Resumo Técnico: Regressão de Cox com Correção de Viés com Covariáveis Extraídas por IA

Definição do Problema

Estudos observacionais de larga escala utilizam cada vez mais pipelines de IA (incluindo LLMs e NLP) para extrair covariáveis estruturadas de registros clínicos não estruturados. Existe um descompasso estrutural no fluxo de trabalho de pesquisa: os fornecedores de dados validam a precisão da extração contra rótulos padrão-ouro (gold-standard) e fornecem estatísticas resumidas (ex: sensibilidade, especificidade, RMSE), mas os pesquisadores a jusante recebem apenas o conjunto de dados extraído e esses resumos, carecendo de acesso aos dados de validação pareados.

O uso desses covariáveis extraídos por IA, que contêm erros, introduz viés sistemático nas estimativas de parâmetros (razões de risco/hazard ratios) em modelos de riscos proporcionais de Cox. Embora a teoria do erro de medição seja bem estabelecida para modelos lineares e modelos lineares generalizados, sua aplicação ao modelo de Cox é complicada pela não colapsibilidade da função de risco e pela dependência dos conjuntos de risco em relação aos valores das covariáveis. Os métodos existentes para inferência pós-predição tipicamente requerem acesso a dados rotulados pareados para corrigir as estimativas, o que é indisponível neste cenário de separação entre fornecedor e pesquisador. A questão central abordada é se a correção de viés e a inferência válidas são possíveis utilizando apenas as estatísticas resumidas reportadas pelo fornecedor.

Metodologia

Estrutura e Premissas

O artigo propõe um framework unificado de calibração multivariada sob as seguintes premissas:

1. Estrutura dos Dados: Tempos de evento ($T$) e indicadores ($\Delta$) são observados exatamente. As covariáveis ($X$) são observadas apenas através de substitutos (surrogates) extraídos por IA ($X^*$).
2. Erro Não Diferencial: O erro de extração é independente do desfecho dado as verdadeiras covariáveis ($X^* \perp (T, \Delta) \mid X$).
3. Calibração Linear: A esperança condicional das verdadeiras covariáveis dado as extraídas é linear: $E[X \mid X^*] = a + BX^*$, onde $B$ é uma matriz de inclinação de calibração (calibration slope matrix) $p \times p$ não singular.

Decomposição do Viés (Teorema 1)

Os autores derivam uma decomposição de viés assintótico de forma fechada para o estimador de Cox ingênuo $\hat{\beta}^*$ (ajustado em $X^*$):
$$\beta - \beta^* = \left[ (B^\top)^{-1} - I \right] \beta^* - \Omega_{RC}^{-1} u_{RC}(\beta)$$

• Termo de Ordem Principal: $\left[ (B^\top)^{-1} - I \right] \beta^*$. Este termo depende apenas da matriz de inclinação de calibração $B$ e da estimativa ingênua.
• Termo Residual: $\Omega_{RC}^{-1} u_{RC}(\beta)$. Este representa o residual de calibração de regressão (RC), que desaparece à medida que a precisão da extração melhora (ou seja, conforme a variância condicional $\Sigma_{X|X^*} \to 0$).

Estimador Corrigido

Desprezando o residual de segunda ordem (válido sob extração precisa), o estimador corrigido de viés é derivado como uma multiplicação de matriz pós-hoc:
$$\hat{\beta}_{corr} = (\hat{B}^\top)^{-1} \hat{\beta}^*$$
onde $\hat{B}$ é a matriz de inclinação de calibração reportada pelo fornecedor. Esta operação não requer modificação no procedimento de ajuste de verossimilhança parcial (partial likelihood) de softwares de Cox padrão.

Inferência e Propagação de Incerteza

O artigo desenvolve dois tipos de intervalos de confiança (IC) para contrastes lineares $c^\top \beta$:

1. IC de Plug-in: Trata $\hat{B}$ como conhecido. A variância é $V_{\beta^*} = (\hat{B}^\top)^{-1} \hat{\Sigma}_{\beta^*} (\hat{B})^{-1}$.
2. IC de Propagação: Considera a incerteza de estimação em $\hat{B}$ derivada da amostra de validação do fornecedor. A variância total é a soma da variância dos dados do estudo e a contribuição da variância de $\hat{B}$, utilizando a matriz de covariância residual do fornecedor ($\hat{\Sigma}_{resid}$) e o inverso de Gram de design ($(X^{*\top}X^*)^{-1}$).

