Bayesian Sensitivity Analysis for Causal Estimation with Time-varying Unmeasured Confounding

Este artículo presenta y evalúa dos enfoques de análisis de sensibilidad bayesiano, uno basado en variables de confusión latente y otro en funciones de sensibilidad, para estimar efectos de tratamientos variables en el tiempo utilizando datos observacionales longitudinales con confusión no medida que también varía en el tiempo.

Lo esencial

Imagina que eres un detective intentando resolver un misterio: ¿Funciona realmente un medicamento nuevo para curar una enfermedad?

En el mundo de la medicina, a veces no podemos hacer experimentos perfectos (como asignar a la mitad de la gente el medicamento y a la otra mitad un placebo al azar) por razones éticas o prácticas. Así que miramos hacia atrás, a los registros de pacientes que ya tomaron el medicamento por su cuenta. Esto se llama "estudio observacional".

Pero aquí surge el problema: los pacientes no eligen el medicamento al azar. Quizás los que tomaron el medicamento estaban más enfermos, o quizás tenían mejor acceso a los médicos, o quizás comían mejor. Estas diferencias ocultas son como "fantasmas" que pueden arruinar tu investigación. Si no los tienes en cuenta, podrías concluir que el medicamento funciona cuando en realidad fue la buena alimentación lo que curó al paciente. A estos "fantasmas" los llamamos factores de confusión no medidos.

Este artículo es como un manual de instrucciones para dos nuevos detectives bayesianos que ayudan a ver a través de esos fantasmas cuando los datos cambian con el tiempo (como cuando un paciente toma el medicamento en el año 1, lo deja en el año 2 y lo vuelve a tomar en el año 3).

Aquí tienes la explicación de las dos herramientas que proponen los autores:

1. El Detective con la "Lupa de Variables Ocultas" (Enfoque de Variable Latente)

Imagina que tienes un mapa del tesoro, pero hay una isla que no aparece en el mapa (el factor oculto).

• Cómo funciona: Este método asume que el "fantasma" existe y le da un nombre. Luego, el detective hace una suposición educada: "¿Qué tan fuerte podría ser este fantasma?".
• La analogía: Es como si el detective dijera: "Asumo que el fantasma podría tener una fuerza entre 1 y 10". Luego, el detective prueba todas esas posibilidades una por una usando una computadora muy rápida.
• El resultado: En lugar de dar una sola respuesta, te da un rango de posibilidades. Te dice: "Si el fantasma era débil, el medicamento funcionó. Si el fantasma era fuerte, quizás no funcionó tanto".
• Cuándo usarlo: Es genial si tienes amigos expertos (médicos) o datos antiguos que te puedan decir algo sobre cómo se comportan esos "fantasmas". Te permite usar ese conocimiento para ajustar tu investigación.

2. El Detective que Mide el "Efecto Neto" (Enfoque de Función de Sensibilidad)

Este detective es más escéptico. No quiere adivinar cómo es el fantasma, ni darle un nombre. Solo quiere saber: ¿Cuánto daño está causando el fantasma al final?

• Cómo funciona: En lugar de intentar ver al fantasma, este detective mide la diferencia entre lo que debería haber pasado y lo que realmente pasó.
• La analogía: Imagina que estás en una carrera. Sabes que hay viento en contra (el fantasma). Este detective no intenta medir la velocidad del viento ni su dirección. Simplemente dice: "Mira, la carrera fue 5 metros más lenta de lo esperado. Vamos a restar esos 5 metros a nuestro resultado final para ver la velocidad real".
• El resultado: Ajusta el resultado final directamente, quitando el "ruido" que cree que causó el fantasma.
• Cuándo usarlo: Es útil cuando no sabes nada sobre el fantasma (no tienes datos externos) y solo quieres una corrección rápida y directa basada en la lógica de los datos que sí tienes.

¿Qué descubrieron en su "laboratorio" (Simulaciones)?

Los autores crearon mundos falsos en la computadora donde sabían exactamente qué era verdad.

• La sorpresa: Ambos métodos funcionaron muy bien para encontrar la verdad, incluso cuando los "fantasmas" cambiaban de comportamiento con el tiempo.
• La advertencia: El primer detective (Variable Latente) necesita que el mapa sea correcto. Si hay dos fantasmas muy diferentes y el detective solo busca uno, se confunde. El segundo detective (Función de Sensibilidad) es más robusto, pero requiere que sepas cómo "ajustar" la corrección.

La Prueba Real: El Caso de la Enfermedad del Hígado (PSC)

Luego, aplicaron estas herramientas a datos reales de niños con una enfermedad hepática llamada PSC, para ver si un tratamiento llamado "vancomicina oral" funcionaba.

