Nonparametric bounds for vaccine effects in randomized trials

Este artículo relaja la suposición de ausencia de causas comunes no medidas en los ensayos de vacunas para derivar límites causales no paramétricos sobre la eficacia de la vacuna mediante métodos de programación lineal y monotonicidad, ilustrando su desempeño con datos sintéticos y semi-sintéticos.

Lo esencial

¡Claro que sí! Imagina que este artículo es como una guía de detectives para entender qué pasa realmente cuando probamos una vacuna, pero con un giro inesperado: a veces, los participantes del estudio "adivinan" si tomaron la medicina real o un placebo, y eso cambia todo el juego.

Aquí tienes la explicación en español, usando analogías sencillas:

🕵️‍♂️ El Problema: El "Efecto de la Adivinanza"

Imagina que estás en una carrera de obstáculos.

• El grupo A toma una poción mágica (la vacuna).
• El grupo B toma agua con sabor (el placebo).

En un experimento perfecto, nadie sabe cuál es cuál (esto se llama ceguera). Si el grupo A corre más rápido, sabemos que la poción funciona.

Pero, ¿qué pasa si el cebo se rompe?
En la vida real, a veces la poción mágica te deja un moretón en el brazo o te da fiebre, mientras que el agua no hace nada. ¡Entonces, los corredores del grupo A se dan cuenta: "¡Ah! Yo tengo fiebre, ¡seguro tomé la poción!".

Aquí surge el problema:

1. Efecto Real: La vacuna protege tu cuerpo contra el virus.
2. Efecto de Comportamiento: Como el corredor sabe que tiene la "poción mágica", se siente invencible. Se quita la máscara, saluda a más gente y corre más rápido. ¡Pero si corre más rápido, se expone a más virus!

Si solo miramos los resultados finales, no sabemos si el corredor se enfermó porque la vacuna falló, o porque, al saber que estaba protegido, se comportó de forma más arriesgada. Es como intentar adivinar si un paraguas es bueno mientras llueve, pero no sabes si la gente se mojó porque el paraguas tenía agujeros o porque, al tenerlo, se metió en charcos más grandes.

📏 La Solución: Las "Barras de Seguridad" (Límites No Paramétricos)

Antes, los científicos decían: "Si no sabemos si la gente adivinó su tratamiento, no podemos calcular nada". Era como si el detective dijera: "El caso está cerrado, no hay solución".

Pero estos autores (Rachel, Uri y Daniel) dicen: "¡Espera! No necesitamos saber la respuesta exacta. Podemos dibujar un marco de seguridad".

Imagina que no puedes saber la altura exacta de un edificio porque hay una nube encima. Pero puedes decir con certeza: "El edificio mide al menos 10 pisos y como máximo 20". Esos son los límites no paramétricos. No te dan un número mágico exacto, pero te dan un rango seguro donde la verdad tiene que estar.

🛠️ Las Dos Herramientas del Detective

Para dibujar estos marcos, usan dos métodos diferentes:

1. El Método del "Rompecabezas Matemático" (Programación Lineal):
   Imagina que tienes un rompecabezas con muchas piezas que faltan. Usas las piezas que sí tienes (los datos que sí medimos) para intentar armar todas las combinaciones posibles de las piezas faltantes. Luego, ves cuál es la combinación que da el resultado más bajo y cuál da el más alto. Eso te da tu rango. Es como probar todas las llaves posibles en una cerradura hasta encontrar la que abre la puerta.

2. El Método de la "Regla de Oro" (Monotonía):
   Este método asume algo lógico sobre el comportamiento humano. Por ejemplo: "Si una persona es más optimista, es más probable que crea que tiene la vacuna Y también es más probable que se exponga a riesgos".
   Si asumimos que estas tendencias van en la misma dirección (como un coche que siempre acelera o siempre frena, pero nunca cambia de marcha al azar), podemos estrechar mucho más nuestro marco de seguridad. Es como decir: "Si el coche va a 100 km/h, no puede estar a 200 km/h".

🧪 El Ejemplo Real: La Vacuna COVID-19

Los autores probaron su método con datos de un estudio real (ENSEMBLE2) de una vacuna contra el COVID.

• Lo que pasó: La gente que recibió la vacuna tuvo más efectos secundarios (dolor de brazo, fiebre) que los que tomaron el placebo. ¡Se dieron cuenta de que tenían la vacuna!
• El resultado: Usando sus nuevas "barras de seguridad", calcularon que la vacuna sigue funcionando, pero el rango de eficacia es más amplio y realista. Les permitió decir: "Sabemos que la vacuna protege entre un X% y un Y%, incluso si no podemos separar perfectamente el efecto biológico del efecto psicológico".

💡 ¿Por qué es importante esto?

