Improving the efficiency of infectious disease prevention trials using negative control outcome event times

Resumo Técnico: Melhorando a Eficiência de Ensaios de Prevenção de Doenças Infecciosas Usando Tempos de Evento de Desfecho de Controle Negativo

1. Definição do Problema

Ensaios randomizados são o padrão ouro para estabelecer a eficácia causal de intervenções biomédicas, como vacinas ou anticorpos administrados passivamente. Uma estratégia primária para aumentar a eficiência dos ensaios é o ajuste para covariáveis de base para melhorar a precisão das estimativas do efeito do tratamento. No entanto, em ensaios de prevenção de doenças infecciosas, o fator prognóstico mais crítico para a infecção é o nível de exposição de um indivíduo ao patógeno (ex: frequência de contato com fontes infecciosas). Essa exposição é raramente mensurável no início devido à dependência de relatos comportamentais, falta de dados objetivos e à natureza dinâmica da exposição ao longo do tempo. Consequentemente, o ajuste convencional de covariáveis de base frequentemente resulta em ganhos de precisão apenas modestos.

Os autores propõem o aproveitamento de Desfechos de Controle Negativo (NCOs) — infecções causadas por patógenos não afetados pela intervenção, mas que compartilham mecanismos de exposição sobrepostos com o desfecho primário (ex: infecções bacterianas sexualmente transmissíveis em um ensaio de HIV-1). Embora trabalhos anteriores (ex: Etievant et al., 2022) tenham sugerido o ajuste para indicadores binários de NCOs, essa abordagem descarta informações valiosas de tempo até o evento e depende da forte suposição de que a censura é completamente aleatória (não afetada pelo tratamento). Além disso, os métodos existentes têm dificuldade quando tanto o desfecho primário quanto o tempo do evento NCO estão sujeitos à censura à direita, um cenário comum em ensaios de prevenção onde os NCOs são medidos via vigilância de rotina.

2. Metodologia

O artigo desenvolve um estimador semiparamétrico para a função de sobrevivência específica de cada braço de tratamento do desfecho primário, $S_a(t)$, ajustando para um tempo de evento de NCO com censura à direita, $N$.

Estrutura Causal e Identificação:
Os autores formalizam o problema usando a estrutura de resultados potenciais e um Grafo Acíclico Dirigido (DAG). As suposições principais incluem:

• Consistência e SUTVA: Suposições padrão para ensaios randomizados.
• Ignorabilidade Forte: A atribuição do tratamento é independente dos resultados potenciais e dos tempos de censura.
• Censura Independente: Os tempos de censura são independentes dos tempos de evento condicionais às covariáveis de base e ao tratamento.
• Suposição de NCO: O tempo do evento NCO é causalmente não afetado pelo tratamento ($N = N(0) = N(1)$), evitando o viés de seleção.
• Comparabilidade Aproximada de U: O NCO é correlacionado com causas comuns não mensuradas do desfecho primário (exposição), tornando-o prognóstico.

Uma contribuição teórica crítica é a identificação de $S_a(t)$ quando $N$ é censurado à direita. Os autores demonstram que simplesmente ajustar para o tempo observado (censurado) do NCO ou para um indicador binário leva ao viés de seleção pós-tratamento. Em vez disso, eles derivam uma fórmula de identificação usando Ponderação pela Probabilidade Inversa (IPW) nos casos completos de NCO, utilizando efetivamente toda a informação de tempo até o evento do NCO.

