Efficient Cumulative Incidence Estimation in Biobank Studies Using All Prevalent and Incident Events

Resumo Técnico: Estimativa Eficiente de Incidência Cumulativa em Estudos de Biobancos

Declaração do Problema
O artigo aborda o desafio de estimar a Função de Incidência Cumulativa (FIC) para uma doença específica utilizando dados de biobancos populacionais. Estudos de biobancos tipicamente recrutam indivíduos dentro de uma janela de idade específica $[R_L, R_U]$ (por exemplo, idades de 40 a 69 anos no UK Biobank) e os acompanham prospectivamente. Este delineamento introduz duas complexidades estatísticas críticas:

1. Truncamento à Esquerda: Indivíduos são observados apenas se sobreviverem até a sua idade de recrutamento $R_i$. Consequentemente, a incidência deve ser estimada condicionada à sobrevivência a $R_L$, denotada por $G_1(t | T_2 > R_L)$.
2. Casos Prevalentes vs. Incidentes: Os dados incluem "casos prevalentes" (indivíduos diagnosticados antes do recrutamento) e "casos incidentes" (diagnosticados após o recrutamento). Além disso, a doença não é terminal; indivíduos podem morrer após o diagnóstico ou permanecer vivos ao final do acompanhamento.

Métodos existentes falham em lidar eficientemente com a combinação desses fatores. O estimador de Aalen-Johansen (AJ) ajustado para truncamento à esquerda padrão exclui casos prevalentes, estimando efetivamente um alvo diferente: a FIC condicionada a estar livre de doença no recrutamento ($G_1(t | T_1 > R_L, T_2 > R_L)$). Métodos de Ponderação pela Probabilidade Inversa (IPW), como os de Chang e Tzeng (2006), Vakulenko-Lagun et al. (2017) e Gorfine et al. (2025) (GZS), tentam incluir casos prevalentes, mas sofrem de limitações significativas. Especificamente, o estimador GZS atribui massa positiva apenas a casos de doença onde o indivíduo morreu durante o período de acompanhamento. Isso leva a um viés substancial e ineficiência em cenários onde a sobrevivência após o início da doença é longa (uma característica comum para doenças como o câncer de mama), pois muitos casos prevalentes e incidentes permanecem vivos ao final do estudo e são, assim, descartados pelo método GZS.

Metodologia
Os autores propõem um novo estimador de FIC totalmente não paramétrico, denotado por $\hat{G}_1(t^*_1)$, projetado para incorporar todos os casos de doença observados (tanto prevalentes quanto incidentes), independentemente de o indivíduo ter morrido durante o estudo ou sobrevivido até o final do acompanhamento.

O estimador é construído dentro do modelo de doença-doença (riscos semicompetitivos), onde as transições ocorrem de saudável (0) para doente (1) e de doente (1) para morto (2), ou diretamente de saudável (0) para morto (2). O núcleo do método proposto envolve um esquema de ponderação derivado da densidade conjunta condicional dos dados. O estimador assume a forma:
$$\hat{G}_1(t^*_1) = \frac{1}{n} \sum_{i=1}^n \delta_{1i} I(V_{1i} \le t^*_1) \hat{Q}(V_{1i})$$
onde $\delta_{1i}$ indica o início da doença, $V_{1i}$ é o tempo observado do primeiro evento (diagnóstico ou morte) e $\hat{Q}$ é uma função de peso orientada pelos dados.

Para garantir a consistência, $\hat{Q}$ é escolhido como o inverso de uma função estimada $\hat{B}(V_{1i})$, que contabiliza:

• A distribuição das idades de recrutamento condicionada à sobrevivência ($f_{R|R \le T_2}$).
• A função de sobrevivência da morte ($S_{T_2}$).
• A sobrevivência condicional da morte dado o início da doença ($S_{T_2|T_1}$).
• A distribuição do tempo do recrutamento até a censura ($S_W$).

