Causal Inference for Preprocessed Outcomes with an Application to Functional Connectivity

Technisches Resümee: Kausale Inferenz für vorverarbeitete Ergebnisse mit einer Anwendung auf funktionelle Konnektivität

Problemstellung
In der biomedizinischen Forschung, insbesondere in der Neurobildgebung (z. B. Ruhe-fMRT), werden wiederholte Messungen innerhalb von Probanden routinemäßig verarbeitet, um Artefakte (z. B. Bewegung, physiologisches Rauschen) zu entfernen, bevor die Inter-Subjekt-Statistik erfolgt. Diese Intra-Subjekt-Verarbeitung erzeugt „abgeleitete Ergebnisse“, die als Proxys für nicht beobachtbare wissenschaftliche Größen (z. B. funktionelle Konnektivität) dienen. Obwohl dies weit verbreitet praktiziert wird, wurde die Auswirkung dieser Vorverarbeitung auf die kausale Inferenz zwischen Subjekten bisher nicht systematisch untersucht. Bestehende semiparametrische Frameworks für die kausale Inferenz (z. B. doppelt robuste Schätzer) gehen davon aus, dass Ergebnisse direkt beobachtet werden oder dass abgeleitete Ergebnisse ausschließlich aus Schätzfehlern resultieren, wobei sie den zusätzlichen durch den Vorverarbeitungsschritt eingeführten Unsicherheitsgrad ignorieren. Standardmethoden verlassen sich zudem oft auf eine starre lineare Nuisance-Regression und „Scrubbing“ (Entfernen von Datenpunkten), was einen Selektionsbias einführen kann, indem Probanden mit hoher Bewegungsrate ausgeschlossen werden – eine Gruppe, die häufig mit Verhaltensauffälligkeiten korreliert. Es mangelt an einem fundierten Framework, das eine flexible, datengesteuerte Intra-Subjekt-Verarbeitung (einschließlich maschinellem Lernen) ermöglicht und gleichzeitig eine valide kausale Inferenz auf der Inter-Subjekt-Ebene gewährleistet.

Methodik
Die Autoren schlagen ein semiparametrisches Framework für die kausale Inferenz unter einem hierarchischen Setting vor, das eine Intra-Subjekt-Verarbeitung gefolgt von einer Inter-Subjekt-Analyse umfasst.

1. Hierarchisches Modell und abgeleitete Ergebnisse:

   • Das Framework modelliert eine Mediationsstruktur, in der eine Behandlung $A$ ein Ergebnis $Y$ sowohl direkt als auch indirekt über einen Mediator $M$ (z. B. Bewegungseigenschaften) beeinflusst.
   • Das wahre Subjekt-Ergebnis $Y(a, m)$ ist nicht beobachtbar. Stattdessen ist es als Funktional $g$ von Residuen definiert, die nach der Regression von Störvariablen $H$ (z. B. Bewegungsparameter) aus den Rohantworten $X$ mittels einer Intra-Subjekt-Verarbeitungsfunktion $f$ gewonnen wurden.
   • Das beobachtete „abgeleitete Ergebnis“ $\hat{Y}$ wird unter Verwendung der geschätzten Funktionen $\hat{f}$ und $\hat{g}$ konstruiert. Das Framework berücksichtigt explizit den durch die Schätzung von $f$ und $g$ eingeführten Bias.

2. Identifikation und Annahmen:

   • Die Identifikation kausaler Parameter (natürlicher direkter Effekt, natürlicher indirekter Effekt, durchschnittlicher Behandlungseffekt) beruht auf Standard-Kausalannahmen (Konsistenz, Positivität, konditionale Randomisierung, Kreuzwelt-Unabhängigkeit), die auf den vollständigen Satz an Intra-Subjekt-Messungen ($X, H$) ausgeweitet werden.
   • Eine Schlüsselannahme ist die ** asymptotische Unverzerrtheit**: Das abgeleitete Ergebnis muss gegen das wahre potenzielle Ergebnis konvergieren, wenn die Anzahl der Intra-Subjekt-Zeitpunkte $T \to \infty$ geht.

