Bayesian Nonparametric Causal Inference for High-Dimensional Nutritional Data via Factor-Based Exposure Mapping

Resumen Técnico: Inferencia Causal No Paramétrica Bayesiana para Datos Nutricionales de Alta Dimensión

Planteamiento del Problema
La inferencia causal en la epidemiología nutricional enfrenta tres desafíos primarios: (i) los datos dietéticos son de alta dimensión y están altamente correlacionados, lo que crea un espacio de tratamiento masivo que es difícil de modelar; (ii) los estudios nutricionales suelen tener como objetivo identificar patrones dietéticos latentes en lugar de los efectos de alimentos individuales; y (iii) existe la necesidad de estimar efectos causales heterogéneos de estos patrones sobre los resultados de salud. Los métodos existentes, como los Bosques Causales Bayesianos (BCF), están diseñados principalmente para tratamientos binarios o discretos y tienen dificultades para acomodar la naturaleza continua, de alta dimensión y ordenada de las exposiciones nutricionales. Además, las técnicas estándar de reducción de dimensionalidad suelen operar fuera de un marco formal de inferencia causal, lo que potencialmente sacrifica información relevante o no logra contabilizar la incertidumbre en la definición de la exposición.

Metodología
Los autores proponen un marco unificado que integra el mapeo de la exposición con el modelado no paramétrico bayesiano. La metodología procede en tres etapas:

1. Mapeo de la Exposición mediante Análisis de Factores Bayesianos:
   Para reducir la dimensionalidad del vector de ingesta de nutrientes de alta dimensión $Z \in (\mathbb{R}^+_0)^p$, los autores emplean un modelo de factores bayesiano. Este modelo asume que los datos de nutrientes observados son generados por un conjunto de factores latentes (patrones dietéticos) de menor dimensión.

   • Modelo: $Z^*_i = \Lambda l_i + \epsilon_i$, donde $Z^*$ es la ingesta estandarizada, $\Lambda$ es la matriz de carga de los factores, $l_i$ son las puntuaciones de los factores latentes y $\epsilon_i$ es el ruido.
   • Prioris: Se coloca una prior de contracción de proceso gamma (Bhattacharya y Dunson, 2011) sobre las cargas de los factores para fomentar la dispersión (sparsity) y seleccionar automáticamente el número de factores.
   • Discretización: Las estimaciones posteriores continuas de las puntuaciones de los factores se discretizan en tres niveles ordenados (bajo, medio, alto) utilizando terciles. Esto transforma el tratamiento continuo de alta dimensión en una variable de exposición discreta y ordenada $T_i \in \{0, 1, 2\}^J$, donde $J$ es el número de patrones identificados.

2. Marco Causal bajo Mapeo de Exposición:
   El artículo formaliza la configuración causal bajo el marco de resultados potenciales (Rubin, 1974) adaptado para el mapeo de exposición (Sävje, 2024).

   • Supuestos: El marco asume la ausencia de interferencia entre unidades, consistencia (el resultado observado es igual al resultado potencial bajo la exposición observada) e ignorabilidad fuerte condicionada a las covariables $X$.
   • Identificabilidad: Los autores demuestran que los Efectos Causales Promedio Condicionales (CATEs) y los CATEs Específicos de los Factores (FS-CATEs) son identificables bajo estos supuestos. Los FS-CATEs permiten la estimación del efecto de cambiar la adherencia a un solo patrón dietético manteniendo los demás fijos.

3. BCF3L (Bosque Causal Bayesiano para Tres Niveles Ordenados):
   Los autores extienden el modelo BCF estándar (Hahn, Murray y Carvalho, 2020) para manejar tres niveles de tratamiento ordenados.

   • Estructura: El resultado $Y_i$ se modela como $f(x, t_j, t_{j-1}) + \epsilon_i$, donde la función $f$ se descompone en una respuesta base $\mu(\cdot)$ y efectos de tratamiento heterogéneos $\tau_{0,1}(\cdot)$ y $\tau_{1,2}(\cdot)$.
   • Implementación: Cada componente ($\mu, \tau_{0,1}, \tau_{1,2}$) se modela como una suma de árboles de regresión (BART). El modelo incorpora puntuaciones de propensión generalizadas ($\hat{\pi}_{ij}$) para el tratamiento multinivel con el fin de ajustar la confusión.
   • Flexibilidad: Esta extensión permite la estimación de contrastes causales entre niveles adyacentes (medio vs. bajo, y alto vs. medio) mientras captura relaciones no lineales y la heterogeneidad del efecto impulsada por las covariables.

