Causal Inference of Blood Pressure Reduction and Coronary Heart Disease Risk in the Framingham Study

Durch die Anwendung kausaler Inferenzmethoden auf die Framingham-Herz-Studie zeigt diese Arbeit, dass standardmäßige beobachtungsbasierte Risikorechner den absoluten Nutzen der Blutdrucksenkung für das Risiko einer koronaren Herzkrankheit aufgrund von Konfundierung um etwa 21,8 % überschätzen, was die kritische Notwendigkeit unterstreicht, zwischen bedingten Wahrscheinlichkeiten und Interventionswirkungen bei klinischen Entscheidungen zu unterscheiden.

Das Wesentliche

Stellen Sie sich vor, Sie versuchen herauszufinden, wie sehr eine bestimmte Handlung – wie zum Beispiel die Senkung des Blutdrucks – tatsächlich dazu beiträgt, einen Herzinfarkt zu verhindern. Seit Jahrzehnten nutzen Ärzte und Risikorechner eine Methode, die Menschen betrachtet, die natürlich einen niedrigen Blutdruck haben, und diese mit Menschen vergleicht, die natürlich einen hohen Blutdruck haben.

Das Problem, so diese Studie, besteht darin, dass dieser Vergleich wie das Bewerten eines Rennens ist, indem man sich die Schuhe der Läufer ansieht, anstatt ihre Laufleistung.

Hier ist die Aufschlüsselung dessen, was die Forscher unter Verwendung einfacher Analogien herausfanden:

Der Fehler „Natürlich" versus „Erzwungen"

Stellen Sie sich den Blutdruck wie die Temperatur in einem Haus vor.

• Der alte Weg (Beobachtend): Forscher betrachteten Häuser, die von Natur aus kühl sind, und verglichen sie mit Häusern, die von Natur aus heiß sind. Sie stellten fest, dass die heißen Häuser mehr zerbrochene Fenster (Herzerkrankungen) hatten. Sie schlossen daraus: „Wenn wir das Haus abkühlen, werden wir viele Fenster retten."
• Der Fehler: Die Häuser, die von Natur aus heiß sind, haben oft auch andere Probleme: Sie sind älter, die Isolierung ist schlechter und die Eigentümer sind weniger sorgfältig bei der Instandhaltung. Die Hitze ist nicht der einzige Grund, warum die Fenster zerbrechen; das Alter und die schlechte Instandhaltung tragen ebenfalls dazu bei.
• Der neue Weg (Kausal): Diese Studie stellte eine andere Frage: „Wenn wir ein Haus nehmen, das von Natur aus heiß ist, und den Thermostat erzwingen (mit Medikamenten) herunterdrehen, wie viele Fenster retten wir tatsächlich?"

Die Studie ergab, dass die „alte Methode" den Nutzen um etwa 22 % überschätzte. Sie machte die Hitze für alle zerbrochenen Fenster verantwortlich, wobei in Wirklichkeit das Alter des Hauses und die schlechte Instandhaltung einen Großteil des Schadens verursachten. Wenn Sie die Hitze beheben, beheben Sie die Hitze, aber Sie reparieren nicht magisch das Alter oder die Probleme mit der Instandhaltung.

Die „Karten"-Korrektur

Um dies richtig zu machen, zeichneten die Forscher eine neue „Karte" (genannt gerichteter azyklischer Graph oder DAG) darüber, wie die Herzgesundheit funktioniert. Sie fanden vier Fehler in den Karten, die alle anderen bisher verwendet hatten:

1. Rauchen: Sie entfernten eine Linie, die nahelegte, dass Rauchen in diesem spezifischen Kontext direkt hohen Blutdruck verursacht, und erkannten, dass es zunächst über andere Pfade (wie Cholesterin) die Herzgesundheit beeinflusst.
2. Alter: Sie fügten eine Linie hinzu, die zeigt, dass das Älterwerden Diabetes verursacht, was sich dann auf die Herzgesundheit auswirkt.
3. Medikation: Sie erkannten, dass die Einnahme von Blutdruckpillen eine Folge von hohem Blutdruck ist und nicht seine Ursache. Die Pillen als Ursache zu behandeln, war wie der Feuerlöscher für den Brand verantwortlich zu machen.
4. Vorgeschichte: Sie hörten auf, „früheren hohen Blutdruck" als separate Ursache zu zählen, da er nur ein Symptom des aktuellen hohen Blutdrucks ist.

