplamente Robusto Sequencial (SDR): Um estimador baseado em regressão que usa a transformação não viesada múltipla-robusta (o pseudo-desfecho $\phi_{t+1}$) derivada da FIE. Regressa esses pseudo-desfechos nas covariáveis sequencialmente. Os autores observam que, embora o SDR seja mais simples e possa oferecer melhores propriedades de viés em amostras finitas, não é um estimador de substituição e pode produzir estimativas fora do espaço de parâmetros (por exemplo, probabilidades >1) se o valor verdadeiro estiver próximo de uma fronteira.

Principais Contribuições

• Generalização das PTMLs: O artigo define formalmente e fornece teoremas de identificação para PTML-G, expandindo o escopo da inferência causal para políticas dependentes da história natural do tratamento.
• Regressão Sequencial Aumentada: Introduz uma estratégia computacional inovadora usando conjuntos de dados aumentados para representar a fórmula de identificação, permitindo a aplicação de bibliotecas padrão de aprendizado de máquina a intervenções complexas dependentes de histórico.
• Estimadores Robustos: O desenvolvimento de estimadores TMLE e SDR que alcançam consistência $\sqrt{n}$ e normalidade assintótica sob suposições padrão de taxa duplamente robusta, mesmo quando parâmetros de incômodo (regressões de desfecho e tratamento) são estimados usando métodos flexíveis e adaptativos de aprendizado de máquina.
• Aplicação a Intervenções de Atraso: O artigo demonstra explicitamente como as PTML-G resolvem o problema do "atraso" (por exemplo, atrasar um tratamento de dor arriscado), que anteriormente era intratável sob o quadro restrito ao contemporâneo.

Resultados

• Estudo de Simulação: Simulações de Monte Carlo foram conduzidas com tamanhos de amostra variando de 250 a 10.000. Ambos os estimadores TMLE e SDR demonstraram viés e erro quadrático médio (EQM) decrescentes à medida que o tamanho da amostra aumentava. A cobertura do intervalo de confiança foi geralmente próxima ou ligeiramente conservadora em relação ao nível nominal de 95%. O estudo destacou uma compensação em amostras finitas, onde o SDR mostrou variância ligeiramente menor, mas potencialmente viés maior em comparação com o TMLE em cenários específicos.
• Aplicação Motivadora: Os métodos foram aplicados a uma coorte de 12.745 pacientes com seguro Medicaid com estenose espinhal lombar para estimar o efeito de atrasar tratamentos de dor arriscados (opioides, gabapentinoides, benzodiazepínicos) em um mês na incidência de 12 meses de Transtorno por Uso de Opioides (TUO) ou overdose.
  • A probabilidade observada de 12 meses de permanecer livre de TUO/overdose foi de 0,963.
  • Sob a política hipotética de atraso de um mês, o TMLE estimou uma probabilidade de 0,986 (IC 95%: 0,915–1).
  • O estimador SDR produziu uma estimativa pontual de 1,27, ilustrando a limitação conhecida de estimadores não de substituição quando o parâmetro verdadeiro está próximo da fronteira do espaço de parâmetros.

Significado e Alegações
O artigo afirma estender a classe de efeitos causais estimáveis para incluir intervenções que modificam o timing ou a trajetória das decisões de tratamento com base na história natural. Ao fornecer uma estratégia de identificação rigorosa e estimadores eficientes, os autores permitem a avaliação de questões políticas complexas — como atrasar o início do tratamento ou limitar a escalada da dose — que anteriormente não eram abordáveis pelos métodos padrão de PTML. Os autores mantêm uma postura modesta, observando que, embora o trabalho atual se concentre em exposições discretas, pesquisas futuras são necessárias para estender esses métodos para configurações de tratamento contínuas, multivariadas ou mistas sem enumeração explícita de histórias de tratamento. Eles também identificam direções futuras, incluindo algoritmos escaláveis para acompanhamento longo e diagnósticos para violações de suporte induzidas por políticas dependentes de histórico.