📊 statistics

Causal Mediation Analysis with a Time-Dependent Mediator, Time-Dependent Confounders and a Time-to-Event Outcome: Revisiting the Difference Method

Este artigo avalia o desempenho do método da diferença para análise de mediação causal com mediadores, confundidores dependentes do tempo e desfechos de tempo até o evento, constatando que, embora possa fornecer estimativas não viesadas sob suposições específicas (como a ausência de efeito do tratamento sobre os confundidores dependentes do tempo) utilizando modelos de Aalen ou Cox, ele geralmente falha devido a problemas de viés ou colapsibilidade em comparação à mais robusta g-fórmula mediacional paramétrica.

Autores originais: Robin Denz, Nina Timmesfeld

Publicado 2026-08-14

📖 4 min de leitura☕ Leitura rápida

CC BY 4.0

Autores originais: Robin Denz, Nina Timmesfeld

Artigo original sob licença CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

Imagine que você é um detetive tentando resolver um mistério: como uma ação específica, como tomar um remédio, realmente muda o futuro de uma pessoa. Às vezes, o remédio funciona diretamente, como um escudo mágico. Mas, frequentemente, ele funciona indiretamente, como um treinador que treina um jogador, e esse jogador então vence o jogo. No mundo da ciência médica, isso é chamado de análise de mediação. É a arte de dividir um efeito total em duas partes: o caminho "direto" e o caminho "indireto".

Agora, imagine que o mistério fica mais difícil. O "jogador" (um marcador biológico no corpo) não é apenas um instantâneo; ele muda todos os dias. O "treinador" (o tratamento) também pode mudar o ambiente ao seu redor todos os dias. E o "jogo" (o desfecho, como a sobrevivência) não acontece em um momento fixo; pode acontecer amanhã ou daqui a dez anos. Isso é a realidade caótica dos dados de tempo até o evento com variáveis dependentes do tempo. Cientistas construíram computadores incrivelmente complexos e superpoderosos para resolver esses enigmas, mas eles são tão pesados e complicados que a maioria dos médicos e pesquisadores não consegue usá-los. Por isso, muitas pessoas tentam usar um "atalho" chamado método da diferença. É como tentar adivinhar o peso de um objeto oculto pesando a caixa inteira, depois pesando a caixa sem o objeto e subtraindo os dois. É simples, rápido e exige muito pouca matemática. Mas será que esse atalho funciona quando o jogo é tão complicado, ou ele leva você ao suspeito errado?

Este artigo é um teste de rodagem rigoroso desse atalho. Os autores, Robin Denz e Nina Timmesfeld, montaram um laboratório digital massivo para ver se o "método da diferença" consegue sobreviver ao caos das variáveis que mudam com o tempo e aos desfechos de sobrevivência. Eles não apenas adivinharam; eles construíram milhares de mundos falsos (simulações) onde conheciam a verdade exata. Eles colocaram o simples método da diferença contra uma ferramenta pesada e complexa chamada g-fórmula paramétrica de mediação, que atua como o padrão ouro.

Aqui está o que eles descobriram em suas simulações:

Primeiro, o atalho não é uma solução universal. Se o tratamento altera um fator dependente do tempo (como um efeito colateral que aparece mais tarde) que então atrapalha a relação entre o mediador e o desfecho, o método da diferença falha espetacularosamente. Ele se confunde, misturando efeitos diretos com indiretos, e produz resultados enviesados. Nesses cenários bagunçados, o atalho é simplesmente errado.

Segundo, o atalho funciona às vezes, mas apenas sob condições muito específicas. Se o desfecho for raro (como uma doença que acontece em pouquíssimas pessoas) e os pesquisadores usarem um tipo específico de modelo matemático chamado modelo de riscos proporcionais de Cox, o método da diferença pode dar respostas não enviesadas. Da mesma forma, se eles usarem um modelo de riscos aditivos de Aalen, ele funciona bem mesmo se o desfecho for comum, desde que o tratamento não cause diretamente os confundidores dependentes do tempo. No entanto, se tentarem usar o atalho com modelos de Tempo de Falha Acelerado (AFT), eles quase sempre produzem um erro pequeno, mas consistente, não importa quão limpos sejam os dados. Isso ocorre devido a uma peculiaridade matemática chamada "não colapsibilidade", onde a matemática não soma da maneira que você esperaria.