Indem sie diese Kartenfehler korrigierten, konnten sie den wahren Effekt der „Thermostat-Anpassung" berechnen.

Die Ergebnisse: Eine ehrlichere Zahl

Als sie die Mathematik korrekt durchführten:

• Die alte Schätzung: Eine Senkung des Blutdrucks um 20 Punkte würde bei etwa 4,14 % der Menschen Herzerkrankungen verhindern.
• Die neue Wahrheit: Eine Senkung des Blutdrucks um 20 Punkte verhindert Herzerkrankungen tatsächlich bei etwa 3,40 % der Menschen.

Obwohl 3,40 % immer noch gut klingen, zeigt die Studie, dass die „alte Schätzung" zu optimistisch war. Wenn ein Arzt die alte Zahl verwendet, um zu entscheiden, ob er Medikamente verschreiben soll, könnte er denken, der Nutzen sei groß genug, um einen Patienten zu behandeln, während der tatsächliche Nutzen knapp unter der Schwelle für eine Behandlung liegen könnte.

Wer profitiert am meisten?

Die Studie untersuchte auch, ob diese „Korrektur" bei verschiedenen Menschen unterschiedlich wirkt:

• Alter: Ältere Menschen scheinen einen größeren absoluten Nutzen aus der Senkung des Blutdrucks zu ziehen als jüngere Menschen. Das ergibt Sinn, da ältere Menschen von vornherein mehr „zerbrochene Fenster" haben.
• Diabetes: Die Forscher versuchten, Menschen mit Diabetes zu betrachten, aber es gab zu wenige von ihnen in der Studie, um zuverlässige Aussagen zu treffen. Sie warnen ausdrücklich, dass wir aus diesen Daten noch keine Schlussfolgerungen über Diabetiker ziehen können.

Das Fazit

Diese Studie sagt nicht: „Senken Sie den Blutdruck nicht." Sie sagt: „Seien Sie vorsichtig damit, wie sehr Sie glauben, dass die Senkung des Blutdrucks hilft."

Standard-Risikorechner sind wie eine Wettervorhersage, die einen Sturm vorhersagt, basierend darauf, wie dunkel der Himmel gerade jetzt aussieht, und ignoriert, dass der Himmel dunkel ist, weil eine Wolke, die einen Sturm bringt, sich bereits entfernt. Indem sie eine fortschrittlichere Methode (genannt kausale Inferenz) verwendeten, zeigten die Forscher, dass der „Sturm" (das Risiko für Herzerkrankungen) etwas weniger schwerwiegend ist als die alten Vorhersagen es prophezeiten, wenn man den Effekt des Blutdrucks allein isoliert betrachtet.

Dies hilft Ärzten, präzisere Entscheidungen zu treffen und sicherzustellen, dass sie die „Magie" einer einzelnen Behandlung nicht überschätzen, wenn das gesamte Gesundheitsbild eines Patienten viel komplexer ist.

Technische Zusammenfassung

Technische Zusammenfassung: Kausale Inferenz der Blutdrucksenkung und des Risikos für koronare Herzkrankheiten in der Framingham-Studie

Problemstellung
Standardisierte kardiovaskuläre Risikorechner, wie der Framingham-Risikoscore und die gepoolten Kohortengleichungen der ACC/AHA, schätzen die bedingte Wahrscheinlichkeit einer koronaren Herzkrankheit (KHK) bei einem spezifischen Blutdruckprofil, $P(\text{KHK} \mid \text{SysBP}=s, Z=z)$. Diese Größe spiegelt die beobachtete Häufigkeit der Erkrankung bei Individuen wider, die natürlicherweise bestimmte Merkmale aufweisen. Für klinische Entscheidungen bezüglich einer antihypertensiven Therapie ist jedoch die interventive Größe $P(\text{KHK} \mid \text{do}(\text{SysBP}=s))$ erforderlich, die das Risiko darstellt, wenn der Blutdruck pharmakologisch auf einen Zielwert eingestellt würde, unabhängig vom zugrunde liegenden biologischen Zustand des Patienten (z. B. Alter, Adipositas, metabolische Dysregulation).

Die Arbeit argumentiert, dass die Vermischung dieser beiden Größen zu einer systematischen Überschätzung des absoluten Nutzens einer Blutdrucksenkung führt. Individuen mit natürlich erhöhtem Blutdruck weisen häufig eine höhere Last an Komorbiditäten (höheres Alter, höherer BMI, Diabetes) auf als Personen mit niedrigerem Blutdruck. Beobachtungsstudien schätzen das Risiko, das mit diesem gesamten Profil verbunden ist, während eine antihypertensive Therapie lediglich den kausalen Pfad vom Druck zu vaskulären Ereignissen unterbricht. Folglich können beobachtungsbasierte Instrumente die wahrgenommene Wirksamkeit einer Behandlung aufblähen und möglicherweise VerschreibungsSchwellenwerte sowie Risik stratifizierungen beeinflussen.

