Resumo Técnico: B-CALM (Bias-Limited Bayesian Borrowing)

1. Definição do Problema

Ensaios Controlados Aleatorizados (RCTs) fornecem estimativas de validade interna para efeitos de tratamento, mas são frequentemente subdimensionados para estimar o Efeito Médio de Tratamento Condicional (CATE) em subgrupos de pacientes. Estudos Observacionais (OS) de larga escala oferecem amostras substanciais, mas sofrem com confusão (confounding), incompatibilidade populacional e sobreposição parcial de covariáveis (onde os RCTs e OSs compartilham algumas covariáveis $W$, mas possuem conjuntos únicos $U$ e $V$, respectivamente).

O desafio central é aproveitar os dados de OS para reduzir a incerteza na estimativa do CATE definido pelo RCT sem permitir que os dados enviesados do OS dominem a inferência (ou seja, evitando a "transferência negativa", onde o OS desloca o estimando para longe do alvo real do RCT). Métodos existentes frequentemente dependem de estimativas pontuais com incerteza propagada separadamente ou pesos de empréstimo globais que não modelam explicitamente a forma funcional do viés sob incompatibilidade de covariáveis.

2. Metodologia: B-CALM

Os autores propõem o B-CALM (Bayesian Calibrated ALignment under covariate Mismatch), um framework bayesiano que trata o OS como uma medição enviesada e parcialmente incompatível das superfícies de desfecho do RCT.

2.1 Arquitetura do Modelo

• Alinhamento Latente: Codificadores específicos da fonte ($q_{\phi_r}$ para RCT, $q_{\phi_o}$ para OS) mapeiam blocos distintos de covariáveis ($X_r = (W, U)$ e $X_o = (W, V)$) em um estado latente de paciente compartilhado $Z$. Isso cria um sistema de coordenadas comum para comparação.
• Superfícies de Desfecho:
  • Superfície do RCT: $\eta_r(a, z) = \mu(z) + a\tau(z)$, onde $\mu(z)$ é o prognóstico de controle e $\tau(z)$ é o CATE alvo.
  • Superfície do OS: $\eta_o(a, z) = \mu(z) + a\tau(z) + b_0(z) + ab_\Delta(z)$.
• Decomposição do Viés:
  • $b_0(z)$: Viés de Linha de Base (Baseline Bias), representando a diferença nos desfechos de controle entre OS e RCT no mesmo estado latente (ex: devido a comorbidades não mensuradas).
  • $b_\Delta(z)$: Viés Comparativo (Comparative Bias), representando a diferença nos contrastes de tratamento ($\tau_{OS} - \tau_{RCT}$) após contabilizar os deslocamentos de linha de base. Este é o parâmetro crítico que governa o empréstimo de informação.

2.2 Formulação Probabilística

O método aplica priors de Processos Gaussianos (GP) nas funções de desfecho ($\mu, \tau$) e nas funções de viés ($b_0, b_\Delta$).

• Mecanismo de Empréstimo: A variância do prior do viés comparativo, $\sigma^2_\Delta$, atua como um "botão de sensibilidade".
  • Se $\sigma^2_\Delta \to 0$, assume-se que os contrastes de OS e RCT são commensuráveis, permitindo o agrupamento total (full pooling).
  • Se $\sigma^2_\Delta \to \infty$, o contraste do OS é permitido como arbitrariamente enviesado, revertendo a inferência para apenas RCT.
  • Valores intermediários definem uma análise de sensibilidade onde o OS informa o CATE do RCT apenas na medida em que a função de viés é restringida pelo prior.

2.3 Alinhamento e Calibração

O framework incorpora uma Métrica de Probabilidade Integral (IPM) para quantificar o desajuste residual entre as distribuições latentes das duas fontes. O modelo otimiza um limite inferior variacional (ELBO) que inclui:

1. Termos de verossimilhança para ambos os desfechos de RCT e OS.
2. Divergência KL dos priors.
3. Uma penalidade de alinhamento (ex: MMD ou perda adversarial) para garantir que os espaços latentes estejam suficientemente alinhados.

