Debiased inference for stochastic treatment interventions with survival outcomes

Resumo Técnico: Inferência Desenviesada para Intervenções de Tratamento Estocásticas com Desfechos de Sobrevivência

Definição do Problema
Estimar o efeito causal de tratamentos dependentes do tempo em desfechos de sobrevivência (tempo até a morte) é inerentemente difícil devido a questões como o viés de tempo imortal (immortal-time bias) e a interpretação causal sutil dos modelos de Cox dependentes do tempo padrão. Embora métodos como modelos estruturais marginais e g-computação existam, eles frequentemente dependem fortemente da especificação correta dos modelos de trabalho; a especificação incorreta leva a resultados enviesados. Além disso, existe uma distinção crítica entre intervenções definidas ao nível das intensidades observadas versus aquelas definidas ao nível do verdadeiro processo gerador de dados (DGP). Na presença de confundidores não medidos que afetam tanto a iniciação do tratamento quanto os riscos competitivos/subsequentes, uma intervenção aplicada às intensidades observadas pode não corresponder à intervenção causal desejada.

Metodologia
Os autores formulam o problema dentro do modelo de doença-doença (illness–death model), onde indivíduos transitam de um estado de sem tratamento (0) para a iniciação do tratamento (1) e, eventualmente, para a morte (2).

1. Definição da Intervenção Estocástica:
   O artigo propõe uma intervenção estocástica que modifica o risco (hazard) que governa a transição de nenhum tratamento para a iniciação do tratamento. Os autores demonstram que, para uma intervenção nas intensidades observadas ser causalmente válida, nenhuma variável não observada pode atuar como uma causa comum do risco de iniciação do tratamento e dos riscos competitivos/subsequentes.

2. A Intervenção Suavizada:
   Um desafio técnico primário é que fixar a iniciação do tratamento em um ponto exato $u^*$ resulta em um estimando que não é derivável por caminho (pathwise differentiable), impedindo a derivação de uma função de influência eficiente (EIF) e inviabilizando a inferência com poucas suposições.
   Para resolver isso, os autores introduzem uma intervenção suavizada. Em vez de forçar o tratamento em um único ponto, a intervenção atribui o tratamento dentro de uma janela de tempo $[u^* - b, u^* + b]$ em torno do tempo alvo $u^*$. O risco de iniciação do tratamento $\tilde{\alpha}_{01}(s)$ é modificado para ser zero fora desta janela e proporcional ao risco observado dentro dela, normalizado pela integral do risco sobre a janela. Este suavizamento torna o estimando derivável por caminho e passível de análise semiparamétrica.

3. Função de Influência Eficiente (EIF) e Estimativa:
   Os autores derivam a EIF para o risco intervencional $\psi_t = \tilde{P}^o(T \le t)$ sob condições gerais, incluindo censura à direita.

   • Estimador de Passo Único (One-Step Estimator): Eles propõem um estimador de passo único desenviesado: $\hat{\psi}^{os}_t = \hat{\psi}^{pi}_t + \mathbb{P}_n\{D^*_{\psi_t}(O, P_n)\}$. Este combina um estimador plug-in com um termo de correção baseado na EIF.
   • Parâmetros de Nuisance: O método acomoda a estimativa flexível e adaptativa aos dados de parâmetros de nuisance (riscos de transição, funções de sobrevivência e distribuições de censura), incluindo abordagens de aprendizado de máquina (machine learning).
   • Robustez Dupla: O estimador exibe robustez dupla de taxa (rate double robustness). Especificamente, a normalidade assintótica ocorre se o produto dos erros de estimativa para a função de sobrevivência pós-tratamento e a distribuição de censura convergir a uma taxa mais rápida que $n^{-1/2}$. Isso permite uma convergência mais lenta em um componente se o outro convergir suficientemente rápido.
   • Covariáveis: O arcabouço é estendido para configurações com covariáveis de linha de base $L$, condicionando as funções de intensidade e a EIF a $L$.

Principais Contribuições

• Condições de Validade Causal: O artigo delineia explicitamente as condições sob as quais intervenções nas intensidades observadas correspondem a intervenções causalmente válidas no DGP, destacando os riscos posed por confundidores não medidos.
• Regularização via Suavização: Ao introduzir uma intervenção estocástica suavizada, os autores superam a não-derivabilidade de intervenções de massa pontual, permitindo a derivação da EIF e o desenvolvimento de procedimentos de inferência robustos.
• Estimativa Desenviesada: A proposta de um estimador de passo único que corrige o viés de estimadores plug-in usando a EIF, permitindo o uso de métodos de aprendizado de máquina flexíveis para parâmetros de nuisance, mantendo a inferência válida.
• Robustez Dupla de Taxa: Estabelecimento teórico da robustez dupla de taxa, garantindo a validade do estimador mesmo quando os modelos de nuisance são mal especificados, desde que o produto dos erros seja pequeno o suficiente.

Resultos

• Estudos de Simulação:
  • Sob modelos de trabalho corretamente especificados, tanto o estimador plug-in quanto o de passo único foram não viesados.
  • Sob a má especificação do modelo de transição pós-tratamento, o estimador plug-in tornou-se viesado, enquanto o estimador de passo único permaneceu aproximadamente não viesado, confirmando suas propriedades de robustez.
  • Quando utilizando aprendizado de máquina (validação cruzada de 3 dobras/*3-fold cross-fitting) para estimativa de nuisance, o estimador de passo único manteve as propriedades de correção de viés, com um leve viés em amostras menores ($n=300$) que diminuiu conforme o tamanho da amostra aumentou ($n=600$).
• Dados de Transplante de Coração de Stanford:
  • Aplicado a dados de pacientes com doença cardíaca terminal. A análise comparou "Tratar desde o início" (transplante dentro de 30 dias) versus "Nunca tratar".
  • Os resultados mostraram nenhuma diferença significativa no risco de morrer entre as duas estratégias no geral.
  • A estratificação por ano de admissão (início vs. tardio) sugeriu um potencial benefício do tratamento precoce para aqueles admitidos mais cedo, embora essa interação não tenha sido estatisticamente significativa.
• Dados de Inseminação Intrauterina (IIU):
  • Aplicado a casais com subfertilidade inexplicada para avaliar estratégias: "Tratar desde o início", "Tratar após 6 meses" e "Nunca tratar".
  • Os resultados indicaram que "Tratar desde o início" foi superior a "Nunca tratar", e "Tratar após 6 meses" também foi superior a "Nunca tratar".
  • Nenhuma diferença significativa foi encontrada entre "Tratar desde o início" e "Tratar após 6 meses".

Significância e Alegações
O artigo afirma fornecer um arcabouço rigoroso para avaliar tratamentos dependentes do tempo em cenários de sobrevivência onde métodos causais padrão podem falhar devido à má especificação do modelo ou à complexidade da definição da intervenção. Ao distinguir entre intervenções observadas e latentes e utilizar uma intervenção estocástica suavizada, os autores permitem a inferência com poucas suposições (assumption-lean inference) com propriedades de robustez desejáveis. O método permite que pesquisadores utilizem ferramentas flexíveis e adaptativas aos dados (como aprendizado de máquina) para parâmetros de nuisance sem sacrificar a validade do estimando causal, desde que a condição de robustez dupla de taxa seja atendida. Os autores observam que, embora o arcabouço seja teoricamente compatível com a estimativa totalmente adaptativa aos dados, a estimativa prática de transições pós-tratamento em configurações de entrada tardia (delayed-entry) permanece desafiadora, sugerindo a necessidade de desenvolvimento futuro de procedimentos de aprendizado de máquina estáveis para esses componentes específicos.