• Sin los detectives: El análisis normal decía que el tratamiento ayudaba un poco, pero no estaba seguro (el margen de error era grande).
• Con los detectives: Cuando aplicaron las correcciones para los "fantasmas" (factores ocultos como la adherencia al tratamiento o la gravedad oculta de la enfermedad), el resultado fue muy similar.
• La conclusión: ¡Buena noticia! Significa que el análisis original ya era bastante sólido. Los "fantasmas" no estaban arruinando la historia tanto como temíamos. El tratamiento parece tener un efecto positivo, y las nuevas herramientas nos dieron más confianza en ese resultado.

En resumen

Este artículo nos da dos nuevas herramientas matemáticas para limpiar nuestros datos médicos de "fantasmas" ocultos que cambian con el tiempo.

1. Si tienes información extra sobre los fantasmas, usa la Lupa de Variables Ocultas.
2. Si no sabes nada sobre ellos, usa la Medición de Efecto Neto.

Lo mejor es que, al usar ambas, los investigadores pueden decir con más seguridad: "Estamos casi seguros de que este tratamiento funciona, incluso si hay cosas que no hemos medido". Es como tener un filtro de café que atrapa no solo el poso visible, sino también el polvo invisible que arruina el sabor.

Resumen técnico

Aquí presento un resumen técnico detallado del artículo "Bayesian Sensitivity Analysis for Causal Estimation with Time-varying Unmeasured Confounding" (Análisis de Sensibilidad Bayesiano para la Estimación Causal con Confusión No Medida que Varía en el Tiempo), traducido y estructurado en español.

---

1. Planteamiento del Problema

La inferencia causal en estudios observacionales depende fundamentalmente del supuesto de ausencia de confusión no medida (ignorabilidad fuerte). Sin embargo, en datos longitudinales reales (como bases de datos administrativas o registros clínicos), este supuesto a menudo se viola debido a la presencia de confusores no medidos que varían en el tiempo (time-varying unmeasured confounding).

• Complejidad: En estudios con tratamientos repetidos, los confusores pueden cambiar a lo largo del tiempo y estar influenciados por tratamientos pasados (retroalimentación tratamiento-confusor).
• Limitación de datos: Las bases de datos administrativas suelen carecer de variables clínicas detalladas (biomarcadores, nivel socioeconómico) que actúan como confusores críticos.
• Consecuencia: La violación de la ignorabilidad secuencial conduce a estimaciones de efectos de tratamiento sesgadas.
• Brecha en la literatura: Aunque existen métodos de análisis de sensibilidad para tratamientos puntuales (cross-sectional), las extensiones a datos longitudinales con confusión no medida que varía en el tiempo son limitadas y predominantemente frecuentistas.

2. Metodología Propuesta

Los autores desarrollan y extienden dos enfoques de análisis de sensibilidad bayesiano para estimar efectos de tratamiento en datos longitudinales:

A. Análisis de Sensibilidad Bayesiano con Variables Latentes (Bayesian Latent Variable Approach)

Este método introduce explícitamente la confusión no medida como una variable latente ($U$) dentro del modelo causal.

• Enfoque: Utiliza la computación g bayesiana (Bayesian g-computation).
• Modelado: Se especifican modelos paramétricos para:
  1. Asignación del tratamiento.
  2. Confusores observados.
  3. Confusores latentes (no medidos).
  4. Resultado (outcome).
• Parámetros de Sesgo: Se introducen parámetros de sesgo ($\alpha_U, \gamma_U, \tau_U, \beta_U$) que cuantifican la asociación entre la variable latente $U$ y las variables observadas (tratamiento, covariables, resultado).
• Inferencia: Se asignan distribuciones previas (priors) a estos parámetros de sesgo basadas en conocimiento experto o datos externos. La inferencia se realiza mediante MCMC (JAGS/Stan), integrando sobre la incertidumbre de la variable latente y los parámetros del modelo para obtener la distribución posterior del efecto causal promedio (ATE).

B. Enfoque de Función de Sensibilidad Bayesiana (Bayesian Sensitivity Function Approach)

Este método evita modelar explícitamente la variable latente y se centra en caracterizar el sesgo neto inducido por la confusión.

• Concepto: Utiliza una función de sensibilidad $c(j, a_J, x_J)$, definida como la diferencia en los resultados potenciales entre individuos tratados y no tratados en el tiempo $j$, dado el mismo historial de covariables.
• Corrección del Sesgo: La función de sensibilidad se utiliza para ajustar el resultado observado ($Y^{SF}$), eliminando matemáticamente el sesgo de la estimación del efecto causal.
• Implementación: Se emplean Modelos Estructurales Marginales (MSM) Bayesianos. El método maximiza una función de utilidad esperada (log-verosimilitud) utilizando muestreo de importancia y bootstrapping bayesiano no paramétrico para estimar los pesos y el parámetro causal $\Theta$.
• Especificación: La función de sensibilidad se especifica basándose en la desviación estándar residual del modelo de resultado condicional o en rangos plausibles definidos por expertos.

