Feasible Dose-Response Curves for Continuous Treatments Under Positivity Violations

1. Planteamiento del Problema

En la inferencia causal, la estimación de curvas de dosis-respuesta causales (CDRC, por sus siglas en inglés) para intervenciones continuas enfrenta un desafío crítico: las violaciones de la positividad.

• Contexto: En estudios farmacoeconómicos y de salud pública, las variables de tratamiento (dosis, concentraciones de fármacos) son continuas. La identificación de la CDRC estándar requiere que, dentro de cada estrato de covariables, exista una probabilidad no nula de recibir cualquier nivel de tratamiento considerado.
• El Problema: En la práctica, especialmente con datos finitos, ciertos niveles de tratamiento pueden tener un soporte empírico muy débil o nulo en subgrupos específicos de la población (violaciones de positividad prácticas). Esto ocurre, por ejemplo, cuando la farmacocinética individual impide que ciertos pacientes alcancen concentraciones extremas de un fármaco, independientemente de la dosis administrada.
• Consecuencias:
  1. Sesgo e Inestabilidad: Los estimadores estándar dependen de la extrapolación en regiones con datos escasos, lo que genera alta varianza y sesgo si el modelo está mal especificado.
  2. Interpretación Científica: Las estimaciones en regiones sin soporte carecen de sentido clínico, ya que representan intervenciones que no son realistas para ciertos individuos.
• Limitaciones de Métodos Existentes:
  • Recorte (Trimming): Elimina individuos sin soporte, cambiando el estimando a una subpoblación y perdiendo datos valiosos.
  • Ponderación (Weighted CDRC): Repondera los datos para definir un nuevo estimando, pero el resultado puede ser difícil de interpretar científicamente (mezcla de efectos causales y asociativos).
  • Políticas de Tratamiento Modificadas (MTP): Suelen definir intervenciones basadas en transformaciones preespecificadas que pueden no alinearse con la pregunta científica original de la curva de dosis-respuesta.

2. Metodología Propuesta

Los autores proponen un enfoque que mantiene el objetivo científico de la CDRC original pero adapta la intervención para que sea factible (feasible) basándose en el soporte empírico de los datos.

A. Diagnóstico de Violaciones: La Razón de No-Solapamiento (Non-Overlap Ratio)

Para cuantificar la severidad de las violaciones de positividad, introducen una nueva métrica basada en Regiones de Mayor Densidad (HDR, Highest Density Regions) condicionales a las covariables.

1. Soporte Condicional: Para un nivel de soporte $\alpha \in (0,1)$ y un perfil de covariables $L=l$, se define el conjunto $A_\alpha(l)$ como el conjunto de valores de tratamiento con mayor densidad condicional que cubren una probabilidad $\alpha$.
2. Razón de No-Solapamiento ($\tau_\alpha(a)$): Se define como la proporción de la población para la cual un nivel de intervención objetivo $a$ cae fuera de su región de soporte condicional $A_\alpha(L)$.
   • $\tau_\alpha(a) \approx 0$: El nivel $a$ está bien soportado en toda la población.
   • $\tau_\alpha(a) \approx 1$: El nivel $a$ es insoportable para la mayoría de la población.

B. Estimando Propuesto: Curva de Dosis-Respuesta Factible (FDRC)

En lugar de descartar datos o reponderar, proponen una intervención individualizada factible.

• Regla de Intervención Factible ($d_{0,\alpha}(a, l)$):
  Para un objetivo de dosis $a$ y un perfil de covariables $l$:
  • Si $a \in A_\alpha(l)$ (el objetivo está soportado), la intervención asigna $A = a$.
  • Si $a \notin A_\alpha(l)$ (el objetivo no es realista), la intervención asigna el valor factible más cercano: $\Pi_{A_\alpha(l)}(a) = \arg\min_{u \in A_\alpha(l)} |u - a|$.
• El Estimando (FDRC):
  $$m_{feasible}(a) = E[Y^{d_{0,\alpha}(a, \cdot)}]$$
  Esta curva responde a la pregunta: "Si intentamos fijar a todos en la concentración $a$, pero para algunos niños esto no es realista, ¿cuál sería el resultado esperado tras mover a esos individuos a la concentración alcanzable más cercana?"

