Optimal estimation of generalized causal effects in cluster-randomized trials with multiple outcomes

Resumen Técnico: Estimación Óptima de Efectos Causales Generalizados en Ensayos Clínicos Aleatorizados por Conglomerados con Múltiples Resultados

Planteamiento del Problema
Los ensayos clínicos aleatorizados por conglomerados (CRTs, por sus siglas en inglés) se utilizan cada vez más para evaluar intervenciones a nivel de grupo, recolectando a menudo múltiples resultados para capturar dimensiones complementarias de beneficio y riesgo. Si bien los investigadores buscan frecuentemente un único resumen global de los efectos del tratamiento, la literatura existente se centra mayoritariamente en estimandos de un solo resultado o depende de procedimientos basados en modelos que pueden sufrir de interpretaciones causales poco claras o de una capacidad de robustez limitada. Además, los métodos actuales para múltiples resultados en CRTs a menudo no logran contabilizar explícitamente los tipos de resultados heterogéneos, los tamaños de conglomerado potencialmente informativos y la integración de covariables basales sin comprometer los estimandos objetivo. Existe una falta de estimandos de resultados potenciales bien definidos para efectos causales generalizados que acomoden estas complejidades ofreciendo, al mismo tiempo, una eficiencia y robustez óptimas.

Metodología
Los autores desarrollan un marco unificado de resultados potenciales para efectos causales generalizados en CRTs con múltiples resultados, abordando tanto entornos priorizados como no priorizados.

1. Estimandos Causales:
   El artículo define dos estimandos complementarios basados en funciones de contraste de pares flexibles y posiblemente no lineales, $w(\cdot, \cdot)$, que mapean comparaciones multivariadas a un único valor numérico:

   • Efecto Causal Generalizado de Par de Conglomerados (cp-GCE): $\lambda_{C,a}$, el cual otorga el mismo peso a cada par de conglomerados independientemente de sus tamaños.
   • Efecto Causal Generalizado de Par de Individuos (ip-GCE): $\lambda_{I,a}$, el cual asigna el mismo peso a cada par de individuos, contabilizando así los tamaños de conglomerado informativos.
     Estos estimandos generalizan los efectos de tratamiento promedio convencionales y los índices probabilísticos. Se construyen mediante comparaciones entre conglomerados para evitar el problema fundamental de la inferencia causal respecto a los contrastes intra-conglomerado bajo funciones no lineales.

2. Estimación No Paramétrica:
   Los estimadores iniciales se derivan como estadísticas U de dos muestras agrupadas ponderadas. Estos estimadores son consistentes y asintóticamente normales, con estimadores de varianza probados como consistentes bajo el uso de cross-fitting.

3. Funciones de Influencia Eficientes (EIFs) y Estimación Robusta al Modelo:
   Los autores derivan las EIFs para el cp-GCE y el ip-GCE. Estas EIFs motivan estimadores robustos al modelo que incorporan covariables basales a través de funciones de molestia (medias de los resultados). Al aprovechar la ortogonalidad de Neyman de las EIFs, estos estimadores permanecen consistentes y asintóticamente normales incluso si el modelo de molestia de trabajo está mal especificado. Si el modelo de molestia está correctamente especificado, estos estimadores alcanzan el límite inferior de eficiencia semiparamétrica.

4. Aprendizaje Automático Desesgado (DML):
   Para manejar funciones de molestia complejas, el artículo propone estimadores DML utilizando cross-fitting. Las funciones de molestia se estiman utilizando métodos de aprendizaje automático flexibles y adaptativos a los datos (por ejemplo, SuperLearner). Los autores establecen que estos estimadores DML logran la eficiencia semiparamétrica bajo condiciones de regularidad leves (específicamente requiriendo que el estimador de la molestia converja a una tasa de $m^{1/4}$). Crucialmente, el artículo proporciona un estimador de varianza analítico para estas estadísticas U de DML bajo un esquema de división de conglomerados (cluster-splitting), demostrando su consistencia sin depender de las condiciones de Donsker más fuertes que suelen requerir los métodos de bootstrap.

