Resumo Técnico: MEC-Cox para Estimativa de Razão de Risco Marginal ATT

1. Definição do Problema

O artigo aborda o desafio de estimar efeitos causais de tratamento em ensaios de sobrevivência de braço único com controle externo, um delineamento cada vez mais utilizado em oncologia e doenças raras, onde controles randomizados concomitantes são inviáveis. O alvo específico é a Razão de Risco Marginal do Efeito do Tratamento sobre os Tratados (ATT), que compara o risco marginal sob tratamento contra o risco marginal contrafactual sob controle dentro da população do ensaio tratado.

As principais dificuldades inferenciais identificadas são:

1. Sensibilidade à Especificação Incorreta do Modelo: A regressão de Cox por Pesagem Inversa pela Probabilidade (IPW) padrão depende do escore de propensão da fonte. Se o modelo paramétrico para o escore de propensão for mal especificado (ex: devido a relações não lineares), o estimador de Cox ponderado sofre de viés severo.
2. Complexidade da Estimativa de Variância: A inferência válida para estimadores de Cox IPW é tecnicamente desafiadora porque a verossimilhança parcial ponderada depende dos pesos tanto através das contribuições de eventos quanto das médias do conjunto de risco.
   • Estimadores de variância ingênuos ignoram a estrutura de ponderação.
   • Estimadores de sanduíche robustos (ex: Lin–Wei/Binder) tratam os pesos estimados como fixos, ignorando a incerteza da estimativa do escore de propensão.
   • Estimadores de sanduíche corrigidos (ex: Shu et al., 2021b) contabilizam a incerteza do peso, mas tipicamente dependem de modelos de escore de propensão parametricamente bem especificados, tornando-se sensíveis à especificação incorreta.
3. Integração de Aprendizado de Máquina (ML): Embora a Estimativa de Máxima Verossimilhança Alvo (TMLE) e o Double Machine Learning (DML) incorporem com sucesso ML flexível para estimandos do tipo média, estender isso para a estimativa de razão de risco de Cox não é trivial. Isso geralmente requer a derivação de uma Função de Influência Eficiente (EIF) ou escores de Neyman-ortogonais, que são analiticamente complexos para modelos de Cox devido à dependência não linear do escore em relação aos pesos via médias do conjunto de risco.

2. Metodologia: MEC-Cox

Os autores propõem o MEC-Cox, um método que adapta o framework de Calibração de Entropia Generalizada Assistida por Machine Learning (MEC) (Lee e Kim, 2026) para a regressão de Cox IPW. O método opera em duas etapas principais:

A. Construção do Peso de Linha de Base (Baseline)

1. Estimativa do Escore de Propensão da Fonte: O escore de propensão da fonte $\pi(X) = P(A=1|X)$ é estimado usando métodos de ML flexíveis (ex: BART, Deep Learning) ou regressão logística paramétrica via cross-fitting de K-folds para evitar overfitting.
2. Pesos de Transporte de ATT: Para controles externos ($A=0$), os pesos de linha de base são construídos como odds de ATT normalizadas: $d_i = n_1 \hat{q}(X_i) / \sum \hat{q}(X_j)$, onde $\hat{q}(X) = \hat{\pi}(X)/(1-\hat{\pi}(X))$. Esses pesos transportam a distribuição do controle externo para a população do ensaio tratado.

B. Etapa de Calibração de Bregman

A inovação central é uma etapa de calibração que refina os pesos de linha de base para balancear sumários prognósticos em vez de apenas covariáveis brutas.

1. Construção da Base de Calibração: Um escore prognóstico via cross-fitting é gerado para todos os sujeitos. O artigo sugere usar probabilidades de sobrevivência de controle de landmark $\hat{S}_0(t_k | X)$ estimadas a partir da coorte de controle externo usando aprendizes de sobrevivência flexíveis (ex: Random Survival Forests ou modelos de Cox). O vetor de base é $h_i = (1, \hat{S}_0(t_1|X_i), \dots, \hat{S}_0(t_{p-1}|X_i))$.
2. Projeção de Bregman: Os pesos de linha de base $d_i$ são atualizados para novos pesos $w_i$ minimizando uma divergência de Bregman $D_G(w_i \| d_i)$ sujeito à restrição de que a média ponderada da base de calibração no grupo de controle externo coincida com a do grupo do ensaio tratado:
   $$\sum_{i \in I_0} w_i h_i = \sum_{i \in I_1} h_i$$
   A solução assume a forma $w_i = g^{-1}(g(d_i) + \lambda^\top h_i)$, onde $\lambda$ é o parâmetro dual que resolve a equação de calibração.
3. Estimativa Final: Os pesos atualizados $\tilde{\omega}_i = A_i + (1-A_i)w_i$ são usados na equação de estimativa de Cox IPW padrão para resolver a razão de log-risco marginal $\theta_{ATT}$.

C. Estimativa de Variância

Para contabilizar a incerteza introduzida pela etapa de calibração, os autores propõem um estimador de variância de sanduíche empilhado (stacked sandwich).