Contribuciones Clave

1. Marco Causal Formal: El artículo establece un marco causal general para el mapeo de la exposición, especificando las propiedades de la función de mapeo, los supuestos requeridos y los estimandos para tratamientos de alta dimensión.
2. Mapeo de Exposición Novedoso: Introduce un mapeo de exposición basado en el análisis de factores diseñado específicamente para reducir datos nutricionales correlacionados de alta dimensión en patrones latentes interpretables preservando la estructura causal.
3. Extensión BCF3L: Los autores desarrollan BCF3L, una nueva extensión del Bosque Causal Bayesiano que acomoda tres niveles de tratamiento ordenados, permitiendo la estimación de efectos causales heterogéneos a través de gradientes de exposición ordenados.

Resultados

• Simulaciones: Estudios de simulación extensos en tres escenarios (tratamientos únicos lineales y no lineales, y tratamientos basados en factores de alta dimensión) demuestran que BCF3L supera a la Regresión Lineal Bayesiana con una prior de herradura (BLR-HS) y a las extensiones estándar de BART. BCF3L logra consistentemente un sesgo y un Error Cuadrático Medio (RMSE) más bajos en la estimación de efectos causales heterogéneos, particularmente en entornos de alta dimensión que requieren mapeo de exposición.
• Aplicación (HCHS/SOL): El método se aplicó al conjunto de datos del Estudio de Salud de la Comunidad Hispana/Estudio de Latinos (HCHS/SOL) ($N=9,298$).
  • Patrones Dietéticos: Se identificaron seis patrones distintos: Lípidos Vegetales–Antioxidantes, Productos Lácteos, Alimentos Procesados, Basado en Plantas, Proteína Animal y Mariscos.
  • Efectos Causales: El estudio estimó los efectos causales de estos patrones sobre el Índice de Masa Corporal (IMC) y la insulina en ayunas.
    • Hallazgos Significativos: Un mayor consumo (alto vs. medio) de los patrones de Lípidos Vegetales–Antioxidantes, Basado en Plantas y Productos Lácteos se asoció con una reducción del IMC y de la insulina en ayunas.
    • Hallazgos Matizados: Para la Proteína Animal, la reducción del IMC fue más pronunciada al pasar de un consumo bajo a uno medio, mientras que la mejora en la regulación de la insulina fue más significativa al pasar de un consumo medio a uno alto.
    • Alimentos Procesados: No se encontraron efectos estadísticamente significativos, aunque se observó una tendencia positiva para la insulina en ayunas.
    • Observación General: Los autores señalan que aumentar la ingesta de bajo a medio a menudo produjo intervalos de credibilidad más amplios y menos significancia estadística en comparación con los aumentos de medio a alto, lo que sugiere que los incrementos moderados pueden no siempre generar cambios sustanciales en la salud, mientras que la mayor adherencia a patrones específicos sí lo hace.

Significancia y Reivindicaciones
El artículo afirma cerrar la brecha entre la epidemiología nutricional y la inferencia causal al proporcionar un método con principios sólidos para manejar tratamientos correlacionados de alta dimensión. La significancia radica en:

• Avance Metodológico: Ofrecer una herramienta robusta (BCF3L) para estimar efectos causales heterogéneos en entornos con tres niveles de tratamiento ordenados, un escenario común pero insuficientemente abordado en la inferencia causal.
• Utilidad Práctica: Permitir la identificación de patrones dietéticos latentes y sus impactos causales específicos sobre los resultados de salud, yendo más allá del análisis de un solo nutriente.
• Reproducibilidad: Los autores han publicado un paquete de R de código abierto (BCF3L) y el código que integra el mapeo de la exposición con el procedimiento de estimación, facilitando la aplicación más amplia en entornos de alta dimensión más allá de la nutrición.

Los autores mantienen un tono modesto, reconociendo que, si bien su método mejora respecto a enfoques existentes en simulaciones y aplicaciones del mundo real, el trabajo futuro podría incorporar la incertidumbre del modelo de factores directamente en la etapa de estimación causal y extender el marco para modelar conjuntamente múltiples variables de exposición ordenadas.