Meta-analysis as a barycenter of study distributions: information-geometric pooling, heterogeneity, and robustness

Resumo Técnico: Metanálise como um Baricentro de Distribuições de Estudos

Definição do Problema
A metanálise padrão normalmente reduz cada estudo a uma estimativa de efeito escalar ($\theta_i$) e um erro padrão, agrupando-os via ponderação por variância inversa sob modelos de efeitos fixos (FE), efeitos aleatórios (RE) ou mínimos quadrados ponderados não restritos (UWLS). Esta abordagem enfrenta três limitações primárias:

1. Incerteza do Modelo: A escolha entre FE, RE e UWLS é debatida, com evidências sugerindo que o UWLS frequentemente se ajusta melhor aos dados do que o RE, embora a estimativa da variância entre estudos ($\tau^2$) permaneça instável entre diferentes métodos.
2. Complexidade Multivariada: Muitos ensaios relatam múltiplos desfechos correlacionados (ex: pressão sistólica e diastólica), formando uma distribuição normal multivariada $N(\theta_i, \Sigma_i)$. A metanálise multivariada padrão depende de verossimilhanças que exigem correlações dentro do estudo, as quais raramente são relatadas. A imputação dessas correlações introduz incerteza não rastreável na estimativa agrupada.
3. Robustez: Métodos padrão são sensíveis a outliers e efeitos de pequenos estudos. Embora existam estimadores M robustos, eles são frequentemente adições ad hoc em vez de serem intrínsecos à geometria do agrupamento.

Metodologia: Integração Meta-Geométrica de Informação (IGMI)
O artigo propõe a IGMI, que trata cada estudo não como uma estimativa pontual, mas como sua distribuição de amostragem completa, $N_i = N(\theta_i, \Sigma_i)$, vista como um ponto no manifold das gaussianas multivariadas ($G_m$). O agrupamento é definido como a busca pelo baricentro de Fréchet ponderado $\bar{N}$ que minimiza a soma dos quadrados das distâncias às distribuições dos estudos:
$$\bar{N} = \arg \min_{N \in G_m} \sum_{i=1}^K w_i d(N, N_i)^2$$
Os autores investigam três métricas de distância (geometrias) específicas:

1. Bures–Wasserstein (BW): Derivada do transporte ótimo. Ela separa localização e escala de forma aditiva. A média $\bar{\theta}$ é a média ponderada de $\theta_i$, e a covariância $\bar{\Sigma}$ é a solução única para uma equação de ponto fixo envolvendo médias geométricas de matrizes.
2. Fisher–Rao (FR): Baseada na métrica de informação de Fisher. Embora computacionalmente mais barata para $m=1$, a unicidade global para $m \ge 2$ não é garantida no manifold gaussiano de curvatura positiva; os autores fornecem uma garantia de unicidade local dentro de um raio específico.
3. Wasserstein–Fisher–Rao (WFR): Uma métrica de transporte ótimo não balanceado que inclui um termo de "nascimento-morte" controlado por uma escala de comprimento $\delta$. Isso permite que a métrica destrua a massa de um estudo que esteja suficientemente distante do consenso, em vez de transportá-la. Isso fornece um mecanismo geométrico para robustez.

Principais Contribuições
O artigo estabelece quatro contribuições teóricas e práticas principais:

1. Estimador de Agrupamento Geométrico: Uma solução de forma fechada para o baricentro multivariado sob a geometria BW, computada via uma iteração de ponto fixo com uma garantia de convergência incondicional e provada. Isso evita a maximização de verossimilhança e falhas de convergência comuns no REML.
2. Reduções Exatas para Métodos Clássicos: Os autores provam que a IGMI colapsa exatamente para os métodos padrão em casos específicos:
   • No caso escalar de variância fixa, a média do baricentro BW é idêntica à estimativa FE.
   • O índice de heterogeneidade geométrico reproduz exatamente o estatístico $I^2$ de Higgins–Thompson.
   • O estimador de momento para a variância entre estudos reproduz exatamente o $\hat{\tau}^2$ de DerSimonian–Laird.
3. Declarações de Confiança Exatas: Um pivô studentizado baseado na matriz de dispersão de Fréchet produz:
   • O intervalo de Hartung–Knapp–Sidik–Jonkman (HKSJ) para $m=1$.
   • Uma região de confiança Hotelling $F_{m, K-m}$ exata para $m$ desfechos sob covariâncias totais proporcionais. Esta região mantém a cobertura correta em amostras pequenas ($K$) onde intervalos do tipo Wald tipicamente subestimam a cobertura.
4. Robustez Principiada: A geometria WFR introduz um único parâmetro $\delta$ que governa a robustez. À medida que $\delta \to \infty$, ela converge para a estimativa BW. Para um $\delta$ finito, o estimador atua como um estimador M redescendente (tipo seno de Andrews) com um ponto de rejeição rígido em exatamente $\pi\delta$. Estudos além dessa distância contribuem com peso zero.

