Improved prediction of extreme random effects in joint models: WRaPs

Resumo Técnico: Melhoria da predição de efeitos aleatórios extremos em modelos conjuntos: WRaPs

Definição do Problema
Na medicina personalizada, particularmente na oncologia e nos cuidados intensivos, há uma necessidade crescente de identificar pacientes com alto risco de desfechos graves, definidos não apenas pela sobrevivência, mas também por uma má Qualidade de Vida (QoL). Ferramentas de predição padrão em modelos conjuntos (que modelam simultaneamente desfechos longitudinais e de sobrevivência) dependem tipicamente de Melhores Preditores Lineares Não Viesados (BLUPs) ou estimativas Bayesianas Empíricas para efeitos aleatórios. No entanto, os BLUPs são conhecidos por apresentar "encolhimento" (shrinkage), puxando os valores extremos dos efeitos aleatórios em direção à média populacional. Em contextos clínicos onde o objetivo é sinalizar pacientes com saúde muito precária ou baixas probabilidades de sobrevivência, este encolhimento leva a predições excessivamente otimistas, causando a subidentificação de indivíduos de alto risco. Embora estimadores de efeitos aleatórios ponderados tenham sido propostos para modelos lineares mistos para mitigar isso, eles não haviam sido estendidos ao framework de modelos conjuntos, onde os processos longitudinais e de sobrevivência estão interligados.

Metodologia
Os autores propõem os WRaPs (Weighted Random effect Predictors - Preditores de Efeitos Aleatórios Ponderados), uma extensão dos métodos de estimação ponderada para modelos conjuntos com efeitos aleatórios compartilhados.

• Framework: O método opera dentro de um modelo conjunto onde um desfecho longitudinal ($Y_{ij}$) e um tempo de sobrevivência ($T_i$) são ligados via efeitos aleatórios específicos do sujeito compartilhados ($U_i$). O risco de sobrevivência é modelado como uma função de covariáveis de base e dos efeitos aleatórios compartilhados.
• Inovação Central: Em vez de minimizar o erro quadrático médio (MSE) padrão para obter os BLUPs, os WRaPs minimizam um erro quadrático médio ponderado da forma $E((\tilde{U} - U)'W(U; \lambda)(\tilde{U} - U))$. A função de peso $W(U; \lambda)$ é desenhada para penalizar erros mais pesadamente nas caudas da distribuição dos efeitos aleatórios.
• Funções de Peso: O artigo utiliza diversas funções de peso adaptadas de McCulloch e Neuhaus (2023), incluindo:
  • Quadrática ($SQ$):$W(u) = \exp(\lambda u^2)$
  • Absoluta ($AB$):$W(u) = \exp(\lambda |u|)$
  • Limiar Censurado ($CT$):$W(u) = I(|u| > \lambda)$
  • Assimétrica ($AS$):$W(u) = \exp(-\lambda u)$ (especificamente visando valores baixos).
• Implementação:
  • Soluções Analíticas: Para modelos básicos (ex: intercepto aleatório com sobrevivência log-normal), os autores derivam expressões analíticas de forma fechada para os WRaPs.
  • Soluções Numéricas Bayesianas: Para modelos complexos (ex: intercepto e inclinação aleatórios, riscos proporcionais), os autores empregam um framework Bayesiano utilizando métodos de Cadeia de Markov Monte Carlo (MCMC) via o pacote rjags. Os WRaPs são computados como a razão entre as médias a posteriori dos efeitos aleatórios ponderados e os próprios pesos.
• Estratégia de Sinalização (Flagging): O método é aplicado para "sinalizar" pacientes que se espera que morram ou sobrevivam com QoL abaixo do padrão dentro de um horizonte de tempo futuro. Um paciente é sinalizado se sua probabilidade de sobrevivência prevista cair abaixo de um limiar $c$ ou se sua média prevista de QoL cair abaixo de um percentil específico. O parâmetro de ajuste $\lambda$ é selecionado para equilibrar as Taxas de Verdadeiros Positivos (TPR) e as Taxas de Falsos Positivos (FPR).