Finalmente, os autores aplicaram este teste a um exemplo do mundo real: um estudo sobre o Ácido Ursodesoxicólico (UDCA), um medicamento usado para tratar uma doença hepática chamada colangite biliar primária. Eles queriam ver se o medicamento ajudava os pacientes a viverem mais tempo ao retardar o dano ao tecido hepático (o mediador). Neste conjunto de dados específico e pequeno, tanto o simples atalho quanto a ferramenta complexa de padrão ouro deram resultados muito semelhantes. No entanto, os autores alertam que essa semelhança pode ser uma coincidência causada pelo tamanho minúsculo da amostra e pelo fato de os dados serem tão limpos. Eles enfatizam que, no mundo real, onde os dados são bagunçados e as suposições são frequentemente violadas, confiar no simples método da diferença é arriscado.

Em suma, o artigo sugere que, embora o método da diferença seja uma ferramenta tentadora e fácil de usar, ele é um pouco de uma "armadilha" para dados de sobrevivência dependentes do tempo. Ele só funciona se você for extremamente cuidadoso com suas suposições e com o tipo de matemática que utiliza. Para a maioria dos cenários do mundo real, os autores recomendam manter-se fiel aos métodos complexos e pesados, como a g-fórmula paramétrica, mesmo que sejam mais difíceis de usar, porque eles têm muito mais probabilidade de lhe dizer a verdade. O atalho pode economizar seu tempo, mas no jogo de alto risco da pesquisa médica, ele pode custar a resposta.

Resumo Técnico: Análise de Mediação Causal com um Mediador Dependente do Tempo, Confundidores Dependentes do Tempo e um Desfecho de Tempo até o Evento

1. Declaração do Problema

A análise de mediação é uma ferramenta padrão para decompor os efeitos totais do tratamento em componentes diretos e indiretos. No entanto, aplicar esses métodos a configurações que envolvem desfechos de tempo até o evento, mediadores dependentes do tempo e confundidores dependentes do tempo apresenta desafios significativos. Métodos rigorosos existentes (ex.: g-fórmula de mediação paramétrica, análise de trajetória dinâmica, modelagem de estados múltiplos) são frequentemente estatisticamente complexos, computacionalmente intensivos e carecem de implementações de software amigáveis ao usuário.

Consequentemente, pesquisadores são frequentemente tentados a usar o método da diferença, uma abordagem simples onde o efeito indireto é estimado subtraindo o coeficiente do efeito direto do coeficiente do efeito total em dois modelos de regressão separados. Embora amplamente utilizado para desfechos contínuos e mediadores fixos no tempo, o desempenho do método da diferença em configurações de sobrevivência longitudinais complexas é controverso. Estudos anteriores sugerem que ele pode gerar estimativas enviesadas devido à não-colapsibilidade (em modelos de Cox) ou violações estruturais (ex.: confundidores dependentes do tempo causados pelo tratamento). No entanto, não houve uma avaliação sistemática de seu desempenho empírico em processos geradores de dados (DGPs) realistas com mediadores dependentes do tempo para estimandos alvo bem definidos.

2. Metodologia

2.1 Estimandos Alvo e Identificação

Os autores definem estimandos alvo baseados em efeitos específicos de trajetória usando notação contrafactual (Vansteelandt et al., 2019). Esta abordagem evita problemas de confusão pós-tratamento ao definir histórias contrafactuais para confundidores dependentes do tempo ( $L_t$ ) e mediadores ( $M_t$ ) de forma recursiva.