Estratégia de Estimativa:

1. Função de Influência Eficiente (EIF): Os autores derivam a EIF para a função de sobrevivência específica do braço de tratamento no modelo de dados observados, onde tanto o desfecho primário quanto o NCO são censurados à direita. Esta EIF combina informações de participantes com NCOs totalmente observados e daqueles com NCOs censurados (via um termo de média condicional integrado contra a martingala de censura).
2. Estimador de Passo Único com Cross-Fitting: Para construir um estimador que seja assintoticamente eficiente e robusto à especificação incorreta de parâmetros de incômodo, eles propõem um estimador de passo único com cross-fitting. Esta abordagem utiliza aprendizado de máquina adaptativo aos dados (ensembles SuperLearner) para estimar parâmetros de incômodo (escores de propensão, funções de sobrevivência e densidades condicionais), evitando o sobreajuste (overfitting) através da divisão de amostras.
3. Robustez Múltipla: O estimador é provado consistente se pelo menos um de vários subconjuntos específicos de modelos de incômodo for corretamente especificado.
4. Algoritmo EM para Estimativa de Incômodo: Um desafio significativo é estimar a distribuição condicional do desfecho primário dado o NCO censurado, $S_0(t | a, x, n)$, sem induzir viés de seleção. Os autores propõem um algoritmo de Expectativa-Maximização (EM) com aumento de dados. Este algoritmo imputa iterativamente tempos de NCO censurados usando pesos de "redistribuição para a direita", permitindo a estimativa da distribuição conjunta dos desfechos primário e NCO sem descartar observações censuradas.

3. Principais Resultados

Experimentos Numéricos:
Simulações foram conduzidas com tamanhos de amostra de 2.400 e 4.000, variando a correlação ($\rho$) entre o NCO e o desfecho primário.

• NCO Não Informativo ($\rho=0$): O estimador proposto teve desempenho equivalente aos estimadores não ajustados e ajustados por covariáveis de base, demonstrando que ajustar para um NCO não acarreta perda de eficiência quando o NCO é não informativo.
• NCO Prognóstico ($\rho=0.5, 0.8$): À medida que o NCO se tornava mais prognóstico, o estimador ganhava eficiência significativa. Com $\rho=0.8$, a eficiência relativa melhorou aproximadamente 33% em comparação com os estimadores não ajustados, com a cobertura do intervalo de confiança permanecendo próxima aos níveis nominais.

Estudo de Caso (HVTN 704/HPTN 085):
O método foi aplicado a um ensaio randomizado do anticorpo de ampla neutralização VRC01 para prevenção de HIV-1 em homens que fazem sexo com homens (MSM).

• Validação: A gonorreia retal (RGC) e a sífilis foram validadas como NCOs; o VRC01 não teve efeito discernível em sua incidência, mas elas estavam positivamente associadas à aquisição de HIV-1.
• Ganhos de Precisão: O ajuste para o tempo até a primeira infecção por RGC reduziu a variância estimada do estimador de eficácia de prevenção em 26,9%. O ajuste para sífilis reduziu a variância em 26,5%.
• Comparação: Em contraste, o ajuste para a melhor covariável de base disponível (um escore de risco de HIV-1 aprendido por máquina) rendeu apenas uma redução de variância de 2,5%.

4. Significância e Alegações

O artigo afirma ser o primeiro a abordar o problema conjunto de uma variável de ajuste com censura à direita e um desfecho primário com censura à direita no contexto de ensaios de prevenção de doenças infecciosas. A significância do trabalho reside em:

• Inovação Metodológica: Ele preenche uma lacuna na teoria semiparamétrica para dados coarsenados (en粗ados), fornecendo um estimador válido e eficiente para o ajuste de NCO que relaxa a suposição de "censura completamente aleatória" exigida pelas abordagens anteriores de indicadores binários.
• Eficiência Prática: O estudo demonstra que utilizar dados coletados rotineiramente sobre infecções não alvo (NCOs) pode aumentar substancialmente o poder estatístico dos ensaios de prevenção sem alterar o desenho do ensaio, o recrutamento ou o orçamento.
• Robustez: O estimador proposto é multiplamente robusto e assintoticamente eficiente, garantindo inferência confiável mesmo quando os modelos de incômodo são complexos ou parcialmente mal especificados.

Os autores concluem que, embora a magnitude dos ganhos de precisão dependa do desenho do ensaio e da força da associação do NCO com a exposição, o método oferece um ganho de eficiência "gratuito" (sem perda quando o NCO não é informativo) e um aumento substancial quando o NCO é prognóstico, conforme evidenciado pela aplicação no HVTN 704/HPTN 085.