Robust inference for risk heterogeneity under group imbalance

Resumo Técnico: Inferência Robusta para Heterogeneidade de Risco sob Desequilíbrio de Grupos

Definição do Problema
Em dados biomédicos, a heterogeneidade ao nível da população é ubíqua, onde os padrões de risco frequentemente diferem significativamente entre subgrupos demográficos ou clínicos. Um desafio crítico surge ao analisar essas disparidades na presença de um severo desequilíbrio de grupos, onde um subgrupo (a minoria) é sub-representado em comparação com outro (a maioria). As abordagens existentes para detectar a heterogeneidade de risco, como os métodos padrão baseados em verossimilhança ou as estruturas de ajuste linear (ex: Maity et al., 22024), enfrentam duas limitações primárias neste contexto:

1. Sensibilidade à Especificação Incorreta do Modelo: Esses métodos dependem frequentemente de um modelo de linha de base para o grupo majoritário. Se este modelo de linha de base for mal especificado, as estimativas resultantes de heterogeneidade serão viesadas.
2. Viés de Regularização: Em configurações de alta dimensão, a estimação regularizada (ex: Lasso) é necessária, mas introduz viés ao encolher os coeficientes em direção a zero. Isso é particularmente problemático para o grupo minoritário, onde os tamanhos de amostra são pequenos, e o viés proveniente da estimação dos parâmetros de confusão do grupo majoritário propaga-se para as estimativas de heterogeneidade.

Os autores visam desenvolver um framework de inferência capaz de lidar com a heterogeneidade ajustada por covariáveis entre subgrupos com um grande número de covariáveis, potencial sub-representação e associações não lineares, fornecendo simultaneamente inferência estatística confiável (intervalos de confiança e p-valores).

Metodologia
O artigo propõe um framework de inferência robusta baseado em Ortogonalidade de Neyman (Chernozhukov et al., 2018). O objetivo central é estimar o vetor de parâmetros $\beta$ que representa a diferença no risco entre um grupo minoritário ($T=0$) e um grupo majoritário ($T=1$), condicionado às covariáveis $X$.

• Formulação do Modelo: A heterogeneidade é modelada como uma função linear de covariáveis na escala de transformação de ligação:
  $$\gamma(E[Y|X, T=0]) - \gamma(E[Y|X, T=1]) = \alpha^T X$$
  Aqui, $\gamma$ é uma função de ligação pré-especificada (ex: logit para resultados binários). O parâmetro de interesse é um subconjunto $\beta$ de $\alpha$, enquanto a função de risco de linha de base $\xi(X)$ para o grupo majoritário e os coeficientes restantes $\delta$ são tratados como parâmetros de confusão (nuisance parameters).

• Score de Ortogonalidade de Neyman: Para alcançar robustez contra erros de estimação nos parâmetros de confusão ($\xi, \delta, \pi$), os autores constroem uma função de score $S(Z, \beta, \delta, \xi, \pi)$ que satisfaz a condição de ortogonalidade de Neyman. Esta condição garante que a função de score seja localmente insensível a pequenas perturbações nos parâmetros de confusão. O score é derivado modificando a abordagem de ajuste linear para incluir um termo de correção envolvendo a derivada da função de perda em relação aos parâmetros de confusão.

• Procedimento de Estimação:

  1. Estimação de Parâmetros de Confusão: Estimar o modelo de linha de base $\hat{\xi}$ usando dados do grupo majoritário, e estimar os coeficientes de confusão $\hat{\delta}$ e o escore de propensão $\hat{\pi}$ usando métodos apropriados de regularização ou aprendizado de máquina.
  2. Estimação Desenviesada (Debiased): Resolver a equação de score $\sum S(Z_i, \beta, \hat{\delta}, \hat{\xi}, \hat{\pi}) = 0$ para $\beta$. Como esta equação é implícita, um algoritmo iterativo (Algoritmo 1) é fornecido para aproximar a solução.
  3. Estimação de Variância: A variância assintótica é estimada usando a fórmula do estimador sanduíche, permitindo a construção de intervalos de confiança válidos.

