Scalable Counterfactual Risk Estimation for Rare Events in Longitudinal Data

Resumo Técnico: Estimativa de Risco Contrafactual Escalável para Eventos Raros em Dados Longitudinais

Definição do Problema

Estimar o efeito causal de tratamentos variantes no tempo sobre desfechos de sobrevivência em grandes estudos observacionais é computacionalmente proibitivo quando os desfechos são raros. Abordagens padrão baseadas na fórmula-g, como os estimadores de Expectativa Condicional Iterativa (ICE) e Não-Iterativa (NICE), exigem o ajuste de modelos de regressão em cada ponto temporal para toda a coorte. Em cenários com eventos raros (ex.: risco de suicídio), isso leva a um desequilíbrio severo de classes, causando instabilidade e convergência lenta na regressão logística. Além disso, a inferência válida geralmente requer a estimativa de variância via bootstrap, o que envolve reamostragem e ajuste de modelos repetidamente, aumentando exponencialmente a carga computacional. Em ambientes seguros ou com restrição de memória, o processamento repetido de coortes longitudinais completas é frequentemente inviável.

Metodologia

Os autores propõem uma estratégia de subamostragem e reponderação de caso-controle longitudinal desenhada para reduzir custos computacionais enquanto preserva a consistência estatística. O método é aplicável a uma ampla classe de estimadores causais longitudinais, com foco específico no estimador ICE.

Mecanismo Central:

1. Subamostragem Dependente do Desfecho: Em vez de analisar a coorte completa, o método retém todos os indivíduos que experienciam o evento (casos) em cada ponto temporal $t$. Os controles (indivíduos que permanecem livres do evento) são subamostrados em uma razão específica $J_t$ (ex.: 5, 10 ou 20 controles por caso).
2. Restrições Longitudinais: Diferente dos designs de caso-controle padrão que operam localmente, esta abordagem respeita a estrutura temporal dos dados longitudinais. As decisões de amostragem em um ponto temporal impõem restrições aos pontos subsequentes devido à sobrevivência e dependência intra-sujeito. O método constrói um conjunto de dados amostrados coerente que contabiliza essas dependências entre os tempos.
3. Reponderação para Consistência: Para garantir que a subamostra produza estimativas consistentes do risco contrafactual da população total, os autores derivam pesos específicos ($w_t, m_t, \ell_t$) para casos, controles amostrados e indivíduos censurados.
   • Os pesos são derivados igualando a contribuição total ponderada esperada de indivíduos através de grupos mutuamente exclusivos (ex.: aqueles que morrem no tempo $t$, aqueles censurados no tempo $t$ e os sobreviventes).
   • Os autores demonstram que, sob estas condições de equilíbrio, as equações de estimativa ponderadas da subamostra são estimadores não viesados das equações de estimativa do nível populacional.
4. Integração do Algoritmo: O esquema de ponderação proposto é integrado ao algoritmo ICE padrão (Algoritmo 2). Em cada etapa de iteração reversa (de $T$ para 0), o ponto temporal global atual é tratado como uma linha de base local, e os pesos apropriados são aplicados ao ajuste de modelos de expectativa condicional.

Tratamento da Censura:
O framework lida explicitamente com a censura administrativa e perda de seguimento. Indivíduos censurados são incluídos na subamostra em pontos temporais anteriores à sua censura, com pesos derivados para equilibrar sua contribuição contra casos e controles.

Principais Contribuições

• Framework Escalável: O artigo introduz um framework de subamostragem geral que pode ser aplicado a estimadores existentes baseados na fórmula-g (ICE e NICE) para reduzir drasticamente a carga computacional em cenários de eventos raros.
• Consistência Teórica: Os autores fornecem uma prova teórica (Teorema 1) mostrando que o estimador de subamostragem proposto permanece consistente para o risco contrafactual alvo $E(Y^g_T)$ sob suposições causais padrão (consistência, intercambialidade, positividade), desde que as equações de equilíbrio de ponderação derivadas sejam satisfeitas.
• Esquema de Ponderação Prático: O artigo oferece um esquema de ponderação concreto e flexível que permite variações nas razões de amostragem entre pontos temporais, acomodando cenários onde as taxas de eventos mudam ao longo da duração do estudo.

Resultados

Os autores avaliaram o método através de extensas simulações e uma aplicação no mundo real.

Estudos de Simulação:

• Configuração: Dados longitudinais simulados com $N=30.000$ indivíduos ao longo de 6 pontos temporais, com uma baixa prevalência de eventos (~1%).
• Eficiência Computacional: A abordagem de subamostragem alcançou uma redução dramática no tempo de computação. Para regressão logística, o tempo total de execução foi reduzido em aproximadamente 60–70% (ex.: de ~11,8s para ~5,8s para o NICE). Para modelos de aprendizado de máquina mais complexos (SuperLearner), a redução foi ainda mais pronunciada, caindo de ~63 minutos para ~3–5 minutos.
• Desempenho Estatístico: As estimativas de risco dos dados subamostrados foram comparáveis às de contrapartida dos dados completos. O aumento da razão controle-caso ($J$) de 5 para 20 reduziu os erros padrão, aproximando-os das estimativas da amostra completa. Os boxplots das médias de bootstrap mostraram que as versões de subamostragem acompanharam de perto os resultados dos dados completos.
• Robustez: O método permaneceu eficaz em cenários de prevalência média (~2,5% e ~6%), embora a vantagem computacional tenha diminuído naturalmente conforme a taxa de eventos aumentou.

Aplicação no Mundo Real:

• Dataset: Uma coorte de 127.399 veteranos dos EUA dispensados de hospitais psiquiátricos, acompanhados para risco de suicídio (331 eventos) ao longo de cinco intervalos de 6 meses.
• Desempenho: O estimador ICE de subamostragem rodou em aproximadamente um quarto do tempo exigido pela versão de dados completos (5,73s vs. 24,66s por ajuste).
• Precisão: As estimativas pontuais para o risco de suicídio sob diferentes estratégias de tratamento (sempre tratado vs. nunca tratado) foram semelhantes entre os dois métodos. A abordagem de subamostragem mostrou erros padrão ligeiramente maiores no ponto temporal final, consistente com o tamanho reduzido da amostra, mas manteve a validade geral.

Significância e Alegações

O artigo afirma que o método proposto oferece uma alternativa escalável para a estimativa de coorte completa em inferência causal longitudinal em cenários de eventos raros. Sua principal significância reside em permitir a aplicação de inferência causal rigorosa baseada na fórmula-g em conjuntos de dados massivos onde a estimativa de amostra completa é computacionalmente inviável, particularmente quando o resampling de bootstrap é necessário para inferência.

Os autores enfatizam que:

1. O método preserva a consistência sem exigir novas suposições de identificação além das da fórmula-g padrão.
2. Ele alivia o gargalo computacional causado pelo ajuste repetido de modelos em conjuntos de risco altamente desequilibrados.
3. É flexível, permitindo razões de amostragem adaptativas e diversos esquemas de ponderação, desde que as equações de equilíbrio sejam atendidas.
4. A abordagem é particularmente valiosa para análises online ou rotineiras onde os modelos devem ser reajustados frequentemente conforme novos dados chegam, visto que as economias cumulativas de tempo no processo de bootstrap são substanciais (ex.: reduzindo um processo de bootstrap de 6,9 horas para 1,6 horas).

O artigo conclui que, embora o passo de subamostragem reduza o custo, ele não altera o estimando alvo, tornando-o uma ferramenta prática para pesquisadores lidando com dados longitudinais de grande escala e desfechos raros.