3. Contribuciones Clave

1. Extensión a Datos Longitudinales: Formalizan la derivación de ambos enfoques (latente y función de sensibilidad) específicamente para datos con tratamientos y confusores que varían en el tiempo, llenando un vacío metodológico existente.
2. Marco Bayesiano Unificado: Proporcionan un marco que no solo corrige el sesgo, sino que cuantifica la incertidumbre derivada de los parámetros de sensibilidad (sesgo) y la variabilidad de muestreo, produciendo distribuciones posteriores coherentes.
3. Comparación Exhaustiva: Realizan una comparación rigurosa mediante estudios de simulación y una aplicación de datos reales, evaluando el rendimiento bajo diferentes escenarios (un solo confusor, múltiples confusores, confusores binarios/continuos).
4. Guía Práctica: Ofrecen orientación sobre cómo especificar los parámetros de sensibilidad en la práctica clínica y epidemiológica.

4. Resultados

Estudios de Simulación

Se evaluaron los métodos con tamaños de muestra de $n=500$ y $n=1000$ bajo diversos escenarios:

• Rendimiento General: Tanto el enfoque de variable latente (con $U$ variante en el tiempo) como los enfoques de función de sensibilidad (frecuentista y bayesiano) produjeron estimadores casi no sesgados y con una probabilidad de cobertura del 95% cercana al nivel nominal cuando la confusión no medida variaba en el tiempo.
• Eficiencia: El enfoque de función de sensibilidad mostró una desviación estándar (SD) menor, lo cual es esperado ya que en la simulación se utilizaron los valores verdaderos de la función de sensibilidad.
• Limitaciones del Modelo Latente Invariante: El enfoque de variable latente asumiendo un confusor invariante en el tiempo funcionó bien con un solo confusor, pero falló drásticamente (sesgo alto, cobertura baja) cuando los datos simulados contenían dos confusores no medidos variantes en el tiempo. Esto subraya la necesidad de modelar la variabilidad temporal si existe.
• Robustez: El enfoque de variable latente con $U$ variante en el tiempo mantuvo un buen rendimiento incluso cuando el confusor real era invariante en el tiempo, demostrando flexibilidad.

Aplicación a Datos Reales (Registro Pediátrico de Colangitis Esclerosante Primaria - PSC)

• Objetivo: Evaluar la efectividad de la terapia con vancomicina oral (OVT) en niños con PSC, estimando el efecto sobre los niveles de GGT (gamma-glutamil transferasa) a los 2 años.
• Análisis: Se compararon tres modelos: MSM convencional (sin ajuste por confusión no medida), BSA (variable latente) y Función de Sensibilidad Bayesiana.
• Hallazgos:
  • El modelo convencional estimó un cambio en ln(GGT) de -0.33.
  • El BSA estimó -0.29.
  • La función de sensibilidad estimó -0.34.
  • Conclusión: Los análisis de sensibilidad revelaron un impacto mínimo de la confusión no medida potencial sobre la estimación causal en este conjunto de datos específico, sugiriendo que los resultados son robustos frente a posibles confusores no medidos.

5. Significado e Implicaciones

• Mejora de la Validez: El estudio proporciona herramientas robustas para cuantificar y corregir el sesgo en estudios observacionales longitudinales, un problema crítico en la investigación clínica y epidemiológica.
• Interpretabilidad vs. Eficiencia:
  • El enfoque de variable latente es conceptualmente claro y permite integrar conocimiento externo, pero requiere especificación paramétrica correcta y puede ser sensible a la complejidad de la estructura de confusión (ej. múltiples confusores).
  • El enfoque de función de sensibilidad es más eficiente y evita supuestos distribucionales sobre la variable latente, pero es más difícil de interpretar clínicamente y depende de una especificación adecuada de la función de sensibilidad.
• Recomendación Práctica: Los autores recomiendan utilizar ambos enfoques en la práctica. La convergencia de resultados entre ambos métodos aumenta la confianza en las conclusiones, mientras que la divergencia debe discutirse con expertos clínicos para entender las limitaciones del modelo.
• Futuro: Se identifica la necesidad de extender estos métodos a estructuras causales más complejas (resultados repetidos, múltiples tratamientos, tiempo hasta evento) y a modelos no paramétricos flexibles (como árboles de regresión bayesianos) para manejar relaciones no lineales.

En resumen, este trabajo establece un marco metodológico avanzado para la inferencia causal en presencia de confusión no medida dinámica, ofreciendo soluciones prácticas basadas en la inferencia bayesiana para investigadores en ciencias de la salud.