3. Multiplizierend robuste Schätzung:

   • Die Autoren entwickeln einen multiplizierend robusten Augmented Inverse Probability Weighted (AIPW) Schätzer.
   • Konvergenzraten: Theoretische Garantien erfordern spezifische Konvergenzraten sowohl für die Intra-Subjekt-Verarbeitungsfunktionen ($\hat{f}$) als auch für die Inter-Subjekt-Nuisance-Modelle (Propensity Scores, Outcome-Regressionen).
   • Kreuzprodukt-Struktur: Für Ergebnisse, die auf Kreuzprodukten von Residuen basieren (z. B. Korrelationen in der funktionellen Konnektivität), erlaubt das Framework den Intra-Subjekt-Verarbeitungsfunktionen, mit Raten langsamer als $T^{-1/2}$ zu konvergieren (speziell $O(T^{-\alpha_0})$ mit $n^{1/2}T^{-2\alpha_0} = o(1)$). Diese Lockerung ermöglicht den Einsatz flexibler Algorithmen des maschinellen Lernens für die Nuisance-Regression.
   • Multiple Robustheit: Der Schätzer ist konsistent, wenn eine von drei Kombinationen von Nuisance-Modellen korrekt spezifiziert ist: (i) beide Propensity-Score-Modelle, (ii) die Outcome-Regression und der Treatment-Propensity-Score, oder (iii) die Outcome-Regression und der sequentielle Regressions-Term.

4. Inferenz und multiples Testen:

   • Der Schätzer erlaubt eine asymptotische lineare Expansion, was asymptotische Normalität ermöglicht.
   • Für hochdimensionale Inferenz (z. B. Testen von tausenden Gehirnverbindungen) verwenden die Autoren ein Step-Down-Verfahren kombommen mit einem Gaussian-Multiplier-Bootstrap. Dies kontrolliert die Exzedanzrate der False Discovery Proportion (FDP) und bietet eine stärkere Fehlerkontrolle als Standardverfahren zur Kontrolle der False Discovery Rate (FDR).

5. Implementierung:

   • Das Framework nutzt die Super Learner Ensemble-Methode, um sowohl die Intra-Subjekt-Nuisance-Funktionen als auch die Inter-Subjekt-Modelle zu schätzen, wodurch Modellmisspezifikationen minimiert werden.
   • Cross-Fitting wird verwendet, um empirische Prozess-Terme zu handhaben und Donsker-Bedingungen zu vermeiden.

Wesentliche Beiträge

• Theoretisches Framework: Dies ist die erste Arbeit, die ein theoretisches Framework für die kausale Inferenz nach einer Intra-Subjekt-Verarbeitung bereitstellt, indem sie die Propagation des Schätzfehlers von der Intra-Subjekt-Stufe zur Inter-Subjekt-kausalen Schätzung explizit modelliert.
• Multiplizierend robuste Schätzer: Die Entwicklung von Schätzern, die unter Verwendung von flexiblem maschinellem Lernen sowohl für die Nuisance-Regression (Intra-Subjekt) als auch für die kausale Modellierung (Inter-Subjekt) konsistent bleiben, sofern spezifische Konvergenzraten erfüllt sind.
• Gelockerte Konvergenzraten: Der Nachweis, dass für Ergebnisse vom Typ Kreuzprodukt die Intra-Subjekt-Verarbeitungsfunktionen nicht mit der parametrischen Rate konvergieren müssen, was den Einsatz komplexer, nicht-linearer Machine-Learning-Modelle zur Artefaktentfernung ermöglicht.
• Hochdimensionale Inferenz: Die Anwendung eines Step-Down-Verfahrens zur Kontrolle der FDP-Exzedanzraten im Kontext abgeleiteter Ergebnisse.