A função de sobrevivência condicional $S_{T_2|T_1}$ é estimada usando uma abordagem de regressão não paramétrica baseada em kernel (versão Nelson-Aalen do estimador de Beran). A largura de banda (bandwidth) para o kernel é selecionada via um procedimento de validação cruzada $K$-fold baseado em resíduos de martingala.

Principais Contribuições

1. Novo Estimador: O artigo introduz o primeiro estimador de FIC totalmente não paramétrico e consistente no modelo doença-doença que utiliza todos os casos de doença, incluindo casos prevalentes e aqueles que sobrevivem ao período do estudo.
2. Propriedades Teóricas: Os autores estabelecem a consistência e a normalidade assintótica do estimador proposto. Eles fornecem fórmulas explícitas para a função de influência, permitindo a construção de intervalos de confiança pontuais e bandas de confiança simultâneas.
3. Ganhos de Eficiência: Ao incorporar dados que métodos anteriores descartam (especificamente, casos prevalentes e sobreviventes de longo prazo), o novo método alcança uma eficiência substancialmente maior, resultando em intervalos de confiança mais estreitos.
4. Implementação de Software: Um pacote em R, illdthCIF1, é fornecido para implementar o estimador proposto.

Resultados

• Estudo de Simulação: Os autores conduziram simulações extensas em diferentes cenários envolvendo diferentes distribuições para o início da doença, morte e censura.
  • Em cenários de acompanhamento curto relativo à sobrevivência pós-diagnóstico (onde muitos pacientes permanecem vivos), o estimador GZS exibiu viés sério, subestimando a FIC. O estimador proposto permaneceu amplamente não enviesado, com apenas um leve viés em configurações específicas que diminuía com o tamanho da amostra.
  • Em cenários de acompanhamento longo, o estimador GZS foi não enviesado, mas o estimador proposto demonstrou menor desvio padrão (maior eficiência).
  • O método proposto forneceu cobertura satisfatória tanto para intervalos de confiança pontuais quanto para bandas de confiança simultâneas na maioria dos cenários.
• Aplicação no UK Biobank: O método foi aplicado a dados de câncer de mama e outros tipos de câncer do UK Biobank (aproximadamente 250.000 participantes do sexo feminino).
  • Para o câncer de mama, onde a sobrevivência pós-diagnóstico é frequentemente longa, o estimador GZS subestimou sistematicamente a FIC em comparação com os métodos AJ e o proposto.
  • O estimador proposto e o estimador AJ produziram estimativas pontuais semelhantes para o câncer de mama, mas o método proposto apresentou bandas de confiança significativamente mais estreitas. Especificamente, a largura média da banda de confiança simultânea de 95% para o câncer de mama foi reduzida de 0,0068 (AJ) para 0,0035 (proposto), representando um ganho de eficiência de quase duas vezes.
  • Para cânceres com sobrevivência pós-diagnóstico mais curta (ex: pulmão, leucemia), todos os três métodos produziram estimativas semelhantes, uma vez que as mortes foram observadas de forma mais completa.

Significância
O artigo afirma que sua principal significância reside em preencher uma lacuna metodológica na análise de biobancos. Embora os biobancos ofereçam um poder sem precedentes para estudar doenças raras e desfechos de longa latência, os estimadores padrão ou descartam dados prevalentes valiosos (AJ) ou falham em considerar a sobrevivência longa após o diagnóstico (GZS). O método proposto permite a estimativa eficiente e consistente da incidência de doenças condicionada à sobrevivência ao recrutamento, utilizando todo o espectro de dados disponíveis. Isso é particularmente crucial para doenças como o câncer de mama, onde ignorar casos prevalentes ou sobreviventes de longo prazo leva a estimativas enviesadas ou ineficientes. Os autores enfatizam que sua abordagem alinha a estimativa com o verdadeiro estimando condicional dos estudos de biobanco, maximizando simultaneamente a eficiência estatística.