Resultados
O framework foi validado através de provas analíticas, simulações e análise empírica da base de dados Cochrane de Revisões Sistemáticas.

• Simulações:
  • Cobertura: O pivô de dispersão de Fréchet manteve a cobertura nominal de 95% em vários níveis de heterogeneidade e pequenos $K$ (até 5), enquanto os intervalos de Wald ingênuos e os intervalos de meta-análise multivariada REML (mvmeta) apresentaram subcobertura significativa sob heterogeneidade.
  • Robustez: Em cenários de contaminação (outliers com erros padrão subestimados), o agrupamento de peso igual da WFR manteve baixo viés e RMSE, enquanto FE, RE e UWLS falharam. O viés da WFR redescendeu para zero uma vez que os deslocamentos dos outliers excederam o limiar de rejeição $\pi\delta$.
• Corpus Cochrane (Univariado, $N=2.445$):
  • O agrupamento WFR (pesos iguais) venceu o concurso de pontuação preditiva leave-one-out (LOO) com mais frequência (30,2%) e demonstrou a melhor calibração (z-SD mais próximo de 1) e cobertura preditiva (0,925).
  • A vantagem da WFR foi mais pronunciada em metanálises pequenas ($K \le 7$).
  • Um estudo de caso específico (alicurumabe) identificou e descartou corretamente um outlier discordante que enviesava as estimativas FE e RE, estabelecendo-se no consenso dos estudos restantes.
• Corpus Cochrane (Bivariado, $N=835$):
  • O baricentro BW de forma fechada foi preditivamente equivalente à meta-análise REML multivariada (mvmeta) em termos de log-score e cobertura.
  • Crucialmente, a estimativa pontual BW foi exatamente invariante à correlação intraestudo ($\rho$) não relatada. Em contraste, a estimativa REML deslocou-se significativamente (deslocamento mediano de 0,15 unidades padronizadas) conforme $\rho$ era variado, destacando a sensibilidade dos métodos baseados em verossimilhança a parâmetros não observados.
• Benchmarks Clínicos:
  • Na acurácia diagnóstica (sensibilidade/especificidade), a IGMI reproduziu o padrão Reitsma bivariate-REML em forma fechada.
  • No desempenho de modelos de predição (discriminação/calibração), a IGMI forneceu uma estimativa invariante à correlação intraestudo desconhecida, enquanto as estimativas REML variaram.

Significância e Alegações
O artigo afirma que a IGMI oferece um framework unificado que:

1. Generaliza sem Disrupção: Recupera os estimadores escalares padrão (FE, $I^2$, $\tau^2$, HKSJ) exatamente como casos especiais, garantindo compatibilidade com os padrões existentes de graduação de evidência.
2. Resolve o Problema da Correlação Multivariada: Ao utilizar o baricentro de distribuições em vez de uma verossimilhança, fornece uma estimativa agrupada que é matematicamente invariante à correlação intraestudo não relatada, um problema persistente na metanálise multivariada.
3. Fornece Robustez Intrínseca: Substitui a remoção ad hoc de outliers por uma propriedade geométrica (distância WFR) onde a rejeição de estudos aberrantes é uma função contínua de sua distância do consenso, governada por um único parâmetro interpretável.
4. Garante Validade para Pequenas Amostras: Fornece regiões de confiança exatas (do tipo Hotelling) que permanecem calibradas mesmo quando o número de estudos é pequeno, abordando um modo de falha conhecido dos intervalos Wald assintóticos.

Os autores enfatizam que o método está implementado no pacote gtmeta do R e foi desenhado para ser um substituto direto para o agrupamento padrão em sínteses multivariadas ou propensas a contaminação, revertendo para resultados familiares em casos univariados simples e homogêneos.