Ergebnisse

• Simulationen: In Simulationen mit variierenden Stichprobengrößen ($n=150, 300$) und Zeitpunkten ($T=300, 600$) zeigte die vorgeschlagene SL+AIPW Methode (Super Learner für die Verarbeitung + AIPW für die Inferenz):
  • Geringer Bias: Signifikant geringerer Bias im Vergleich zu Standard-Linearen-Regressionsmethoden, die aufgrund unmodellierter Bewegungs-Mediation erheblichen Bias aufwiesen.
  • Valide Typ-I-Fehlerrate: Die vorgeschlagene Methode hielt die Typ-I-Fehlerraten nahe am Nominalwert (0,05), während lineare Methoden ohne Mediationsanpassung schwere Inflationen zeigten (bis zu ~0,85).
  • Power: Die vorgeschlagene Methode erreichte eine angemessene statistische Power (über 0,8 für $n=300$) und übertraf dabei lineare Methoden mit Mediationsanpassung, die einen drastischen Power-Verlust erlitten.
  • Bewegungskorrektur: Der Super-Learner-Ansatz entfernte Bewegungsharteffekte effektiv ohne die Notwendigkeit von „Scrubbing“ (Datenausschluss), wodurch mehr Datenpunkte erhalten blieben und Selektionsbias vermieden wurde.
• Anwendung (ASD rs-fMRI): Anwendung auf Daten von 128 Kindern mit Autismus-Spektrum-Störung (ASD), um den Effekt von Stimulanzien-Medikation auf die funktionelle Konnektivität (FC) zu schätzen.
  • Datenerhalt: Im Gegensatz zum „36p + Scrubbing“-Ansatz, der 75 % der Teilnehmer ausschloss (nur 32 übrig ließ), behielt die vorgeschlagene Methode alle 128 Probanden bei.
  • Ergebnisse: Die vorgeschlagene Methode identifizierte weniger spurenechte signifikante Assoziationen im Vergleich zum unbereinigten linearen Modell. Während keine Effekte nach strenger Korrektur für multiples Testen in der Primäranalyse signifikant blieben, deutete eine explorative Post-hoc-Analyse auf potenzielle normalisierende Effekte von Stimulanzien auf die Konnektivität zwischen posterioren und anterioren Default Mode Network-Regionen hin. Die Ergebnisse unterstrichen, dass Bewegung als Mediator wirkt, der beobachtete Behandlungseffekte abschwächen kann, was die Notwendigkeit des Mediationsframeworks verstärkt.

Bedeutung und Ansprüche
Das Paper behauptet, eine kritische Lücke in der biomedizinischen kausalen Inferenz zu schließen, indem es ein rigoroses Framework für Settings bereitstellt, in denen Ergebnisse aus verarbeiteten Intra-Subjekt-Daten abgeleitet werden. Die Autoren betonen, dass ihr Ansatz:

1. Adaptives Lernen ermöglicht: Er unterstützt den Einsatz moderner maschineller Lernverfahren für die Nuisance-Regression (z. B. Entrauschen von fMRI-Daten), ohne die Validität der kausalen Inferenz zu gefährden – eine Fähigkeit, die in der bestehenden doppelt robusten Theorie fehlt.
2. Selektionsbias reduziert: Durch die Vermeidung von „Scrubbing“ und dem Ausschluss von Probanden wird der Selektionsbias gemindert, der mit dem Entfernen von Probanden mit hoher Bewegungsrate einhergeht, welche sich oft systematisch in klinischen Merkmalen unterscheiden.
3. Robustheit bietet: Die multiplizierend robuste Eigenschaft stellt sicher, dass kausale Schätzungen valide bleiben, selbst wenn einige Nuisance-Modelle misspezifiziert sind, vorausgesetzt, die Konvergenzraten werden eingehalten.

Die Autoren kommen zu dem Schluss, dass das Framework zwar theoretisch fundiert ist und in Simulationen sowie einer realen Anwendung gut abschneidet, es jedoch auf der Konsistenz der Intra-Subjekt-Verarbeitungsschätzungen beruht. Sie weisen auf Limitationen hinsichtlich der Modellierung positivedefiniter Korrelationsmatrizen in der funktionellen Konnektivität hin und schlagen zukünftige Arbeiten zur Modellierung von Abhängigkeitsstrukturen sowie zur Erweiterung des Frameworks auf longitudinale oder gruppenspezifische Analysen vor.