Bayesian fusion forests for heterogeneous treatment effects on survival from randomised and real-world data

Resumo Técnico: Florestas de Fusão Bayesiana para Efeitos de Tratamento Heterogêneos em Sobrevivência

Declaração do Problema
O artigo aborda o desafio de estimar efeitos de tratamento heterogêneos (HTE) sobre desfechos de sobrevivência combinando dados de um Ensaio Clínico Controlado Aleatorizado (RCT) e Dados do Mundo Real (RWD). Embora os RCTs forneçam estimativas causais imparciais, eles são frequentemente subdimensionados para análise de subgrupos e possuem acompanhamento limitado. Por outro outro lado, os RWD oferecem amostras maiores e acompanhamento mais longo, mas sofrem de confusão não mensurada.

Três desafios específicos surgem ao fundir essas fontes para dados de sobrevivência:

1. Confusão Não Mensurada: Nos RWD, a atribuição do tratamento não é aleatória e pode depender de fatores não observados, enviesando as estimativas do efeito do tratamento.
2. Heterogeneidade Entre Fontes: O prognóstico basal (sobrevivência sem tratamento) e as distribuições de erro frequentemente diferem entre a população do ensaio e a populacional observacional devido a diferenças de elegibilidade, protocolos e composição de casos. A simples unificação confunde essas diferenças basais com o efeito do tratamento.
3. Censura: Dados de sobrevivência frequentemente envolvem censura à direita (o tempo do evento excede o acompanhamento) e censura intervalar (o evento ocorre entre visitas periódicas), o que complica a construção da verossimilhança e a estimação.

Métodos existentes normalmente abordam apenas um ou dois desses desafios, muitas vezes falhando em acomodar a censura intervalar ou a confusão não mensurada simultaneamente enquanto estimam o HTE.

Metodologia: A Floresta de Fusão Bayesiana
Os autores propõem um framework não paramétrico chamado Floresta de Fusão Bayesiana, que modela o logaritmo do tempo de sobrevivência usando uma decomposição de Tempo de Falha Acelerado (AFT), analisando conjuntamente os dados de ambas as fontes ($S \in \{0, 1\}$) e decompondo o logaritmo do tempo de sobrevivência condicional da seguinte forma:

$$\log T = m_0(X, S) + \tau(X)A + (1-S)A c(X) + \varepsilon$$

Onde:

• $A$ é o indicador binário de tratamento.
• $X$ representa as covariáveis pré-tratamento.
• $m_0(X, S)$ (Prognóstico Basal): Modelado como um componente compartilhado $m_0^{sh}(X)$ mais um desvio específico da fonte $(1-S)d(X)$. Esta estrutura permite que o modelo empreste força entre as fontes enquanto acomoda diferenças no prognóstico basal.
• $\tau(X)$ (Efeito do Tratamento): O Efeito Médio Condicional do Tratamento (CATE), definido como $E[\log T(1) - \log T(0) | X]$. Este é o estimando primário, interpretado como um fator de aceleração no tempo de sobrevivência.
• $c(X)$ (Função de Confusão): Um termo ativo apenas nos RWD ($S=0$) que absorve o viés causado pela confusão não mensurada. É definido como a diferença entre o contraste de tratamento observado nos RWD e o verdadeiro efeito causal.
• $\varepsilon$ (Termo de Erro): Modelado usando uma Mistura de Processos de Dirichlet Hierárquicos (HDPM) de normais. Isso permite que a distribuição de erro difira em forma e escala entre as duas fontes enquanto compartilha componentes de mistura, capturando a não-gaussianidade e a heterogeneidade sem assumir uma forma paramétrica única.

Priors e Regularização
Cada componente funcional ($m_0^{sh}, d, \tau, c$) recebe um prior de Árvores de Regressão Aditivas Bayesianas (BART). Os autores implementam uma "escada" de regularização para refletir a informação disponível para cada componente:

• Basal ($m_0^{sh}$): Prior mais flexível (200 árvores) para capturar estruturas intrínsecas complexas da doença.
• Desvio ($d$): Flexibilidade moderada (50 árvores) para capturar diferenças residuais entre fontes.
• Efeito do Tratamento ($\tau$): Regularização mais forte (100 árvores, penalidade de profundidade) para encolher em direção à homogeneidade, reduzindo a heterogeneidade espúria.
• Função de Confusão ($c$): A regularização mais forte (50 árvores, baixa probabilidade de divisão de raiz, penalidade de profundidade) para encolher em direção a um viés uniforme, refletindo a suposição de que a confusão não mensurada varia pouco com as covariáveis.

