Resumo Técnico: Anchors Away: Navegando em Comparações Indiretas Não Ancoradas com Regressão Meta-Analítica Multinível sem Âncora (ML-UMR)

1. Declaração do Problema

Na Avaliação de Tecnologias de Saúde (ATS), os tomadores de decisão frequentemente encontpam redes de evidências desconectadas, o que significa que os tratamentos são avaliados em estudos separados (por exemplo, estudos de braço único) sem um comparador comum (como um placebo ou padrão de cuidado). Nestes cenários "não ancorados", a Metanálise de Rede (NMA) padrão é inaplicável porque não há uma âncora compartilhada para ligar as evidências.

Os métodos existentes de comparação indireta ajustada pela população (PAIC), primariamente a Comparação Indireta Ajustada por Correspondência (MAIC) e a Comparação de Tratamento Simulada (STC), são amplamente utilizados para abordar isso. No entanto, os autores identificam três limitações críticas:

1. Restrição Pareada: Eles são geralmente limitados a comparações pareadas e têm dificuldade em sintetizar múltiplos tratamentos ou estudos simultaneamente.
2. Desalinhamento da População-Alvo: Eles tipicamente estimam efeitos na população do estudo do comparador. Na ATS, a população relevante para a decisão é frequentemente a população do estudo índice ou uma jurisdição específica. Transportar efeitos do comparador para a população índice frequentemente depende de suposições implícitas e não testadas.
3. Falta de um Framework Unificado: Os métodos atuais não separam explicitamente a identificação dos efeitos do tratamento (distinguindo efeitos do tratamento de diferenças populacionais) da transportabilidade desses efeitos para uma população alvo. Isso limita a inferência coerente entre múltiplos tratamentos e contextos de decisão.

2. Metodologia: Regressão Meta-Analítica Multinível sem Âncora (ML-UMR)

Os autores propõem o ML-UMR, um framework de regressão de desfecho bayesiano unificado projetado para sintetizar Dados Individuais de Pacientes (IPD) e Dados Agregados (AgD) de evidências totalmente desconectadas. Ele estende a Regressão Meta-Analítica de Rede Multinível (ML-NMR) para cenários não ancorados.

Estrutura Central do Modelo

O ML-UMR utiliza um modelo de regressão de desfecho hierárquico onde a relação entre desfechos, tratamentos e covariáveis de base (fatores prognósticos) é modelada ao nível individual, mesmo quando apenas dados agregados estão disponíveis para alguns estudos.

• Regressão de Desfecho: Para o tratamento $k$, a média condicional do desfecho é modelada como:
  $$g(\theta_k(x)) = \alpha_k + x^\top \beta_k$$
  onde $g(\cdot)$ é uma função de ligação, $\alpha_k$ é um intercepto específico do tratamento e $\beta_k$ representa os efeitos das covariáveis.
• Verossimilhança Conjunta: O framework constrói uma verossimilhança conjunta combinando:
  1. Componente de Nível Individual (IPD): Verossimilhança padrão para estudos com IPD.
  2. Componente de Nível Agregado (AgD): Para estudos com apenas AgD, o modelo integra o modelo de desfecho condicional sobre a distribuição de covariáveis reconstruída daquele estudo ($f_B(x)$) para derivar a média marginal. Isso envolve integração numérica (ex: quasi-Monte Carlo) para evitar o viés de agregação, particularmente para funções de ligação não lineares.
• Suposições de Identificação: A inferência válida depende da trocabilidade condicional entre estudos e da Suposição de Fator Prognóstico Compartilhado (SPFA). Sob a SPFA, assume-se que os efeitos das covariáveis ($\beta$) são idênticos entre os tratamentos ($\beta_A = \beta_B$), implicando que não há interação tratamento-covariável (modificação de efeito).
  • Relaxamento da SPFA: O framework permite relaxar a SPFA se dados de subgrupos estiverem disponíveis, permitendo a estimativa de efeitos de covariáveis específicos do tratamento. Alternativamente, análises de sensibilidade estruturadas (ex: análises de ponto de ruptura/tipping point) podem ser realizadas para avaliar o impacto da violação da SPFA.

Transportabilidade

Uma vez identificados os efeitos do tratamento, o ML-URM transporta-os para qualquer população alvo de decisão ($\tilde{P}$) via padronização específica da população (g-computação bayesiana). Isso envolve integrar o modelo de desfecho estimado sobre a distribuição de covariáveis da população alvo ($f_{\tilde{P}}(x)$).