Efeito Total (TE): Contraste entre $Y^{1,1}$ e $Y^{0,0}$ .
Efeito Direto (DE): Contraste entre $Y^{1,0}$ e $Y^{0,0}$ (mediador definido como o contrafactual sob controle).
Efeito Indireto (IE): Contraste entre $Y^{1,1}$ e $Y^{1,0}$ .
Estes efeitos são avaliados em três escalas correspondentes a modelos de sobrevivência populares: razão de risco de log (Cox), diferença de risco (Aalen) e tempo de sobrevivência de log (Modelo de Falha Acelerada - AFT).

2.2 Métodos Comparados

O estudo compara o método da diferença contra a g-fórmula de mediação paramétrica (usada como benchmark).

Método da Diferença: Ajusta dois modelos:
1. Modelo de Efeito Total: Desfecho $\sim$ Tratamento + Confundidores de Base.
2. Modelo de Efeito Direto: Desfecho $\sim$ Tratamento + Mediador Dependente do Tempo + Confundidores Dependentes do Tempo + Confundidores de Base.
  O efeito indireto é estimado como a diferença nos coeficientes do tratamento ( $\hat{\theta}_A - \hat{\beta}_A$ ).
- Modelos usados: Riscos Proporcionais de Cox, Riscos Aditivos de Aalen e AFT (Weibull).
G-Fórmula de Mediação Paramétrica: Uma abordagem baseada em simulação que estima a expectativa dos desfechos contrafactuais modelando as probabilidades condicionais do mediador, dos confundidores e do desfecho ao longo do tempo, simulando então os dados sob diferentes cenários de intervenção ( $a, a'$ ) para estimar os efeitos.

2.3 Desenho do Estudo de Simulação

Um estudo de simulação de eventos discretos (algoritmo de Gillespie) foi usado para gerar dados com $n=2000$ indivíduos.

Variáveis: Tratamento basal binário ( $A$ ), covariáveis basais ( $X, Z$ ), confundidor dependente do tempo ( $L_t$ ), mediador dependente do tempo ( $M_t$ ) e desfecho dependente do tempo ( $Y_t$ ).
Cenários: Seis cenários foram construídos para variar a estrutura causal:
1. Cenário 1: Tratamento randomizado; $L_t$ é um preditor puro do desfecho (sem confusão).
2. Cenário 2: $L_t$ é um confundidor dependente do tempo da relação mediador-desfecho.
3. Cenário 3: Loop de feedback entre $L_t$ e $M_t$ .
4. Cenário 4: $L_t$ é causado diretamente pelo tratamento $A$ (violando a suposição de que o tratamento não afeta os confundidores dependentes do tempo).
5. Cenário 5: Tratamento não randomizado com confusão da relação tratamento-mediador.
6. Cenário 6: Tratamento não randomizado com confusão da relação tratamento-desfecho.
Parâmetros: Os cenários incluíram variações na probabilidade de evento basal (desfechos raros vs. comuns) e a presença/ausência de efeitos indiretos.
Métricas de Desempenho: Viés e Erro Quadrático Médio (MSE) do efeito indireto estimado.

2.4 Aplicação no Mundo Real

Os métodos foram aplicados a dados de um ensaio clínico randomizado (Lindor et al., 1994) sobre Ácido Ursodesoxicólico (UDCA) para Colangite Biliar Primária (CBP).

Tratamento: UDCA vs. Placebo.
Mediador: Progressão histológica (dependente do tempo).
Desfecho: Sobrevivência livre de transplante de fígado (tempo até o evento).
Confundidores: Estágio da doença basal, escore de risco de Mayo, bilirrubina; varizes dependentes do tempo.