Antes, si un estudio tenía este problema de "adivinación", los científicos podían tirar los datos a la basura o hacer suposiciones muy fuertes que podrían ser falsas.

Con este nuevo método:

• No tiramos la toalla: Podemos seguir aprendiendo de estudios imperfectos.
• Somos honestos: En lugar de dar un número falso preciso, damos un rango realista.
• Mejoramos la toma de decisiones: Los políticos y médicos pueden ver que, aunque no sabemos el número exacto, la vacuna definitivamente está dentro de un rango que vale la pena usar.

En resumen:
Este paper nos enseña que, incluso cuando la gente "adivina" si tomó la medicina o no, y eso cambia su comportamiento, no estamos perdidos. Podemos usar la lógica y las matemáticas para dibujar un marco de seguridad que nos diga dónde está la verdad, sin necesidad de saber todos los secretos del pasado. ¡Es como encontrar el tesoro aunque el mapa esté un poco borroso! 🗺️💎

Resumen técnico

1. Planteamiento del Problema

Los ensayos controlados aleatorizados (ECA) de vacunas suelen diseñarse enmascarados (doble ciego) para aislar el efecto inmunológico de la vacuna. Sin embargo, cuando el enmascaramiento se rompe (broken blinding), los participantes pueden inferir su asignación de tratamiento (vacuna vs. placebo) basándose en efectos secundarios (AEs) o reacciones locales.

El problema central:
Cuando el enmascaramiento falla, la eficacia de la vacuna (VE) estimada no refleja únicamente el efecto inmunológico, sino que se contamina con efectos conductuales. Los participantes que creen estar vacunados pueden modificar su comportamiento (ej. reducir el uso de mascarillas o aumentar contactos sociales), alterando su riesgo de exposición y, por ende, la incidencia de la enfermedad.

Limitaciones de los enfoques existentes:
Trabajos recientes (Stensrud et al., 2024) propusieron estimadores causales para separar estos efectos, pero requieren una suposición fuerte: la ausencia de causas comunes no medidas ($U$) que afecten simultáneamente a la creencia del participante sobre su tratamiento ($B$) y al riesgo de infección ($Y$).

• Ejemplo de violación: Rasgos de personalidad como el optimismo pueden hacer que un participante crea que recibió la vacuna ("pensamiento deseoso") y, al mismo tiempo, ser más sociable, aumentando su exposición al patógeno.
• Si existe tal $U$, la identificación puntual de los efectos causales es imposible bajo los métodos tradicionales.

2. Metodología Propuesta

El objetivo del artículo es derivar límites no paramétricos (intervalos de identificación parcial) para diferentes tipos de Eficacia de la Vacuna (VE) sin asumir la ausencia de causas comunes no medidas. Los autores consideran varias estructuras causales (Diagramas Acíclicos Dirigidos o DAGs) y utilizan dos enfoques principales:

A. Definición de Estimandos

Se definen varios estimandos causales en un marco hipotético de ensayos de múltiples brazos:

• $VE(m)$: Efecto inmunológico bajo un mensaje $m$ (ej. creer que se está vacunado o no).
• $VE^M(a)$: Efecto conductual del mensaje $m$ dado el tratamiento $a$.
• $VE^T$: Efecto total (comparación entre estar vacunado y creerlo vs. no estarlo y no creerlo).

B. Estructuras Causales Analizadas

Los autores analizan cuatro grupos de escenarios basados en la presencia de variables no medidas ($U$) y observadas ($S$ = Efectos Adversos):

1. Identificación Puntual: Sin causas comunes entre creencia y riesgo (suposición estándar).
2. Figura 2: Existe una causa común no medida $U$ entre la creencia ($B$) y el resultado ($Y$). $S$ no se observa o no media completamente.
3. Figura 3a: Existe $U$ entre $B$ y $Y$, pero $S$ (efectos adversos) se observa y media la relación entre el tratamiento y la creencia. Además, $S$ no afecta directamente a $Y$ ni está influenciado por $U$.
4. Figuras 3b-3d: Escenarios más complejos donde $S$ puede estar influenciado por $U$ o afectar directamente a $Y$ (ej. efectos adversos graves que reducen la exposición).

C. Enfoques de Acotamiento

Para los escenarios donde la identificación puntual falla (Grupos 2-4), se proponen dos métodos:

1. Límites Basados en Programación Lineal (LP):

   • Se basa en el enfoque de tipos de respuesta potencial (Balke y Pearl, 1994).
   • Formula el problema como una optimización lineal donde se maximiza/minimiza el estimando objetivo sujeto a las restricciones de las probabilidades observadas y las suposiciones estructurales (como la independencia condicional).
   • Utiliza el paquete rcdd en R para resolver los sistemas de desigualdades lineales.
   • Proporciona los límites más ajustados posibles (sharp bounds) bajo las suposiciones dadas, pero pueden ser muy amplios si la información es limitada.