Methodik
Die Studie wendet Pearls do-Kalkül und strukturelle kausale Modellierung auf die Offspring-Kohorte der Framingham Heart Study an ($n=4.240$; Primäranalyse an $n=3.776$ vollständigen Fällen). Der methodische Ablauf umfasst:

1. Spezifikation des strukturellen kausalen Modells (DAG): Ein gerichteter azyklischer Graph (DAG) mit 11 Knoten und 24 Kanten wurde konstruiert. Die Autoren führten vier biologisch motivierte Korrekturen gegenüber früheren Formulierungen ein:

   • Entfernung von Rauchen $\to$ SysBP: Unter Anerkennung, dass Nikotin zwar eine akute Vasokonstriktion verursacht, in diesem querschnittlichen Kontext jedoch keinen strukturellen kausalen Pfad auf Bevölkerungsebene vom Rauchstatus zu einem anhaltenden systolischen Blutdruck darstellt.
   • Hinzufügung von Alter $\to$ Diabetes: Einbeziehung des starken Anstiegs der Inzidenz von Typ-2-Diabetes mit dem Alter unter Anerkennung des Alters als gemeinsame Ursache sowohl für Blutdruckerhöhung als auch für KHK.
   • Neuklassifizierung von Medikamenten (BPMEDS): Die Behandlung von antihypertensiven Medikamenten als Nachkomme des systolischen Blutdrucks (SysBP) und nicht als Störfaktor. Eine Einbeziehung in den Adjustierungssatz würde einen Collider-Bias induzieren.
   • Ausschluss der Prävalenten Hypertonie: Entfernung der prävalenten Hypertonie aus dem primären Adjustierungssatz, um einen Bias durch Überadjustierung zu vermeiden, da sie kausal stromabwärts der langfristigen Blutdruckwerte liegt.

   Die Validität des DAG wurde durch Tests auf bedingte Unabhängigkeit (partielle Korrelationen) geprüft; alle bestanden bei $\alpha=0,05$.

2. Schätzung des kausalen Effekts:

   • Primärer Schätzer: G-Komputation (Standardisierung) wurde verwendet, um den durchschnittlichen kausalen Effekt (ACE) einer 20 mmHg-Senkung des SysBP zu schätzen. Der Adjustierungssatz nach der Rücktür ($Z = \{\text{Alter, Geschlecht, BMI, aktuelles Rauchen}\}$) wurde verwendet. Gesamtcholesterin und Glukose wurden als Präzisions-Kovariaten in der Regressionsanalyse des Outcomes einbezogen.
   • Triangulation: Die Ergebnisse wurden durch geschlechtsspezifisches Propensity-Score-Matching (PSM) und Inverse-Probability-Weighting (IPW) untermauert.
   • Heterogenität: Bedingte durchschnittliche Behandlungseffekte (CATE) wurden unter Verwendung von R-Learner- und T-Learner-Meta-Learner mit gradientenverstärkten Störmodellen geschätzt, um eine Effektmodifikation durch Alter, Geschlecht und Diabetesstatus zu bewerten.
   • Robustheit: Die Studie verwendete Permutations-Refutationstests und Placebo-Instrumente (z. B. Herzfrequenz $\to$ Alter), um die kausalen Schätzungen zu validieren. E-Werte wurden berechnet, um die Robustheit der Ergebnisse gegenüber nicht gemessenen Störfaktoren zu quantifizieren.