• Eles empilham a equação de estimativa de Cox ponderada para $\theta$ com a equação de calibração dual para $\lambda$.
• A variância é derivada da função de influência deste sistema conjunto, tratando efetivamente a estimativa do parâmetro de calibração como uma fonte de variabilidade semelhante à estimativa do escore de propensão em estimadores de sanduíche corrigidos.
• Esta abordagem contabiliza a incerteza de primeira ordem do parâmetro de calibração $\lambda$, enquanto trata as funções de confusão (nuisance functions) via cross-fitting (escores de propensão e modelos prognósticos) como fixas no cálculo do sanduíche.

3. Principais Contribuições e Resultados Teóricos

• Consistência: O Teorema 2 estabelece que o estimador MEC-Cox é consistente para a razão de log-risco marginal de ATT sob suposições causais padrão (consistência, transportabilidade de sobrevivência, positividade) e condições de regularidade. Crucialmente, a consistência do estimador não exige que a base de calibração (modelo prognóstico) seja corretamente especificada; requer apenas que o escore de propensão da fonte seja consistentemente estimado e que a base de calibração seja estocasticamente limitada em $L_2$.
• Ganho de Eficiência: O Teorema 3 demonstra que, sob uma condição de projeção, a variância de sanduíche empilhada do MEC-Cox não é maior que a variância robusta Lin–Wei de pesos fixos. A etapa de calibração remove efetivamente o componente da variação do escore de Cox explicado pela base de calibração, levando a potenciais ganhos de eficiência.
• Base Oráculo: A Proposição 4 mostra que, se existir um escore prognóstico de controle "oráculo" (um sumário suficiente para o desfecho de controle contrafactual), o uso deste como base de calibração minimiza a variação residual da contribuição de Cox ponderada, maximizando teoricamente a eficiência.
• Flexibilidade: O método permite a integração de métodos de ML flexíveis (BART, Random Survival Forests, Deep Learning) tanto para a estimativa do escore de propensão quanto para a construção do sumário prognóstico, sem exigir a derivação de EIFs complexas.

4. Resultados Empíricos

O artigo avalia o MEC-Cox através de estudos de simulação e uma aplicação de dados reais.

Estudos de Simulação

• Cenário 1 (Modelos Lineares): Em configurações com modelos lineares corretamente especificados, o MEC-Cox (usando regressão logística para escores de propensão e modelos de Cox para prognóstico) alcançou menor viés e Erro Quadrático Médio (RMSE) do que os estimadores ATT-IPW padrão, demonstrando ganhos de eficiência mesmo sem especificação incorreta do modelo.
• Cenário 2 (Modelos Não Lineares): Em configurações com severa não linearidade tanto nos modelos de seleção de fonte quanto de desfecho, os estimadores IPW padrão usando regressão logística exibiram viés significativo devido à especificação incorreta do escore de propensão. O MEC-Cox, utilizando BART para escores de propensão e aprendizes de sobrevivência flexíveis (RSF) para a base de calibração, reduziu com sucesso o viés e o RMSE, mantendo a cobertura próxima aos níveis nominais.

Aplicação de Dados Reais

O método foi aplicado para comparar a terapia hormonal (ensaio GBSG) versus não terapia hormonal (banco de tumores de Rotterdam) para recorrência livre de câncer de mama.

• Desbalanceamento: A comparação não ponderada não mostrou diferença significativa, mas o desbalanceamento de covariáveis bruto era severo (Max SMD = 1.158).
• Resultados: A regressão de Cox ATT-IPW padrão sugeriu um benefício significativo da terapia hormonal (HR = 0.569), mas deixou desbalanceamento residual (Max SMD = 0.270) e alta variabilidade de peso.
• Desempenho do MEC-Cox: As implementações do MEC-Cox (usando tanto GLM/Cox quanto DL/RSF) produziram conclusões qualitativas semelhantes (HR $\approx$ 0.61–0.65), mas com melhor estabilidade de peso (maior Tamanho de Amostra Efetivo, menor Coeficiente de Variação) e superior balanceamento de covariáveis (Max SMD < 0.15). Os erros padrão também foram reduzidos em comparação com a abordagem IPW padrão.

5. Significância e Alegações

O artigo afirma que o MEC-Cox preenche uma lacuna na literatura sobre a estimativa de razão de risco marginal em ensaios com controle externo.

• Robustez: Oferece uma solução para a sensibilidade dos métodos existentes à especificação incorreta do modelo de escore de propensão, alavancando ML flexível.
• Inferência: Fornece um framework de estimativa de variância válido (sanduíche empilhado) que contabiliza a incerteza da etapa de calibração, abordando uma limitação de estimadores robustos ingênuos.
• Eficiência: Ao balancear sumários prognósticos em vez de apenas covariáveis brutas, o método melhora a eficiência em amostras finitas.
• Praticidade: O solver Newton dual para a etapa de calibração é computacionalmente eficiente, operando no espaço de baixa dimensão da base de calibração em vez do espaço de alta dimensão dos pesos.

Os autores observam que, embora o MEC-Cox melhore a eficiência e a robustez, ele não pretende atingir o limite de eficiência semiparamétrica para a razão de log-risco marginal de ATT, nem estabelece uma propriedade de dupla robustez para a regressão de Cox ponderada no mesmo sentido algébrico que para estimandos do tipo média. O método assume censura independente específica da fonte, e extensões para censura informativa são deixadas para trabalhos futuros.