Targeted maximum likelihood estimation for longitudinal two-stage designs with outcome subsampling

Resumo Técnico: Estimativa de Máxima Verossimilhança Direcionada para Desenhos Longitudinais de Dois Estágios com Subamostragem de Desfecho

Enunciado do Problema
O artigo aborda o desafio de estimar eficientemente parâmetros causais gerais em desenhos longitudinais de dois estágios que apresentam subamostragem de desfecho. Este desenho é motivado por estudos longitudinais de sobrevivência em ambientes com recursos limitados, particularmente aqueles que investigam a mortalidade relacionada ao HIV. Nesses estudos, uma proporção significativa de participantes é perdida no seguimento (LTFU - lost to follow-up) antes que a morte seja registrada ou que ocorra a censura à direita. A prática padrão envolve o rastreamento retrospectivo de um subconjunto desses indivíduos em LTFU para verificar seu status vital (reamostragem).

A abordagem analítica dominante, o estimador de Kaplan-Meier ponderado por probabilidade inversa (wKM), atribui pesos baseados em probabilidades de reamostragem conhecidas. No entanto, os autores argumentam que os estimadores wKM sofrem perdas substanciais de eficiência porque descartam o rico histórico de covariáveis longitudinais disponível para todos os participantes, baseando-se apenas na ponderação inversa, que descarta dados de indivíduos não amostrados. Além além disso, os métodos padrão de estimativa de variância frequentemente falham em fornecer inferência válida quando são empregados estimadores de nulidade (nuisance estimators) adaptativos aos dados e flexíveis, levando a coberturas de intervalo de confiança bem abaixo dos níveis nominais (tão baixas quanto 76%).

Estrutura Metodológica
Os autores formalizam os desenhos de reamostragem como um caso específico da classe mais ampla de desenhos de dois estágios com subamostragem de desfecho. Neste framework:

• Estágio 1: Dados $V$ (covariáveis e tempos de censura) são coletados para todos os participantes.
• Estágio 2: Informação de desfecho $X$ é coletada apenas para um subconjunto selecionado indicado por $\Delta=1$.
• Dados Completos (Full Data): Definidos como $X = (W, \tau, \bar{L}(\tau), \bar{Y}(\tau))$, onde $\tau$ é a censura administrativa e $\bar{Y}(\tau)$ é o processo de sobrevivência.

O artigo propõe dois novos estimadores baseados em Estimativa de Máxima Verossimilhança Direcionada (TMLE) para abordar as ineficiências do wKM:

1. IPCW-LTMLE (TMLE Longitudinal com IPCW):

   • É uma extensão do TMLE ponderado pela probabilidade inversa de censura (IPCW-TMLE) para desenhos de dois estágios aplicada ao cenário longitudinal.
   • Aplica um LTMLE aos "dados completos" (observados apenas para $\Delta=1$) e utiliza pesos de probabilidade inversa ($\Delta/\Pi_\Delta$) para contabilizar a ausência de dados.
   • Inovação: Os autores demonstram que, mesmo quando as probabilidades de amostragem são conhecidas por desenho, estimar e direcionar essas probabilidades produz reduções significativas de variância (até 36%). Isso é alcançado ao adicionar uma etapa de flutuação para impor uma condição de curva de influência de média zero, efetivamente incorporando informações de todos os participantes em vez de apenas do subconjunto amostrado.

2. LTMLE com a Amostragem como um Nó de Intervenção:

   • Reconhecendo que a ponderação inversa inerentemente sacrifica a eficiência em relação à estimativa plug-in, os autores propõem um segundo estimador que evita totalmente a ponderação inversa.
   • Este método incorpora o indicador de amostragem do segundo estágio $\Delta$ diretamente como um nó de intervenção adicional na estrutura de regressão sequencial.
   • O estimador visa um desfecho contrafactual sob uma intervenção conjunta que impede a censura e define $\Delta=1$ para todos os participantes.
   • Esta abordagem aproveita todo o histórico de covariáveis longitudinais de todos os participantes (independentemente do status de amostragem) e adere aos princípios de estimativa plug-in.

Estimativa de Variância e Cross-fitting
Uma contribuição crítica do artigo é o desenvolvimento de estimadores de variância com cross-fitting para ambos os métodos propostos. Os autores identificam que a estimativa de variância padrão baseada em curva de influência gera inferência inválida (subcobertura) quando estimadores de nulidade flexíveis (ex: Super Learner) são utilizados devido ao overfitting.

• Eles propõem uma abordagem híbrida: o estimador pontual é computado nos dados completos para preservar estabilidade e eficiência, enquanto a etapa de estimativa de variância utiliza divisão de amostra (sample splitting/cross-fitting).
• Para o IPCW-LTMLE, isso envolve o cross-fitting tanto do componente da curva de influência dos dados completos quanto da projeção do termo no espaço tangente do mecanismo de amostragem.
• Demonstra-se que este procedimento é essencial para restaurar a cobertura dos intervalos de confiança aos níveis nominais.

Resultados de Simulação
Os autores avaliam os estimadores via simulações com tamanhos de amostra $N \in \{500, 1000, 3000\}$ em um cenário de reamostragem com censura bivariada (administrativa e de amostragem).

• Eficiência: O LTMLE plug-in (sem ponderação inversa) atinge consistentemente a menor variância, superando o wKM com pesos conhecidos em até 73% em amostras menores e pontos temporais iniciais. O IPCW-LTMLE com pesos direcionados também mostra ganhos consistentes de 20–35% sobre o wKM padrão.
• Viés: Todos os estimadores propostos exibem viés empírico negligenciável em todos os cenários.
• Cobertura: Os estimadores de variância padrão resultam em coberturas tão baixas quanto 76% para o IPCW-LTMLE e 80% para o Hazard TMLE em $N=500$. Os estimadores de variância com cross-fitting propostos restauram consistentemente a cobertura para níveis próximos ao nominal (aprox. 95%).
• Comportamento em Amostras Finitas: Em $N=500$ e pontos temporais iniciais ($t=1$), todos os estimadores enfrentam desafios devido ao baixo número de eventos e altos graus de informação determinística, levando a distribuições de amostragem não normais. No entanto, a cobertura melhora significativamente conforme o tamanho da amostra aumenta.

Significância e Alegações
O artigo afirma fornecer uma extensão sistemática da teoria de eficiência semiparamétrica para desenhos longitudinais de dois estágios com subamostragem de desfecho.

• Formalização: Estabelece a conexão entre desenhos de reamostragem e a classe mais ampla de desenhos de dois estágios com subamostragem de desfecho, permitindo a aplicação de ferramentas avançadas de inferência causal.
• Eficiência: Os estimadores propostos oferecem alternativas de forma fechada altamente eficientes em cenários onde estimadores de forma fechada totalmente eficientes não existem devido à censura bivariada.
• Utilidade Prática: Ao demonstrar que o direcionamento de pesos de amostragem conhecidos e a exclusão total da ponderação inversa podem gerar reduções substanciais de variância, o artigo oferece uma alternativa mais eficiente ao amplamente utilizado estimador wKM.
• Inferência Robusta: O trabalho enfatiza que a estimativa de variância com cross-fitting não é apenas uma melhoria opcional, mas uma prática essencial para uma inferência válida ao utilizar estimativa de nulidade adaptativa aos dados em esses desenhos complexos.

Os autores concluem que estes métodos expandem o conjunto de ferramentas metodológicas para analisar desenhos de dois estágios, oferecendo estimadores que são mais eficientes, robustos e confiáveis do que as abordagens existentes, particularmente no contexto de estudos longitudinais de sobrevivência com subamostragem de desfecho.