Hauptergebnisse

• Lücke zwischen Vorhersage und Kausalität: Der G-Komputationsansatz ergab einen ACE von 3,40 % absoluter Risikoreduktion (95 %-Bootstrap-KI: 2,64 %–4,14 %) für eine 20 mmHg-Senkung des SysBP. Im Gegensatz dazu betrug die naive beobachtungsbasierte Schätzung 4,14 %. Dies stellt eine relative Überschätzung von etwa 21,8 % durch den beobachtungsbasierten Ansatz dar.
• Ursache des Bias: Die Abweichung wird durch die Clusterbildung von höherem Alter, höherem BMI und metabolischer Dysregulation mit erhöhtem Blutdruck getrieben. Die beobachtungsbasierte Schätzung erfasst das Risiko des komorbiden Profils, nicht nur die Blutdrucksenkung.
• Heterogenität: Statistisch signifikante Heterogenität wurde über Altersschichten ($p < 0,001$) und Diabetesstatus ($p < 0,001$) hinweg festgestellt. Ältere Patienten (45–64 Jahre) zeigten höhere geschätzte absolute Risikoreduktionen (~4,5–4,8 %) im Vergleich zu jüngeren Patienten (<45 Jahre, ~2,2 %).
• Einschränkungen bei Untergruppen: Schätzungen für die diabetische Untergruppe ($n=109$) waren instabil und unterpowert, mit einem breiten Konfidenzintervall, das Null überschreitet. Die Autoren stellen ausdrücklich fest, dass aus diesen Daten ohne Replikation keine zuverlässigen Rückschlüsse auf einen differentiellen Nutzen bei Diabetikern gezogen werden können.
• Robustheit: Die untere Grenze des E-Werts betrug 2,18, was bedeutet, dass ein nicht gemessener Störfaktor ein relatives Risiko von mindestens 2,18 sowohl für SysBP als auch für KHK aufweisen müsste, um den beobachteten Effekt vollständig zu erklären. Dies übersteigt die Stärke der Assoziation aller gemessenen Kovariaten.

Bedeutung und Behauptungen
Die Arbeit beansprucht, als erste das Ausmaß des Bias in standardisierten beobachtungsbasierten kardiovaskulären Risikoinstrumenten innerhalb der Framingham-Kohorte zu quantifizieren und zeigt auf, dass diese Instrumente den absoluten Nutzen einer antihypertensiven Behandlung um etwa ein Fünftel überschätzen können.

Die Autoren argumentieren, dass diese Überschätzung direkte klinische Konsequenzen hat. Für Patienten nahe VerschreibungsSchwellenwerten könnte eine 21,8 %ige Aufblähung des geschätzten Nutzens zu Behandlungsentscheidungen führen, bei denen der wahre kausale Nutzen unter einen klinisch bedeutsamen Schwellenwert fällt. Die Studie legt nahe, dass die klinische Risik stratifizierung idealerweise auf interventiven Schätzungen statt auf konditionalen Assoziationen basieren sollte.

Methodisch leistet die Arbeit einen Beitrag durch eine end-to-end reproduzierbare Pipeline, die DAG-Evaluierung, G-Komputation, PSM, IPW und semiparametrische Meta-Learner integriert. Sie hebt spezifische strukturelle Fehler in früheren kausalen Analysen kardiovaskulärer Daten hervor, insbesondere die fehlerhafte Behandlung antihypertensiver Medikamente als Störfaktor anstelle eines Nachkommen des Blutdrucks, was einen Collider-Bias einführt.

Von den Autoren anerkannte Einschränkungen
Die Autoren bewahren hinsichtlich ihrer Schlussfolgerungen einen bescheidenen Ton und weisen auf mehrere Einschränkungen hin:

• Nicht gemessene Störfaktoren: Die Annahme fehlender nicht gemessener Störfaktoren ist nicht überprüfbar; Faktoren wie Ernährung, körperliche Aktivität und Genetik könnten die Ergebnisse verzerren.
• Querschnittscharakter: Die Analyse stützt sich auf Basisdaten und berücksichtigt keine zeitvariablen Störfaktoren über das 10-Jahres-Follow-up, was zu konservativen Schätzungen führen kann.
• Vereinfachung des DAG: Der DAG ist eine vereinfachte Darstellung; das Versagen einiger Placebotests deutet auf latente gemeinsame Ursachen hin, die nicht im Modell kodiert sind.
• Generalisierbarkeit: Die Offspring-Kohorte der Framingham-Studie ist eine überwiegend weiße, gemeindebasierte Stichprobe aus Neuengland der Mitte des 20. Jahrhunderts, was die Generalisierbarkeit auf zeitgenössische, diverse oder höher-riskante Populationen einschränkt.
• Power bei Untergruppen: Die Analyse der diabetischen Untergruppe wird ausdrücklich als unterpowert und für Inferenzen unzuverlässig gekennzeichnet.

Die Studie positioniert ihre Ergebnisse als hypothesengenerierend und fordert eine zukünftige Validierung gegenüber Daten aus randomisierten Studien (z. B. SPRINT, ACCORD-BP) sowie eine Replikation in größeren, diverseren Kohorten.