Robust Causal Inference for EHR-based Studies of Point Exposures with Missingness in Eligibility Criteria

Resumen Técnico: Inferencia Causal Robusta para Estudios Basados en Historias Clínicas Electrónicas de Exposiciones Puntuales con Datos Faltantes en Criterios de Elegibilidad

Enunciado del Problema
Las bases de datos de historias clínicas electrónicas (HCE) ofrecen una alternativa valiosa a los ensayos clínicos aleatorizados para la investigación observacional. Sin embargo, a diferencia de los estudios prospectivos donde la elegibilidad se verifica rigurosamente, los datos de HCE a menudo contienen valores faltantes para las variables que definen la elegibilidad del estudio (por ejemplo, IMC, niveles de HbA1c, historial de medicación). La práctica estándar consiste en excluir a los pacientes con datos de elegibilidad incompletos, lo que introduce un sesgo de selección si la falta de datos no es completamente al azar (MCAR). Por el contrario, los investigadores a menudo intentan mitigar esto extendiendo las "ventanas de retroceso" para encontrar datos más antiguos, una estrategia que corre el riesgo de incluir inapropiadamente a pacientes que no eran elegibles en la línea base del estudio (por ejemplo, pacientes cuyo estado de diabetes era desconocido en el momento de la cirugía pero que se infiere a partir de registros desactualizados).

Los métodos existentes para manejar la elegibilidad faltante, como la imputación múltiple o la ponderación por probabilidad inversa (IPW), a menudo requieren la especificación correcta de todos los modelos componentes (resultado, tratamiento, falta de datos e imputación) para producir estimaciones consistentes. Además, estos métodos suelen tener dificultades cuando se combinan con técnicas flexibles de aprendizaje automático (ML), que típicamente sufren de tasas de convergencia lentas que invalidan la inferencia asintótica.

Metodología
Los autores proponen un marco para estimar el Efecto Promedio del Tratamiento en los Tratados entre los Elegibles del Estudio (ATTE), denotado como $\theta_{ATT}^{elig} = E[Y(1) - Y(0) \mid A=1, E=1]$. El enfoque se basa en la teoría semiparamétrica para desarrollar estimadores que sean robustos a la mala especificación del modelo y compatibles con el aprendizaje automático moderno.

1. Supuestos e Identificación:

   • El método asume Consistencia, Positividad y Ausencia de Confusores No Medidos dentro de la población elegible.
   • Crucialmente, asume Falta al Azar (MAR) para las covariables que definen la elegibilidad ($L_m$), condicionado a las covariables completamente observadas ($L^*$) y al tratamiento ($A$). Específicamente, el indicador de datos de elegibilidad completos ($R$) es independiente del resultado ($Y$) y de las covariables faltantes ($L_m$) dado $L^*$ y $A$.
   • Los autores derivan una factorización novedosa de la verosimilitud de los datos observados que separa el mecanismo de tratamiento, el mecanismo de determinación ($\eta$), la distribución de las covariables faltantes ($\lambda$) y el modelo de resultado ($\mu$).

2. Estimadores:
   El artículo introduce dos estimadores principales basados en funciones de influencia eficientes (EIF):

   • $\hat{\theta}_{EIF}$ (Estimador de Función de Influencia Eficiente): Este estimador apunta al límite de eficiencia semiparamétrica. Utiliza un conjunto complejo de funciones de "molestia" anidadas (por ejemplo, $\xi, \gamma, \chi$) que contabilizan la incertidumbre en el estado de elegibilidad mediante la marginalización sobre las covariables faltantes. Requiere la estimación de múltiples funciones componentes ($\mu, u, \eta, \varepsilon$, etc.) utilizando métodos flexibles de ML (por ejemplo, SuperLearner). Los resultados teóricos muestran que si el producto de los errores de estimación de estas funciones de molestia converge a una tasa de $o_P(n^{-1/2})$, el estimador es $\sqrt{n}$-consistente y asintóticamente normal.
   • $\hat{\theta}_{IF}$ (Estimador de Función de Influencia): Una alternativa computacionalmente más simple que evita algunas de las funciones de molestia profundamente anidadas requeridas por $\hat{\theta}_{EIF}$. Aunque puede no alcanzar el límite de eficiencia semiparamétrica, ofrece un equilibrio entre la complejidad computacional y la reducción del sesgo.
   • Comparadores de Línea Base: Los autores también evalúan un estimador de Casos Completos (CC) y un estimador de Regresión de Resultados Ponderada por Inverso (IWOR) para demostrar la necesidad de su enfoque propuesto.

