Doubly robust Methods for Recurrent Event Outcomes: Causal Effects of Blood Pressure Medications on Acute Kidney Injuries

Resumo Técnico: Métodos Duplamente Robustos para Desfechos de Eventos Recorrentes

Definição do Problema
Avaliar os efeitos causais médios (ACE) de estratégias de tratamento sobre desfechos de eventos recorrentes (ex.: episódios de lesão renal aguda) é crítico em pesquisas clínicas, mas metodologicamente desafiador. Análises padrão frequentemente falham em abordar adequadamente a complexidade de cenários longitudinais envolvendo tratamentos variantes no tempo, confundimento variante no tempo e não adesão. Além disso, estudos anteriores que estimam o ACE para eventos recorrentes concentraram-se predominantemente em configurações de exposição pontual, negligenciando as nuances da conformidade sustentada ao tratamento. Adicionalmente, a presença de "riscos competitivos semicompetitivos", como a morte, complica a análise de eventos recorrentes não terminais, uma vez que a morte trunca o conjunto de risco para eventos futuros. Os dados do ensaio Systolic Blood Pressure Intervention Trial (SPRINT) apresentam um caso específico onde o manejo intensivo versus o padrão da pressão arterial pode afetar diferencialmente as recorrências de lesão renal aguda (LRA) e a mortalidade, exigindo métodos de inferência causal robustos para distinguir esses efeitos.

Metodologia
Os autores propõem um arcabouço baseado no modelo contrafactual e na fórmula g longitudinal para estimar efeitos causais sob tratamentos e regimes de adesão variantes no tempo.

1. Estrutura de Dados e Identificação:

   • O estudo define uma estrutura de dados longitudinal com variáveis de linha de base ($L_0$), covariáveis variantes no tempo ($L_k$), atribuição de tratamento ($Z$), adesão variante no tempo ($A_k$) e indicadores binários de eventos recorrentes ($Y_k$).
   • A identificação causal baseia-se em três suposições padrão: Troca Condicional, Positividade e Consistência.
   • O estimando alvo é a contagem cumulativa esperada de eventos recorrentes ($E[R_{K+1}^{z, \bar{a}_K}]$) sob regimes de intervenção específicos para tratamento ($z$) e adesão ($\bar{a}_K$). Isso é expresso via uma forma de expectativa condicional iterativa (ICE).

2. Estimativa Duplamente Robusta via TMLE:

   • Os autores estendem a Estimativa de Máxima Verossimilhança Alvo Longitudinal (TMLE) para lidar com desfechos de eventos recorrentes em uma grade de tempo discreta.
   • O método utiliza a Função de Influência Eficiente (EIF) para construir estimadores que possuem dupla robustez: o estimador permanece consistente se o modelo de escore de propensão (mecanismo de tratamento/adesão) ou o modelo de regressão do desfecho for corretamente especificado.
   • A implementação incorpora algoritmos de aprendizado de máquina (ex.: Extreme Gradient Boosting, Modelos Aditivos Generalizados) para a estimativa de funções de incômodo (nuisance functions), visando mitigar o viés de erro de especificação do modelo.
   • O algoritmo envolve um processo de atualização iterativo onde os modelos de regressão de desfecho são ajustados usando um parâmetro de flutuação derivado dos escores de propensão para visar o estimando específico.

3. Tratamento de Riscos Semicompetitivos:

   • Para abordar a questão da morte truncando a observação de eventos recorrentes, a morte ($D_k$) é modelada não como um evento de censura a ser eliminado, mas como um risco semicompetitivo.
   • A morte é incorporada como um componente das covariáveis variantes no tempo ($L_k^*$), com uma relação determinística onde a morte implica a cessação de futuros eventos de LRA ($D_k=1 \implies Y_k=0$). Isso permite a estimativa do efeito total, que inclui caminhos mediados pela morte.

Principais Contribuições

• Extensão Metodológica: O artigo formaliza os estimandos causais alvo e as estruturas de dados para desfechos de eventos recorrentes sob tratamento e adesão variantes no tempo, estendendo o TMLE longitudinal para este contexto específico.
• Implementação Prática: Fornece um guia de implementação transparente, passo a passo (Algoritmo 1), para construir estimadores duplamente robustos usando aprendizado de máquina, facilitando a aplicação em estudos do mundo real.
• Tratamento da Complexidade: O arcabouço aborda explicitamente o confundimento variante no tempo, a não adesão (permitindo tanto análises de Intenção de Tratar quanto Per-Protocolo) e o risco semicompetitivo da morte sem depender de intervenções hipotéticas que eliminem a morte.

Resultos (Aplicação SPRINT)
Os métodos propostos foram aplicados ao conjunto de dados SPRINT (9.322 indivíduos) para avaliar os efeitos da terapia de redução da pressão arterial intensiva ($<120$ mm Hg) versus a padrão ($<140$ mm Hg) sobre as recorrências de LRA ao longo de um período de quatro anos.

• Efeito Total de Intenção de Tratar (ITT): Atribuir pacientes à terapia intensiva resultou em um aumento estatisticamente significativo nos eventos de LRA em comparação com a terapia padrão. A diferença estimada foi de 0,019 (IC 95%: [0,011, 0,026]).
• Efeito Total Per-Protocolo (PP): Sob um cenário hipotético de adesão total aos regimes atribuídos, o grupo de terapia intensiva também mostrou um número marginalmente maior de recorrências de LRA em comparação ao grupo padrão. A diferença estimada foi de 0,017 (IC 95%: [0,007, 0,027]).
• Efeitos de Adesão: Análises suplementares do Efeito de Intervenção Populacional (PIE) para adesão indicaram que a transição da adesão observada para a adesão total teve um impacto negligível nas taxas de recorrência de LRA, sugerindo que a semelhança entre as estimativas de ITT e PP se deve à alta adesão basal na população do estudo.
• Robustez: Análises de sensibilidade em relação à discretização temporal (bi-anual vs. anual) e ao uso de diferentes algoritmos de aprendizado de máquina (GLM, XGB, GAM) produziram resultados consistentes, confirmando a robustez das conclusões causais.

Significância e Alegações
O artigo afirma que sua metodologia oferece uma abordagem rigorosa para estimar o efeito causal total de estratégias de tratamento em eventos recorrentes na presença de riscos semicompetitivos. Ao tratar a morte como um evento de truncamento em vez de um mecanismo de censura a ser hipoteticamente eliminado, os autores argumentam que sua abordagem reflete as implicações de saúde pública do mundo real de forma mais precisa do que métodos que dependem de efeitos diretos controlados (que requerem suposições sobre a eliminação da morte que podem ser mal definidas).

Os autores concluem que, embora a redução intensiva da pressão arterial reduza a mortalidade, ela está associada a um aumento marginal na frequência de episódios recorrentes de LRA. Eles enfatizam que seu arcabouço TMLE, potencializado por aprendizado de máquina e duplamente robusto, fornece uma ferramenta confiável para clínicos e pesquisadores navegarem nos compromissos entre benefícios cardiovasculares e riscos renais em estudos longitudinais com estruturas complexas de adesão e de risco competitivo. O artigo nota modestamente que a validade da definição de adesão depende da suposição de que as medições de adesão em nível de intervalo refletem fielmente a adesão real, uma limitação que pode ser mais pronunciada em populações com menores taxas de conformidade.