3. Principais Resultados

3.1 Achados da Simulação

Modelo de Aalen (Método da Diferença): Produziu estimativas não enviesadas nos Cenários 1–3 e 5–6, desde que o modelo fosse corretamente especificado e o tratamento não causasse diretamente o confundidor dependente do tempo ( $L_t$ ). Isso se manteve tanto para desfechos raros quanto comuns.
Modelo de Cox (Método da Diferença): Produziu estimativas não enviesadas apenas quando o desfecho era raro e o tratamento não causava diretamente $L_t$ . Com desfechos comuns, o método produziu estimativas enviesadas devido à não-colapsibilidade, independentemente do cenário.
Modelo AFT (Método da Diferença): Produziu estimativas enviesadas em quase todos os cenários, mesmo quando o desfecho era raro e não havia confusão dependente do tempo. O viés derivou da não-colapsibilidade dos coeficientes AFT; o efeito direto marginal (estimando o alvo) diferia do coeficiente condicional estimado pelo modelo.
Cenário 4 (Tratamento $\to$ Confundidor): Em todos os cenários onde o tratamento causava diretamente o confundidor dependente do tempo ( $L_t$ ), todas as versões do método da diferença produziram estimativas enviesadas, independentemente do modelo usado ou se $L_t$ foi incluído no modelo de efeito direto. Isso ocorre porque condicionar em $L_t$ remove parte do efeito direto que flui através de $A \to L_t \to Y$ .
G-Fórmula Paramétrica: Produziu estimativas não enviesadas em todos os cenários e combinações de parâmetros, servindo como um benchmark robusto.
Eficiência: Quando o método da diferença era não enviesado, geralmente exibiu um Erro Quadrático Médio menor (maior precisão) do que a g-fórmula, provavelmente devido à variância de simulação inerente ao cálculo do ponto estimado da g-fórmula neste estudo.

3.2 Resultados da Aplicação no Mundo Real

Nos dados de CBP:

Tanto o método da diferença (Cox/Aalen/AFT) quanto a g-fórmula forneceram estimativas de ponto semelhantes para efeitos totais, diretos e indiretos.
O efeito total do UDCA mostrou uma tendência protetora (Razão de Risco $\approx$ 0,63), mas os intervalos de confiança eram amplos e incluíam 1 devido ao pequeno tamanho da amostra ( $n=170$ ).
Os efeitos indiretos via progressão histológica foram próximos de 1 (nulo), com intervalos de confiança amplos.
Os autores observam que a quase equivalência dos resultados neste conjunto de dados específico pode ser coincidente ou devido ao pequeno tamanho da amostra mascarar violações estruturais (ex.: potenciais efeitos diretos do UDCA em confundidores dependentes do tempo, como varizes).

4. Significância e Alegações

O artigo afirma preencher uma lacuna na literatura ao avaliar sistematicamente o método da diferença no contexto específico de mediadores e confundidores dependentes do tempo com desfechos de tempo até o evento.

Utilidade Condicional: O método da diferença não é recomendado de forma geral para este cenário. Ele é uma alternativa simples e viável apenas se suposições estritas forem atendidas:
1. O tratamento não possui um efeito causal direto em quaisquer confundidores dependentes do tempo.
2. Para modelos de Cox, o desfecho deve ser raro.
3. Para modelos AFT, o método é geralmente não recomendado devido ao viés inerente da não-colapsibilidade, mesmo sob condições ideais.
Robustez da G-Fórmula: A g-fórmula de mediação paramétrica continua sendo o método preferido para estimativa não enviesada em diversos cenários estruturais, apesar de sua complexidade computacional.
Orientação Prática: Os autores enfatizam que, embora o método da diferença seja computacionalmente eficiente e fácil de implementar (ex.: duas linhas de código em R), seu uso requer uma avaliação cuidadosa do DAG causal. Se a suposição de que "o tratamento não afeta os confundidores dependentes do tempo" não puder ser defendida, o método da diferença produzirá resultados enviesados.

O artigo conclui que, embora os métodos especializados sejam complexos, eles são necessários para inferências válidas em dados de sobrevivência longitudinais complexos. O método da diferença deve ser usado com extrema cautela e apenas quando suas restritivas suposições estruturais forem plausíveis.