5. Eficiencia Computacional:
   Para abordar la carga computacional de las estadísticas U (que escalan con $m^2$), los autores proponen un procedimiento de estimación basado en estadísticas U incompletas mediante submuestras. Demuestran que estos estimadores basados en submuestras retienen las mismas propiedades asintóticas (consistencia y normalidad) que los estimadores de muestra completa, con una pérdida de eficiencia asintótica insignificante.

Resultados Clave

• Propiedades Teóricas: Se demuestra que los estimadores propuestos (no paramétricos, robustos al modelo y DML) son consistentes y asintóticamente normales. Se prueba que los estimadores DML alcanzan los límites de eficiencia semiparamétrica bajo condiciones de regularidad leves.
• Estimación de la Varianza: Los estimadores de varianza analítica derivados para el enfoque DML son probados como consistentes, ofreciendo una alternativa computacionalmente eficiente al bootstrap no paramétrico.
• Estudios de Simulación: Simulaciones extensas con $m=30$ y $m=60$ conglomerados demuestran que:
  • Los estimadores propuestos exhiben poco o ningún sesgo.
  • El estimador DML es el más eficiente, superando a los enfoques no paramétricos y de modelos existentes (por ejemplo, Smith et al., 2025) que ignoran los tamaños de conglomerado informativos o las covariables.
  • Los estimadores de varianza son consistentes, aunque los ajustes de muestra finita (corrección de grados de libertad) mejoran las probabilidades de cobertura en muestras pequeñas.
• Aplicación de Datos: Los métodos se aplican a un CRT que evalúa una intervención de terapia cognitivo-conductual para el dolor crónico. Tanto en los entornos de resultados priorizados como en los no priorizados, el estimador DML proporcionó las estimaciones más precisas (errores estándar más pequeños e intervalos de confianza más estrechos) para los ratios de victoria (win ratios), sugiriendo consistentemente que la intervención era más efectiva que el cuidado habitual. El estimador robusto al modelo a veces arrojó resultados no significativos, resaltando el potencial de una mala especificación del modelo en muestras finitas, mientras que el enfoque DML mantuvo la robustez y la precisión.

Significancia y Reivindicaciones
El artículo afirma proporcionar un marco unificado para la inferencia causal en CRTs con múltiples resultados que gestiona explícitamente los tamaños de conglomerado informativos y los tipos de resultados heterogéneos. Sus principales contribuciones son:

1. Marco Unificado: Definición de estimandos de efecto causal generalizado (cp-GCE e ip-GCE) que unifican diversas medidas de resumen (beneficio neto, ratio de victoria, odds de victoria) y acomodan tanto resultados priorizados como no priorizados.
2. Estimación Óptima: Desarrollo de estimadores que integran el aprendizaje automático desesgado con estadísticas U para lograr la eficiencia semiparamétrica permaneciendo robustos a la mala especificación del modelo.
3. Avance Técnico: Provisión de un tratamiento riguroso de la teoría de eficiencia semiparamétrica para CRTs, incluyendo la derivación de EIFs y la construcción de estimadores de varianza analíticos consistentes para estadísticas U de DML con cross-fitting, superando las limitaciones de la literatura previa que dependía de condiciones más fuertes o del bootstrap.
4. Utilidad Práctica: Demostración de que el aprovechamiento de las covariables basales a través de aprendizaje automático flexible mejora significativamente la precisión de la estimación en estructuras de ensayos complejos y multinivel, como lo evidencia la aplicación de datos y los estudios de simulación.

Los autores posicionan este trabajo como un paso hacia una inferencia causal más robusta y eficiente en los CRTs modernos, yendo más allá de los análisis de un solo resultado y dependientes de modelos, hacia resúmenes flexibles y adaptativos a los datos de los efectos del tratamiento.