Principais Contribuições

1. Extensão para Modelos Conjuntos: O artigo estende o conceito de predição de efeito aleatório ponderado de modelos lineares mistos para modelos conjuntos, acomodando a dependência entre os desfechos longitudinais de QoL e de sobrevivência.
2. Tratamento de Desfechos Extremos: Fornece um mecanismo para reduzir o viés de encolhimento inerente aos BLUPs, melhorando especificamente a precisão da predição para as caudas da distribuição dos efeitos aleatórios (ou seja, pacientes com os piores desfechos).
3. Ajuste Flexível: A introdução do parâmetro de ajuste $\lambda$ permite que clínicos ou pesquisadores autocalibrem o modelo de predição, trocando o MSE global por uma melhor sensibilidade na identificação de pacientes de alto risco.
4. Framework Computacional: O artigo fornece tanto derivações analíticas para casos simples quanto uma estratégia computacional Bayesiana robusta para estruturas de efeitos aleatórios complexas e de alta dimensão.

Resultados
Os autores avaliaram os WRaPs através de estudos de simulação de Tipo I e um estudo de caso utilizando dados de um ensaio de glioblastoma da EORTC (Stupp et al., 2005; Taphoorn et al., 2005).

• Estudos de Simulação:
  • Em modelos com interceptos e inclinações aleatórias, os WRaPs demonstraram consistentemente um Erro Quadrático Médio (MSE) menor do que os BLUPs para subgrupos com efeitos aleatórios extremos (ex: $|z_i| > 1,5$), enquanto os BLUPs mantiveram MSEs menores em toda a população.
  • Nas simulações de "sinalização", os WRaPs melhoraram significativamente a Taxa de Verdadeiros Positivos (TPR) para identificar pacientes que morreriam ou teriam baixa QoL. Por exemplo, em um cenário com uma Taxa de Falsos Positivos (FPR) de 5%, os WRaPs aumentaram a TPR de ~58% (BLUP) para ~65–80%, dependendo da função de peso e do limiar.
  • A função de peso Assimétrica (AS) foi particularmente eficaz para identificar pacientes com baixa QoL, alcançando TPRs superiores a 75% em FPRs moderados.
• Estudo de Caso (Glioblastoma):
  • Aplicado a 573 pacientes, o método sinalizou pacientes em risco de morte ou baixa QoL entre as semanas 33 e 46.
  • Para um limiar de QoL do 25º percentil, os WRaPs aumentaram a TPR de 32% (BLUP) para mais de 50% em todas as funções de peso, com FPRs entre 10–20%.
  • Para um limiar mais rigoroso do 5º percentil, os BLUPs foram muito conservadores (TPR = 5,7%), enquanto os W_RaPs (especificamente o método AS) alcançaram uma TPR de aproximadamente 75% com um FPR de 25%.
  • Os Valores Preditivos Positivos (PPV) e Negativos (NPV) geralmente melhoraram com os WRaPs em comparação aos BLUPs.

Significância e Alegações
O artigo alega que os WRaPs oferecem um método prático e eficaz para aumentar a detecção de pacientes em risco de desfechos graves ao mitigar o encolhimento dos efeitos aleatórios nas caudas de sua distribuição. Os autores posicionam os WRaPs não como um substituto para os BLUPs padrão em todos os contextos, mas como uma ferramenta especializada para cenários onde a identificação de desfechos extremos e negativos é crítica (ex: "sinalização de alto risco").

A significância reside na mudança do foco de métricas puramente baseadas em sobrevivência para um desfecho bidimensional (sobrevivência + QoL), abordando a realidade clínica de que os benefícios de sobrevivência podem não compensar os efeitos colaterais do tratamento ou a deterioração da qualidade de vida. Ao permitir o ajuste de $\lambda$ para equilibrar sensibilidade e especificidade, os WRaPs fornecem um complemento flexível e clinicamente interpretável às predições padrão de modelos conjuntos, apoiando uma mudança para um cuidado mais centrado no paciente em ambientes de oncologia e cuidados intensivos. Os autores observam que, embora a incerteza dos parâmetros tenha sido tratada via estimativas plug-in para reduzir a carga computacional, trabalhos futuros poderiam explorar a integração Bayesiana total da incerteza dos parâmetros ou preditores híbridos que combinem WRaPs e BLUPs em diferentes regiões da distribuição.