Adjusting for Outcome Reporting Bias in Meta-analysis: A Multiple Imputation Approach

Resumo Técnico: Ajuste para o Viés de Relato de Desfechos em Metanálise via Imputação Múltipla

Problema
O Viés de Relato de Desfechos (ORB, do inglês Outcome Reporting Bias) ocorre quando os desfechos dos estudos são relatados seletivamente com base na natureza de seus resultados, tipicamente favorecendo achados estatisticamente significativos ou positivos. Este relato seletivo cria um problema de dados ausentes, onde desfechos não relatados introduzem viés nas metanálises, distorcendo as estimativas globais do efeito do tratamento e comprometendo a validade das evidências clínicas. Embora o viés de publicação (não publicação de estudos inteiros) seja bem estudado, o ORB permanece subabordado. A prática padrão frequentemente ignora desfechos ausentes, realizando metanálises univariadas em casos completos, o que leva a inferências enviesadas. Métodos de ajuste existentes, como o modelo de seleção de Copas, frequentemente dependem de classificações de risco categóricas (ex: ORBIT) ou tratam os desfechos separadamente, falhando em aproveitar a correlação entre múltiplos desfechos dentro dos estudos.

Metodologia
Os autores propõem uma abordagem flexível para ajustar o ORB tanto em metanálises de efeitos aleatórios univariadas quanto multivariadas usando Imputação Múltipla (MI) combinada com Amostragem de Importância baseada em modelos de seleção.

1. Estrutura de Imputação:

   • Erros Padrão Ausentes: Para estudos onde os tamanhos amostrais são conhecidos, mas os erros padrão estão ausentes, os autores imputam os erros padrão usando uma média ponderada de variâncias observadas e tamanhos amostrais.
   • Imputação Univariada: Desfechos de estudos não relatados são imputados a partir de uma distribuição normal multivariada condicional derivada dos desfechos relatados. Isso assume inicialmente um mecanismo de Dados Ausentes ao Acaso (Missing At Random - MAR).
   • Imputação Multivariada: No cenário bivariado (ou multivariado), o método imputa conjuntamente desfechos não relatados para desfechos correlacionados. Isso permite que o modelo "tome emprestada a força" de desfechos relatados para informar a imputação dos ausentes, contabilizando as correlações intraestudo e entre estudos.

2. Seleção e Reponderação:

   • Para corrigir a natureza não aleatória da ausência de dados (Dados Ausentes Não Ao Acaso - MNAR), os conjuntos de dados imputados são reponderados usando Amostragem de Importância.
   • Os autores empregam um modelo de seleção logístico onde a probabilidade de um desfecho ser relatado é uma função da estimativa do efeito ($\hat{\theta}$) ou do escore z ($z$).
   • Um parâmetro de peso de seleção, $\delta$, controla a força do mecanismo de seleção. $\delta=0$ corresponde ao MAR (sem viés de seleção), enquanto $\delta > 0$ implica que desfechos com efeitos maiores (ou escores z mais altos) têm maior probabilidade de serem relatados.
   • A estimativa ajustada final é uma média ponderada das estimativas metanalíticas dos $M$ conjuntos de dados imputados, onde os pesos são determinados pelo modelo de seleção.

3. Implementação:

   • O método é implementado tanto para modelos univariados quanto multivariados.
   • A incerteza na correlação intraestudo (frequentemente não relatada) é abordada por meio de análises de sensibilidade, variando o parâmetro de correlação através de intervalos plausíveis.

Principais Contribuições

• Integração de MI e Modelos de Seleção: O artigo integra a imputação múltipla com a seleção probabilística via amostragem de importância, estendendo trabalhos anteriores (ex: Carpenter et al.) para abordar especificamente o ORB em metanálise.
• Extensão Multivariada: Diferente de muitos métodos existentes que ajustam os desfechos separadamente, esta abordagem estende o ajuste de ORB para metanálise multivariada. Ela modela conjuntamente desfechos correlacionados, permitindo que a informação seja compartilhada entre os desfechos para melhorar a imputação de dados ausentes.
• Mecanismos de Seleção Duplos: O arcabouço suporta a seleção baseada tanto na estimativa bruta do efeito quanto no escore z (significância estatística), reconhecendo que as decisões de relato podem depender de qualquer uma dessas métricas.
• Análise de Sensibilidade: O método é desenhado como uma ferramenta de análise de sensibilidade, exigindo que o usuário especifique um intervalo de pesos de seleção ($\delta$) para avaliar como as conclusões mudam sob diferentes pressupostos sobre o mecanismo de relato.

Resultos

• Aplicação a Dados Clínicos: O método foi aplicado a uma revisão Cochrane sobre o Topiramato para epilepsia resistente a drogas.
  • Para o desfecho "ausência de crises", onde 50% dos estudos não foram relatados, as estimativas ajustadas pelo ORB foram sistematicamente deslocadas em direção ao nulo (menos extremas) em comparação às análises ingênuas.
  • A magnitude do deslocamento aumentou com maiores pesos de seleção assumidos ($\delta$).
  • A seleção baseada no escore z geralmente resultou em ajustes mais fortes do que a seleção baseada na estimativa do efeito.
  • A abordagem multivariada produziu ajustes mais fortes do que a abordagem univariada quando a seleção foi modelada conjuntamente, pois a correlação entre desfechos amplificou o impacto do mecanismo de seleção.
• Estudo de Simulação: Um estudo de simulação abrangente avaliou o método sob variações de heterogeneidade ($I^2$), tamanhos de estudo e forças de seleção.
  • Redução de Viés: As estimativas ingênuas exibiram viés substancial, particularmente sob alta heterogeneidade e forte seleção. Os métodos ajustados pelo ORB propostos reduziram significativamente este viés.
  • Desempenho Multivariado: A abordagem bivariada geralmente superou a abordagem univariada ao tomar emprestada a força do desfecho totalmente relatado, resultando em menor viés e melhor cobertura, desde que a correlação entre os desfechos fosse diferente de zero.
  • Limitações: Sob condições de heterogeneidade muito alta ($I^2 = 90\%$) e pequenos tamanhos amostrais ($K=6$), o viés residual persistiu e foi observada instabilidade numérica (não convergência). O método funcionou melhor quando o mecanismo de seleção assumido na análise coincidia com o verdadeiro mecanismo na geração dos dados.

Significância e Alegações
Os autores alegam que imputar desfechos de estudos não relatados fornece uma abordagem promissora e prática para abordar o ORB em metanálises. Eles posicionam o método não como uma correção definitiva (já que o verdadeiro mecanismo de seleção é desconhecido), mas como uma análise de sensibilidade para avaliar a robustez das conclusões metanalíticas.

O artigo enfatiza que:

1. O ORB pode distorcer substancialmente as estimativas de efeito do tratamento, frequentemente levando à superestimação de benefícios.
2. A proposta abordagem multivariada estende o ajuste de ORB para modelar conjuntamente desfechos correlacionados, oferecendo um arcabouço mais abrangente do que os ajustes univariados separados.
3. Embora o método reduza o viés e melhore a cobertura em comparação às análises ingênuas, sua eficácia depende do mecanismo de seleção assumido, do grau de heterogeneidade e da força da correlação entre os desfechos.
4. A abordagem é particularmente valiosa quando não há uma classificação externa de risco de viés (como o ORBIT) disponível para guiar o ajuste, pois baseia-se na modelagem estatística do mecanismo de ausência de dados.

Os autores concluem que sua abordagem oferece uma ferramenta flexível para que pesquisadores avaliem o quão sensíveis suas conclusões metanalíticas são a potenciais vieses de relato de desfechos.