• Efeitos Condicionais: Sob a SPFA e preditores lineares, os efeitos condicionais são invariantes à população alvo.
• Efeitos Marginais: Efeitos marginais (ex: razões de risco, razões de chances) geralmente dependem da distribuição de covariáveis da população alvo e devem ser re-padronizados para cada população específica de interesse.

Extensões

O artigo descreve extensões para:

• Múltiplos Tratamentos: Generalização da formulação pareada para $K$ tratamentos.
• Múltiplos Estudos por Tratamento: Incorporação de heterogeneidade entre estudos via interceptos de estudo fixos ou aleatórios.
• Desfechos de Sobrevivência: Adaptação do framework para dados de tempo até o evento através da reconstrução de pseudo-IPD a partir de curvas de Kaplan-Meier e marginalização sobre distribuições de covariáveis para a verossimilhança agregada.

3. Resultados do Estudo de Simulação

Os autores realizaram um estudo de simulação de Monte Carlo comparando o ML-UMR (sob SPFA e com SPFA relaxada) contra MAIC e STC usando evidências de braço único desconectadas com desfechos binários.

• População do Comparador: Todos os métodos (ML-UMR, MAIC, STC) recuperaram com sucesso os efeitos do tratamento na população do comparador com baixo viés e cobertura nominal, mesmo quando a SPFA foi violada.
• Transporte para a População Alvo (Índice):
  • MAIC e STC: Exibiram viés substancial e baixa cobertura ao transportar efeitos marginais (ex: log razões de risco) para a população índice, particularmente sob desequilíbrio populacional ou modificação de efeito. Isso destaca a falha das suposições de transporte implícitas nesses métodos.
  • ML-UMR (SPFA): Desempenhou bem quando a SPFA se manteve, mas mostrou aumento de viés conforme as violações da SPFA (modificação de efeito) e o desequilíbrio populacional aumentavam.
  • ML-UMR (SPFA Relaxada): Quando os dados de subgrupo foram usados para relaxar a SPFA, o ML-UMR restaurou a estimativa quase livre de viés e a cobertura nominal em todos os cenários.
• Robustez: Os resultados foram robustos a erros de especificação moderados nas estruturas de dependência de covariáveis.
• Tamanho da Amostra: O aumento do tamanho da amostra reduziu a variância, mas não reduziu o viés estrutural; de fato, levou a intervalos de credibilidade mais estreitos em torno de estimativas enviesadas, exacerbando a sub-cobertura em cenários de violação de suposições.

4. Principais Contribuições

1. Formalização de Suposições: O artigo distingue explicitamente entre suposições de identificação (necessárias para separar efeitos de tratamento de diferenças populacionais em dados desconectados) e suposições de transportabilidade (necessárias para aplicar esses efeitos a uma população alvo específica).
2. Framework Unificado (ML-UMR): Introduz um framework bayesiano generalizável que sintetiza IPD e AgD de evidências desconectadas, suportando múltiplos tratamentos, múltiplos estudos e múltiplas populações alvo simultaneamente.
3. Demonstração de Riscos de Transportabilidade: Através de simulações, os autores demonstram que, embora os métodos de PAIC possam parecer robustos na população do comparador, eles podem gerar resultados enviesados em populações relevantes para a decisão se as suposições de transportabilidade (especificamente em relação à modificação de efeito e colapsibilidade) não forem explicitamente modeladas e testadas.

5. Significância e Alegações

Os autores afirmam que o ML-UMR não elimina as limitações inerentes das comparações não ancoradas (que dependem de suposições fortes e muitas vezes não verificáveis como a SPFA). Em vez disso, ele torna essas suposições explícitas dentro de um framework de modelagem transparente.

A significância deste trabalho reside no seu alinhamento com os requisitos de evidência da ATS:

• Permite que analistas estimem efeitos de tratamento diretamente na população alvo relevante para a decisão, em vez de depender de transporte implícito de uma população comparadora.
• Facilita análises de sensibilidade estruturadas para quantificar como as violações das suposições de identificação (ex: modificação de efeito) impactam os resultados de custo-efetividade e decisões de reembolso.
• Oferece uma alternativa principada aos métodos pareados atuais, proporcionando uma abordagem coerente para sintetizar evidências desconectadas que é melhor adequada para avaliações econômicas de saúde complexas.

O artigo conclui observando que trabalhos futuros devem focar em análise de viés quantitativo (QBA) para comparações não ancoradas e na extensão destes métodos para redes parcialmente conectadas, onde parte da evidência está ancorada e parte não.