C. Estrategia de Estimación

Se propone un estimador de g-computación plug-in:

1. Estimación de Densidad: Se estima la densidad condicional del tratamiento $\hat{f}(a|L)$ utilizando métodos flexibles (paramétricos, kernels o hazard-binning basado en HAL).
2. Construcción de HDR: Se calculan los umbrales de densidad y los conjuntos de soporte para cada individuo.
3. Mapeo Factible: Se aplica la regla de proyección para obtener las dosis factibles $\hat{d}(a, L)$.
4. Regresión de Resultados: Se ajusta un modelo de regresión $\hat{\mu}(a, L) = E[Y|A=a, L]$ y se promedia sobre la población usando las dosis factibles.

3. Contribuciones Clave

1. Nuevo Diagnóstico: Desarrollo de la Razón de No-Solapamiento basada en HDRs, que proporciona una medida escalable y dependiente de las covariables para diagnosticar violaciones de positividad en tratamientos continuos.
2. Nuevo Estimando (FDRC): Definición de una curva de dosis-respuesta que preserva la interpretación causal de la CDRC estándar en regiones de buen soporte, pero que se vuelve identificable y estable en regiones de soporte limitado mediante un mapeo adaptativo a valores factibles.
3. Marco de Implementación: Implementación del método en el paquete R CICI, incluyendo algoritmos para la estimación de densidad condicional (como hazard-binning) y la visualización de diagnósticos.
4. Validación Empírica: Aplicación exitosa en un ensayo clínico real (CHAPAS-3) y estudios de simulación que demuestran la superioridad del método frente a la CDRC estándar y el recorte tradicional en escenarios de violación de positividad.

4. Resultados

Estudios de Simulación

• Escenario 1 (Especificación del Modelo): Bajo violaciones de positividad, la CDRC estándar muestra un sesgo alto cuando la función de resultado es no lineal (sinusoidal o logarítmica) y la extrapolación es necesaria. La FDRC mantiene un sesgo significativamente menor al evitar la extrapolación en regiones no soportadas.
• Escenario 2 (Grado de Solapamiento): En escenarios con solapamiento débil, la FDRC se desvía de la CDRC estándar solo en las regiones extremas donde el solapamiento es nulo, proporcionando estimaciones estables. El estimando de recorte (Trimming) mostró alta variabilidad e inestabilidad.
• Escenario 3 (Complejidad Realista): Inspirado en datos reales, la FDRC demostró robustez, evitando los valores extremos y sesgados que producía la CDRC estándar en regiones de densidad cero.

Aplicación Real: Ensayo CHAPAS-3

• Contexto: Niños VIH positivos en Zambia y Uganda tratados con efavirenz. Se analizó la relación entre la concentración plasmática de efavirenz y la falla viral.
• Hallazgos:
  • El diagnóstico mostró que las concentraciones extremas (<1 mg/L y >3.5 mg/L) tenían una alta razón de no-solapamiento, indicando que no son alcanzables para todos los perfiles metabólicos.
  • La CDRC Estándar mostraba inestabilidad y variaciones drásticas en estas regiones extremas.
  • La FDRC proporcionó una curva suave y estable. En la región central (bien soportada), la FDRC coincidió con la CDRC estándar. En los extremos, la FDRC reflejó el resultado esperado si se ajustara a la concentración más cercana alcanzable para cada niño, ofreciendo un resumen de dosis-respuesta científicamente interpretable y clínicamente relevante.

5. Significado e Implicaciones

El trabajo de Bao y Schomaker ofrece una solución pragmática y teóricamente sólida al problema de la positividad en intervenciones continuas:

• Interpretabilidad: A diferencia de los métodos de ponderación que oscurecen el estimando, la FDRC mantiene una interpretación clara basada en una regla de intervención definida (mover al valor factible más cercano).
• Viabilidad Clínica: Reconoce que en la práctica médica, no todos los objetivos de tratamiento son alcanzables para todos los pacientes. La metodología cuantifica y ajusta automáticamente esta realidad, evitando conclusiones basadas en extrapolaciones especulativas.
• Robustez: Reduce la dependencia de la especificación correcta del modelo en regiones de datos escasos, mejorando la fiabilidad de las inferencias causales en estudios observacionales y ensayos clínicos con tratamientos continuos.

En resumen, el artículo propone un cambio de paradigma: en lugar de forzar la identificación de efectos en regiones donde los datos no existen (extrapolación) o descartar datos (recorte), se redefine la intervención para que sea factible según la evidencia empírica, manteniendo la coherencia científica con la pregunta original de la dosis-respuesta.