Assessing Racial Disparities in Healthcare Expenditures via Mediator Distribution Shifts

Resumen Técnico: Evaluación de las disparidades raciales en los gastos de atención médica mediante cambios en la distribución de mediadores

Planteamiento del problema
Las disparidades raciales en los gastos de atención médica están bien documentadas; sin embargo, los métodos existentes para descomponer estas disparidades suelen enfrentar limitaciones conceptuales y metodológicas. Los enfoques tradicionales basados en regresiones y las descomposiciones de Oaxaca-Blinder frecuendemente caracterizan erróneamente a los mediadores como confundidores o dependen de especificaciones lineales rígidas que no logran capturar relaciones compleicas y no lineales. Además, los marcos estándar de mediación causal tratan la raza como una exposición manipulable, una interpretación que está mal definida dado que la naturaleza de la raza es la de un atributo construido socialmente, moldeado por procesos históricos y estructurales en lugar de ser un tratamiento directo. En consecuencia, existe la necesidad de un marco que descomponga las disparidades sin postular intervenciones contrafácticas sobre la raza, y que maneje de manera robusta la naturaleza compleja, con exceso de ceros e inflada a la derecha, de los datos de gastos de atención médica.

Metodología
Los autores proponen un marco no paramétrico que define las disparidades raciales como diferencias en las distribuciones de las covariables ajustadas. En lugar de estimar un "efecto total de la raza", el estudio descompone la disparidad total en componentes atribuibles a cambios en las distribuciones de variables mediadoras específicas (estatus socioeconómico [SES], acceso a seguros, comportamientos de salud y estado de salud) y un componente residual.

Innovaciones metodológicas clave:

1. Descomposición de cambio de distribución: El marco define la disparidad total ($\rho_{total}$) como una diferencia de gastos esperados estandarizada por covariables. Luego, aísla la disparidad atribuible al mediador ($\rho_{R \to M_k \leadsto Y}$) cuantificando cómo cambiaría la distribución del resultado para un grupo desfavorecido si la distribución de un mediador específico $M_k$ se desplazara para coincidir con la de un grupo favorecido, manteniendo el proceso generador del resultado y otros mediadores fijos en los niveles del grupo desfavorecido. Esto evita tratar la raza como una causa manipulable.
2. Estimación basada en funciones de influencia: Para abordar los desafíos de la especificación del modelo y la alta dimensionalidad de las densidades de los mediadores, los autores derivan estimadores asintóticamente lineales basados en funciones de influencia no paramétricas. Estos estimadores utilizan una corrección de un solo paso para eliminar el sesgo de los estimadores de inserción (plug-in), asegurando una inferencia raíz-$n$ válida incluso cuando las funciones de confusión son estimadas mediante métodos flexibles de aprendizaje automático (machine learning).
3. Robustez múltiple: Los estimadores exhiben una estructura de robustez múltiple, lo que significa que la consistencia se logra si cualquiera de varias combinaciones distintas de funciones de confusión (por ejemplo, puntuaciones de propensión, modelos de mediadores, regresiones de resultados y regresiones secuenciales) se especifica correctamente. Esto protege contra la especificación errónea del modelo en entornos complejos.
4. Manejo de datos de gastos: Reconociendo que los gastos de atención médica presentan exceso de ceros y están sesgados a la derecha, el estudio emplea una estrategia de modelado de dos partes dentro del ensamble super learner, la cual modela por separado la probabilidad de cualquier gasto y la media condicional de los gastos positivos (en una escala de logaritmo transformado), para luego combinarlos y estimar las medias geométricas.
5. Integración de Aprendizaje Automático: El marco integra super learners (métodos de ensamble que combinan GLM, bosques aleatorios, gradient boosting, etc.) para estimar los parámetros de confusión, mejorando la robustez y la precisión predictiva sin depender de supuestos paramétricos.