3. Implementación:
   El procedimiento de estimación emplea división de muestras (ajuste cruzado) para garantizar una inferencia válida al utilizar algoritmos de ML no paramétricos. Esto previene el sobreajuste y permite que los estimadores alcancen las tasas de convergencia requeridas incluso cuando las funciones de molestia se estiman mediante algoritmos complejos como bosques aleatorios o modelos aditivos generalizados.

Contribuciones Clave

• Marco Formal para Elegibilidad Faltante: El artículo proporciona el primer marco riguroso de inferencia causal que aborda específicamente el sesgo de selección derivado de criterios de elegibilidad faltantes en estudios de HCE, distinguiéndolo de los problemas estándar de datos faltantes.
• Robustez y Eficiencia: Los estimadores propuestos son "múltiplemente robustos", lo que significa que permanecen consistentes si se especifican correctamente varias combinaciones de modelos de molestia. También mantienen una inferencia asintótica válida al utilizar métodos flexibles de ML, superando los problemas de convergencia lenta que típicamente afectan a tales enfoques.
• Factorización Novel: La derivación de una factorización específica de la verosimilitud que facilita la identificación del ATTE sin condicionar en estratos de elegibilidad no observados.

Aplicación y Resultados
La metodología se aplica a una cohorte de 14.809 pacientes del estudio DURABLE de Kaiser Permanente que se sometieron a cirugía bariátrica (bypass gástrico en Y de Roux [RYGB] vs. gastrectomía en manga [SG]) entre 2008 y 2011. El estudio evalúa el cambio de peso a largo plazo y la remisión de la Diabetes Mellitus Tipo 2 (T2DM).

• Sensibilidad a la Operacionalización: Los autores analizaron 40 operacionalizaciones diferentes de los criterios de elegibilidad (variando las ventanas de retroceso para IMC y T2DM).
• Sesgo en Enfoques Estándar: El estimador de Casos Completos (CC) mostró un sesgo significativo (rango de -7,1% a -6,2% para el cambio de peso y de 3,7% a 8,2% para la remisión), lo que sugiere que excluir a los pacientes con datos de elegibilidad faltantes sobrestima sistemáticamente el efecto del tratamiento.
• Rendimiento de los Estimadores Propuestos: Los estimadores propuestos basados en funciones de influencia ($\hat{\theta}_{EIF}$ y $\hat{\theta}_{IF}$) atenuaron estos efectos hacia la nulidad.
  • Para el cambio de peso, $\hat{\theta}_{EIF}$ aún indicó un beneficio del RYGB sobre el SG, aunque la magnitud se redujo en un promedio del 19,5% en comparación con el estimador CC.
  • Para la remisión de T2DM, los resultados fueron más matizados. Mientras que el estimador CC sugería una ventaja sustancial para el RYGB, los estimadores robustos mostraron un efecto mucho menor (rango de 0,1% a 7,4%), con intervalos de confianza que a menudo incluían cero. Esto sugiere que la ventaja aparente del RYGB para la remisión en estudios anteriores pudo haber sido impulsada por el sesgo de selección.
• Análisis de Sensibilidad: Un análisis de punto de inflexión demostró que la conclusión sobre los beneficios de pérdida de peso para el RYGB es robusta ante violaciones del supuesto MAR, requiriendo diferencias implausiblemente grandes en las probabilidades de falta de datos para revertir los resultados. Sin embargo, los hallazgos sobre la remisión de T2DM fueron más sensibles a tales violaciones.

Significado y Afirmaciones
Los autores afirman que su trabajo aborda una fuente crítica, a menudo pasada por alto, de sesgo en la investigación basada en HCE. Al demostrar que las estrategias de exclusión estándar pueden conducir a estimaciones infladas de los efectos del tratamiento, el artículo aboga por la adopción de métodos robustos semiparamétricos.

El estudio concluye que, si bien el RYGB probablemente ofrece una pérdida de peso a largo plazo superior en comparación con el SG, la evidencia de una tasa de remisión de T2DM superior es menos definitiva de lo que sugirieron previamente los estudios que utilizan análisis de casos completos. Los autores sugieren que esta base de evidencia robusta respalda las guías clínicas actuales y argumenta en contra de la necesidad de nuevos ensayos aleatorizados a gran escala para estos resultados específicos, ya que puede no existir un equívoco clínico suficiente. El trabajo proporciona un conjunto de herramientas práctico para que los investigadores manejen los datos de elegibilidad faltantes sin recurrir a exclusiones arbitrarias o estrategias de retroceso potencialmente sesgadas.