2. Límites Basados en Monotonía:

   • Introduce suposiciones adicionales sobre la dirección de las relaciones causales.
   • Suposición 7 (Monotonía de U): Asume que tanto la creencia como el resultado son monótonos con respecto a la variable no medida $U$ (ej. el optimismo aumenta tanto la creencia de estar vacunado como el riesgo de infección).
   • Suposición 8 (Monotonía del Mensaje): Asume que el efecto del mensaje (creer que se está vacunado) sobre el resultado es monótono (ej. creer que se está vacunado aumenta el riesgo de infección debido a comportamientos de riesgo).
   • Estos límites suelen ser más estrechos que los de LP, pero dependen de la validez de las suposiciones de monotonía.

3. Contribuciones Clave

1. Relajación de Suposiciones: El trabajo elimina la necesidad de asumir que no existen causas comunes no medidas entre la creencia del tratamiento y el riesgo de infección, un requisito que a menudo es irrealista en la práctica.
2. Desarrollo de Límites para Múltiples Escenarios: Se derivan fórmulas analíticas y algoritmos para calcular límites bajo diversas estructuras causales, incluyendo casos donde los efectos adversos ($S$) actúan como mediadores o confusores.
3. Comparación de Métodos: Se demuestra que los límites basados en monotonía son generalmente más informativos (más estrechos) que los basados en LP, pero son menos robustos ante la violación de las suposiciones de dirección.
4. Análisis de Covariables: Se explora cómo la inclusión de covariables observadas ($L$) puede estrechar los límites, identificando qué tipos de covariables son útiles (las que no están confundidas por $U$) y cuáles no.

4. Resultados Principales

• Simulaciones:

  • Se realizó un estudio de simulación con $n=10^6$ para evaluar el comportamiento de los límites.
  • Se encontró que los límites basados en monotonía son significativamente más estrechos que los de LP cuando las suposiciones se cumplen.
  • La violación de las suposiciones de monotonía (especialmente cuando los efectos de $U$ en $B$ y $Y$ tienen signos opuestos) conduce a límites inválidos (donde el límite inferior supera al superior).
  • La especificación incorrecta de la estructura causal (DAG) puede invalidar los límites, especialmente si se asume erróneamente que $S$ no afecta a $Y$ o a $U$.

• Aplicación a Datos Reales (Ensayo ENSEMBLE2):

  • Se aplicó el método a los datos del ensayo ENSEMBLE2 (vacuna COVID-19), donde hubo una alta tasa de efectos adversos en el grupo de vacuna, sugiriendo un enmascaramiento roto.
  • Dado que $B$ no se midió, se generó sintéticamente bajo suposiciones plausibles.
  • Hallazgos:
    • Los límites basados en LP sin suposiciones de monotonía fueron muy amplios (ej. $VE(0)$ entre $-\infty$ y $97.7%$), ofreciendo poca información.
    • Al imponer la suposición de monotonía del mensaje (que creer estar vacunado aumenta el riesgo), los límites se estrecharon considerablemente. Por ejemplo, para $VE(0)$, el intervalo fue $(36.5\%, 47.0\%)$.
    • Esto sugiere que, incluso con enmascaramiento roto y causas no medidas, es posible acotar la eficacia real de la vacuna si se aceptan suposiciones conductuales razonables.

5. Significado e Implicaciones

Este artículo es fundamental para la inferencia causal en ensayos de vacunas en el mundo real, donde el enmascaramiento perfecto es difícil de mantener.

• Utilidad Práctica: Proporciona a los investigadores y formuladores de políticas herramientas para cuantificar la incertidumbre cuando los métodos estándar de identificación fallan. En lugar de descartar un ensayo por enmascaramiento roto, se puede estimar un rango de eficacia plausible.
• Jerarquía de Suposiciones: Ilustra el compromiso entre la precisión (ancho de los límites) y la validez (robustez de las suposiciones). Los límites de LP son robustos pero amplios; los de monotonía son precisos pero sensibles a la dirección de los efectos no medidos.
• Recomendación: Los autores sugieren utilizar la estructura causal más conservadora (Figura 3d, que asume todas las posibles rutas de confusión) para garantizar la validez de los límites, a menos que haya conocimiento de dominio sólido que justifique estructuras más simples.

En resumen, el paper ofrece un marco riguroso para desentrañar los efectos inmunológicos y conductuales de las vacunas en presencia de enmascaramiento roto y confusión no medida, transformando la identificación puntual imposible en una identificación parcial útil mediante límites no paramétricos.