Diagnóstico de Sensibilidade

Para avaliar o impacto do residual de RC negligenciado (que não pode ser estimado a partir dos dados observados), os autores propõem uma razão de sensibilidade $\rho$. Esta razão compara o limite do erro do residual de RC com a largura do intervalo de confiança propagado. Se $\rho \ll 1$, a correção de ordem principal é considerada adequada; se $\rho$ for apreciável, o IC pode subestimar a incerteza real.

Principais Contribuições

1. Correção de Viés de Forma Fechada: Derivação de uma correção de viés de ordem principal totalmente computável para modelos de Cox que opera exclusivamente sobre estatísticas resumidas ($\hat{B}$) e saídas de software padrão ($\hat{\beta}^*$).
2. Framework Multivariado Unificado: O método lida com erros de extração cruz dependentes automaticamente via uma matriz de calibração multivariada, sem assumir erros independentes entre as covariáveis.
3. Inferência Ajustada por Viés: Desenvolvimento de fórmulas de propagação de variância que incorporam a incerteza tanto dos dados do estudo quanto da amostra de validação do fornecedor, permitendo intervalos de confiança válidos.
4. Especificação de Relatório: Definição de um conjunto concreto de estatísticas resumidas (Tabela 1) que os fornecedores de dados devem fornecer para permitir a correção a jusante, incluindo a matriz completa de inclinação de calibração, covariância residual e o inverso de Gram de design.

Resultados de Simulação

O framework foi avaliado através de dois estudos de simulação:

• Estudo 1 (Erros Cruz Dependentes): Erros de extração simulados impulsionados por um fator latente compartilhado, induzindo correlações entre covariáveis contínuas e binárias.

  • Viés: O estimador ingênuo mostrou viés substancial (ex: atenuação de 19% para uma covariável contínua, 50% para uma binária). O estimador corrigido reduziu o viés assinado para próximo de zero (<0.03) para todas as covariáveis.
  • Cobertura: ICs ingênuos apresentaram baixa cobertura (3–50%). ICs de plug-in melhoraram a cobertura (82–92%), mas permaneceram abaixo do nível nominal de 95% devido à incerteza de calibração não contabilizada. ICs de propagação atingiram cobertura próxima ou acima do nominal (94–99%).

• Estudo 2 (Calibração Não Linear): Testou a robustez contra violações controladas da premissa de calibração linear (distorção quadrática e ruído heterocedástico) mantendo o erro total constante.

  • Desempenho: A correção reduziu substancialmente o RMSE em comparação ao estimador ingênuo em todos os níveis de não linearidade.
  • Limites: Sob severa não linearidade, a cobertura dos ICs de propagação degradou (caindo para ~81% para covariáveis contínuas e ~85% para binárias), indicando que a aproximação linear torna-se insuficiente quando as violações de calibração são severas.

Significância e Alegações

O artigo afirma fornecer um framework de design principiado para o ecossistema de dados de pesquisa clínica extraídos por IA. Sua principal significância reside na mudança do paradigma de relatório de "precisão de extração como um fim em si mesmo" (ex: reportar apenas F1 scores) para "reportar quantidades que permitam inferência válida a jusante".

Os autores argumentam que:

• Viabilidade: Analistas a jusante podem recuperar estimativas corrigidas por viés e ICs válidos sem acesso aos dados de validação pareados, desde que os fornecedores reportem os resumos de calibração específicos.
• Flexibilidade: A correção é flexível para análise, operando sobre o resultado de qualquer software de Cox padrão e acomodando contrastes arbitrários.
• Padronização: A especificação de relatório proposta (Tabela 1) oferece um padrão concreto para que os fornecedores certifiquem a confiabilidade de conjuntos de dados extraídos por IA para análise de sobrevivência, abordando uma lacuna deixada por frameworks de garantia de qualidade existentes como o VALID, que focam em métricas marginais insuficientes para a correção de viés de Cox multivariada.

O artigo reconhece limitações, observando que o framework assume a observação exata dos tempos de evento e indicadores, não cobre análises de subpopulações baseadas em variáveis extraídas e depende da premissa de calibração linear, que pode degradar sob severa não linearidade.