Inferência
A inferência posterior é realizada via um amostrador de Gibbs em blocos. O amostrador atualiza as florestas BART contra resíduos parciais e lida com observações censuradas (tanto à direita quanto intervalares) através de aumento de dados (Tanner e Wong, 1987). O bloco de erro HDPM é atualizado via um passo de Gibbs separado sobre atribuições de clusters, átomos e parâmetros de concentração.

Resultados Principais

• Estudo de Simulação:

  • Robustez à Confusão: A Floresta de Fusão Bayesiana permanece essencialmente imparcial através de vários níveis de confusão não mensurada ($\lambda_u$), enquanto as estimativas baseadas apenas em RWD tornam-se progressivamente enviesadas.
  • Robustez à Heterogeneidade: O método permanece imparcial mesmo conforme a heterogeneidade do prognóstico basal entre fontes aumenta ($\lambda_d$).
  • Eficiência: A abordagem de fusão alcança menor Erro Quadrático Médio (RMSE) e variância posterior do que a análise apenas de RCT em todos os níveis de confusão e heterogeneidade.
  • Comparação com ML: O método supera quatro baselines de aprendizado de máquina flexíveis (Redes Neurais Profundas, Gradient Boosting, Buckley-James boosting) tanto em precisão quanto em calibração de intervalo. Enquanto os métodos de ML frequentemente produziam intervalos estreitos, eles sofriam de cobertura severamente baixa (0.00–0.48) ou exigiam intervalos excessivamente largos para atingir a cobertura. A Floresta de Fusão alcançou cobertura nominal (0.96) com largura competitiva.
  • Covariáveis de Alta Dimensão: À medida que o número de covariáveis aumentou (até $p=500$), o método de fusão manteve menor RMSE e variância comparado ao baseline apenas do ensaio, demonstrando que os ganhos de precisão ao emprestar RWD superam o custo de buscar um espaço de covariáveis maior.

• Aplicação (Terapia Antirretroviral para HIV):

  • Os autores fundiram o ensaio ACTG 175 (censura à direita, ~3 anos de acompanhamento) com o Estudo de Coorte Multicêntrico de AIDS (censura intervalar, ~25 anos de acompanhamento) para estimar o efeito da terapia combinada vs. monoterapia com ZDV.
  • Achados: A fusão estimou um fator de aceleração médio de 1.65 (IC 95%: [1.43, 1.90]), indicando que a terapia combinada estende a sobrevivência livre de eventos por um fator de 1.65.
  • Estimativas Individuais: A floresta de fusão forneceu estimativas individuais significativamente mais nítidas (redução média de 62% na largura do IC 95% comparado ao análise apenas do ensaio). Identificou um benefício para quase todos os pacientes (96.4% com >95% de probabilidade posterior de benefício), enquanto a análise apenas do ensaio foi inconclusiva para um quarto dos pacientes.
  • Heterogeneidade: O benefício do tratamento foi encontrado para variar com a contagem de CD8 e raça, com benefícios maiores observados em pacientes com contagens de CD8 mais altas.

Significância e Alegações
O artigo afirma que a Floresta de Fusão Bayesiana é o primeiro método a abordar simultaneamente a confusão não mensurada, a heterogeneidade entre fontes e tanto a censura à direita quanto a intervalar no contexto de estimativa de efeito de tratamento heterogêneo para dados de sobrevivência.

Os autores enfatizam que sua abordagem:

1. Relaxa a Suposição de Não-Confundimento: Ao modelar explicitamente uma função de confusão, o método evita a necessidade de assumir que o RWD é não-confundido, uma suposição comum e frequentemente violada em fusão de dados.
2. Empresta Força de Forma Adequada: A estrutura hierárquica permite o empréstimo adaptativo de informação dos RWD, melhorando a precisão sem comprometer a validade causal.
3. Fornece Incerteza Calibrada: Diferente de muitos preditores de aprendizado de máquina que visam a predição em vez da inferência causal, o framework bayesiano fornece quantificação de incerteza intrínseca e calibrada para efeitos de tratamento individuais.
4. Entrega Insights Acionáveis: Na aplicação de HIV, o método resolveu resultados inconclusivos de ensaios, identificando benefícios quase universais da terapia combinada que foram obscurecidos pelo acompanhamento limitado e poder do ensaio.

Os autores observam que o framework assume que o fator de aceleração é invariante no tempo (dependente de covariáveis, mas não do tempo), uma suposição padrão em modelos AFT, e sugerem que extensões futuras podem incorporar efeitos dependentes do tempo. A implementação do software é disponibilizada para facilitar a reprodutibilidade.