• Garantias Teóricas: Sob suposições de covariáveis limitadas e taxas de convergência específicas para os estimadores dos parâmetros de confusão (que podem ser mais lentas que $\sqrt{N}$), o estimador desenviesado proposto $\hat{\beta}_{debias}$ é mostrado como consistente e assintoticamente normal. O tamanho de amostra efetivo para inferência é determinado pelo tamanho do grupo minoritário.

Principais Contribuições

1. Ferramenta de Inferência Robusta: O framework fornece um método para realizar inferência estatística sobre a heterogeneidade de risco que é robusto tanto à especificação incorreta do modelo de linha de base quanto ao viés de regularização.
2. Lidando com o Desequilíbrio: Ele acomoda explicitamente cenários onde os subgrupos estão severamente sub-representados, um problema comum em conjuntos de dados clínicos.
3. Flexibilidade: O método é agnóstico ao algoritmo específico usado para o modelo de linha de base $\xi(\cdot)$, desde que este atenda às condições de taxa de convergência. Ele suporta uma ampla gama de tipos de resultados (binários, contínuos, contagem) via modelos lineares generalizados.
4. Mecanismo de Desenviesamento: Diferente dos procedimentos padrão de dois estágios, esta abordagem unifica a correção para o viés de regularização e o viés de parâmetros de confusão através do score de ortogonalidade de Neyman.

Resultados

• Estudos de Simulação:

  • Os autores simularam dados com $N=30.000$ e proporções variáveis de grupo minoritário ($10\%, 20\%, 40\%$).
  • Redução de Viés: O estimador desenviesado proposto alcançou viés próximo de zero em todos os níveis de desequilíbrio de grupo e escolhas de modelo de linha de base (GLM penalizado, XGBoost, Redes Neurais). Em contraste, o estimador de ajuste linear padrão exibiu viés substancial, particularmente quando o grupo minoritário era pequeno ou o modelo de linha de base era mal especificado.
  • Validade da Inferência: Os intervalos de confiança de 95% construídos a partir do estimador desenviesado atingiram cobertura empírica próxima ao nível nominal de 95%. Gráficos QQ confirmaram a normalidade assintótica do estimador.
  • Variância: Como esperado, a variância aumentou conforme a proporção do grupo minoritário diminuía, mas o estimador permaneceu estável.

• Aplicação de Dados (Banco de Dados eICU):

  • O método foi aplicado ao banco de dados de pesquisa colaborativa eICU para analisar as diferenças de mortalidade intra-hospitalar entre pacientes caucasianos e grupos sub-representados (Asiáticos, Hispânicos, Nativos Americanos).
  • Descobertas: Métodos de ajuste linear padrão (usando Lasso) encolheram todos os coeficientes de heterogeneidade para zero, falhando em detectar diferenças significativas.
  • Descoberta: O método proposto identificou heterogeneidades clinicamente significativas que os métodos padrão perderam:
    • Pacientes Nativos Americanos admitidos com Overdose apresentaram odds de mortalidade ajustadas significativamente maiores em comparação com caucasianos.
    • Pacientes Asiáticos admitidos com Parada Cardíaca mostraram risco de mortalidade significativamente maior.
    • Pacientes Hispânicos admitidos com Cetoacidose Diabética (DKA) exibiram risco de mortalidade significativamente maior.
  • Essas descobertas alinham-se com a literatura existente sobre disparidades étnicas específicas nessas condições.

Significância e Alegações
O artigo alega que o framework proposto oferece um avanço crítico para a medicina de precisão e pesquisa de equidade em saúde. Ao permitir a inferência confiável na presença de desequilíbrio de grupos e covariáveis de alta dimensão, o método permite que pesquisadores descubram heterogeneidades "clinicamente significativas" que de outra forma seriam obscurecidas pelo viés inerente às abordagens regularizadas padrão. Os autores enfatizam que sua abordagem não requer a especificação perfeita do modelo de risco do grupo majoritário, tornando-a uma ferramenta prática e robusta para análise de dados biomédicos do mundo real, onde tais modelos são frequentemente complexos e imperfeitos. A metodologia estende-se além de resultados binários, sugerindo ampla aplicabilidade para dados contínuos e de contagem em ambientes de saúde.