3. Principais Contribuições Teóricas

O artigo estabelece quatro resultados teóricos principais:

1. Limite de Informação Limitado pelo Viés: Os autores provam que a informação que o OS pode contribuir sobre a função de efeito de tratamento do RCT é limitada pela precisão do prior da função de viés comparativo $b_\Delta$. Mesmo quando o tamanho da amostra do OS ($n_o$) tende ao infinito, o ganho de informação não diverge; ele satura.
2. Saturação do Tamanho de Amostra Efetivo (ESS): Em um caso especial escalar (ex: Efeito Médio de Tratamento), os autores derivam uma fórmula de ESS: $n_{eff} = n_o / (1 + n_o \sigma^2_b / \sigma^2_o)$. Quando $n_o \to \infty$, $n_{eff}$ converge para $\sigma^2_o / \sigma^2_b$. Isso demonstra que aumentar o tamanho da amostra do OS não pode superar a incerteza do prior sobre o viés.
3. Extensão para Funções de Valor: O Teorema 1 estende este resultado de saturação para representações de dimensão finita da função CATE, mostrando que a informação de Fisher para o efeito de tratamento é limitada pela precisão do prior da função de viés em cada direção.
4. Decomposição de Risco PAC-Bayes: Os autores fornecem uma decomposição de risco alvo que separa o risco empírico do RCT, o erro de alinhamento latente (IPM) e o erro de calibração residual da superfície do OS debiasada. Isso esclarece que o alinhamento sozinho é insuficiente; a superfície do OS debiasada também deve ser calibrada para a superfície do RCT.

4. Resultados Experimentais

O método foi avaliado em três conjuntos de dados: um estudo fatorial sintético, um benchmark semi-sintético baseado no ensaio Tennessee STAR e um estudo de controle externo de obesidade pediátrica do mundo real.

• Estudo Sintético:
  • Cobertura: O B-CALM manteve uma cobertura de intervalo de credibilidade próxima à nominal de 90% (média de 0,939) através de vários regimes de viés. Em contraste, métodos de agrupamento (pooled methods) e Florestas Causais (CF) tornaram-se excessivamente confiantes (a cobertura caiu para 0,581 e 0,811, respectivamente) sob viés comparativo.
  • Transferência Negativa: O B-CALM exibiu baixa transferência negativa (0,023), o que significa que raramente performou pior do que uma análise apenas de RCT.
  • Saturação: À medida que o tamanho da amostra do OS aumentava, as larguras dos intervalos de credibilidade do B-CALM achatavam para um piso determinado por $\sigma_\Delta$, enquanto os métodos de agrupamento continuavam a encolher em direção a zero, ignorando o viés.
• Semi-Sintético (STAR): O B-CALM alcançou uma cobertura de 0,936 comparado a 0,425 para métodos de agrupamento, com RMSE comparável.
• Dados Reais (Obesidade Pediátrica): Usando dados de prontuários eletrônicos (EHR) como controles externos, o B-CALM reduziu a largura do intervalo de credibilidade de 90% em 9,4% em relação ao apenas-RCT, mantendo uma "razão de suscetibilidade ao viés" abaixo de 1,0. Métodos de agrupamento alcançaram reduções de largura maiores (até 70%), mas implicaram riscos de viés superiores às suas larguras de intervalo relatadas (razão > 1,0).

5. Significância e Alegações

O artigo posiciona o B-CALM como uma mudança de "empréstimo" como um problema de estimativa pontual para o "empréstimo" como uma análise de sensibilidade posterior.

• Modelagem Explícita de Viés: Ao contrário de métodos que usam fatores de desconto globais ou indicadores de permutabilidade, o B-CALM modela explicitamente a função de viés $b_\Delta(z)$. Isso permite que o analista controle onde e quanto o empréstimo ocorre com base na precisão do prior do viés.
• Mecanismo de Segurança: A propriedade "limitada pelo viés" garante que, não importa quão grande o conjunto de dados observacionais se torne, a inferência não pode ser totalmente impulsionada por dados potencialmente enviesados. O prior sobre a função de viés atua como um teto rígido para a transferência de informação.
• Saída Prática: Os autores alegam que o principal output não é um único estimando, mas sim uma análise calibrada incluindo uma posterior sobre o estimando definido pelo RCT, uma curva de sensibilidade sobre escalas de viés do prior e um diagnóstico de tamanho de amostra efetivo. Isso permite que pesquisadores relatem como as conclusões mudam conforme as suposições sobre o viés do OS variam, em vez de se comprometerem com um único peso de empréstimo potencialmente frágil.

Os autores reconhecem limitações, incluindo a não-identificabilidade de $b_\Delta$ sem priors (necessitando de análise de sensibilidade), a dependência de covariáveis compartilhadas para alinhamento latente e custos computacionais em larga escala.