Contribuciones clave

• Marco conceptual: El artículo avanza hacia una perspectiva que trata la raza como un índice de posición social racializada en lugar de un tratamiento manipulable. Proporciona una descomposición estadística formal de las disparidades en contribuciones de vías mediadoras específicas y un componente residual que representa factores estructurales no medidos.
• Teoría de la estimación: Los autores derivan nuevos estimadores asintóticamente lineales para disparidades atribuibles a mediadores en entornos con múltiples mediadores ordenados. Se demuestra que estos estimadores son consistentes y asintóticamente normales bajo condiciones de convergencia más débiles que los enfoques paramétricos estándar, siempre que se estimen pares específicos de funciones de confusión con suficiente precisión.
• Implementación de software: El estudio introduce el paquete de R flexPaths, extendiendo el conjunto de herramientas metodológicas para el análisis de disparidades centrado en mediadores.
• Aplicación empírica: El marco se aplica a los datos de la Encuesta de Gastos Médicos de Panel (MEPS) de 2009 y 2016, analizando las disparidades entre poblaciones no hispanas blancas, negras, asiáticas e hispanas.

Resultados
La aplicación del marco a los datos de MEPS revela disparidades raciales sustanciales en los gastos de atención médica que persisten en ambos años, observándose las brechas más grandes entre los blancos no hispanos y los hispanos.

• Motores principales: El estatus socioeconómico (SES) y el estado de salud fueron identificados como los mayores contribuyentes a las disparidades de gastos. Alinear las distribuciones de SES entre los grupos raciales reduciría significativamente las disparidades, particularmente para las poblaciones hispanas y negras. Del mismo modo, las diferencias en las distribuciones del estado de salud explicaron partes sustanciales de la disparidad.
• Acceso a seguros: El acceso a seguros desempeñó un papel significativo, particularmente para las poblaciones hispanas. Sin embargo, la componente de la disparidad atribuida al seguro se redujo entre 2009 y 2016, lo que probablemente refleja el impacto de la Ley de Atención Médica Asequible (ACA), aunque los hispanos continuaron enfrentando tasas de falta de seguro más altas.
• Comportamientos de salud: Las diferencias en los comportamientos de salud medidos (tabaquismo y actividad física) contribuyeron mínimamente a las disparidades de gastos, con estimaciones que a menudo se acercan al valor nulo.
• Disparidades residuales: Persistió una disparidad residual significativa, especialmente en las comparaciones que involucran a blancos no hispanos. Este residual, que captura las diferencias no explicadas por los mediadores observados, sugiere la influencia de factores no medidos como el racismo sistémico, el sesgo de los proveedores o las inequidades estructurales en la prestación de cuidados. Notablemente, la disparidad atribuida al resultado (la parte que queda tras igualar todos los mediadores) fue significativa para las comparaciones entre blancos y grupos marginados, pero a menudo no fue significativa para las comparaciones entre grupos marginados.

Significancia y afirmaciones
El artículo afirma que su marco ofrece un enfoque robusto, interpretable y relevante para las políticas públicas para comprender las disparidades en la atención médica. Al desplazar el enfoque del "efecto de la raza" al "efecto de los mediadores modificables", el estudio proporciona una base basada en datos para dirigir las intervenciones. Los resultados sugieren que reducir las disparidades requiere abordar los determinantes estructurales ascendentes, específicamente las desigualdades socioeconómicas y las barreras en la cobertura de seguros, en lugar de centrarse únicamente en los comportamientos de salud individuales.

Los autores enfatizan que sus hallazgos resaltan la persistencia de las inequidades estructurales que no son capturadas por las variables observadas. Las disparidades residuales indican que incluso si se igualaran el SES, el acceso a seguros, los comportos de salud y el estado de salud, quedarían brechas significativas, lo que apunta a la necesidad de reformas institucionales para abordar el sesgo sistémico y la discriminación en la prestación de servicios de salud. El estudio concluye que, si bien las herramientas metodológicas como los estimadores basados en funciones de influencia y el aprendizaje automático son esenciales para una inferencia válida en entornos observacionales complejos, avanzar hacia la equidad en la salud requiere, en última instancia, esfuerzos de política sostenidos que apunten a los determinantes estructurales de la salud.