A flexible approach to sequential prediction under intervention

Título: Un enfoque flexible para la predicción secuencial bajo intervención

1. El Problema

Los modelos de predicción clínica (CPM) estándar son herramientas fundamentales para estimar el riesgo de enfermedades (como la enfermedad cardiovascular - CVD) y guiar decisiones sobre intervenciones en factores de riesgo modificables. Sin embargo, presentan limitaciones críticas cuando se utilizan para "predicción bajo intervención" (PUI):

• Falta de causalidad: Los modelos predictivos tradicionales no incorporan mecanismos causales. Si un modelo se usa para preguntar "¿cuál es mi riesgo si tomo estatinas?", el modelo estándar a menudo falla porque los coeficientes de los predictores (como la presión arterial) pueden estar sesgados por confusión o ajuste excesivo (mediación).
• Inconsistencia en predicciones secuenciales: En la práctica clínica, los pacientes son evaluados repetidamente (ej. cada 5 años). Los enfoques actuales (como fijar coeficientes a valores causales) fallan al hacer predicciones a lo largo del tiempo. Si un paciente inicia un tratamiento y sus factores de riesgo mejoran, el modelo puede "duplicar" el efecto de la intervención al ver tanto el tratamiento como el factor de riesgo reducido, generando estimaciones de riesgo incoherentes entre visitas.
• Rigidez ante múltiples intervenciones: Los métodos existentes suelen requerir que las intervenciones se especifiquen a priori y se codifiquen explícitamente en el modelo, lo que es inviable para un amplio espectro de intervenciones (farmacológicas y de estilo de vida) y datos de la vida real donde la información sobre intervenciones no farmacológicas es escasa.
• Compromiso entre precisión predictiva y causalidad: Forzar coeficientes a valores causales a menudo degrada la capacidad de discriminación y calibración del modelo, reduciendo su utilidad clínica.

2. Metodología

Los autores proponen un marco causal-predictivo que integra inferencia causal y aprendizaje automático, utilizando datos de 4 millones de individuos del Clinical Practice Research Datalink (CPRD) del Reino Unido. Se presentan cuatro enfoques de modelado progresivos para abordar las características deseadas:

1. Modelo de Desplazamiento de Tratamiento (Treatment Offset Model):

   • Fija el coeficiente de la intervención (ej. antihipertensivos) a un valor causal conocido (derivado de meta-análisis o ensayos aleatorizados).
   • Limitación: Resuelve la causalidad en un punto único, pero falla en la consistencia secuencial (duplica el efecto al reevaluar).

2. Modelo de Mediador No Expuesto (Unexposed Mediator Model):

   • Solución a la consistencia secuencial: En lugar de usar el valor actual del mediador (ej. presión arterial después del tratamiento), el modelo utiliza el valor del mediador en ausencia de exposición (ej. presión arterial antes del tratamiento) para todas las predicciones futuras.
   • Esto elimina la doble contabilización del efecto de la intervención en visitas de seguimiento, manteniendo la consistencia temporal.

3. Modelo de Factor de Riesgo Modificable (Modifiable Risk Factor Model):

   • Solución a la flexibilidad de múltiples intervenciones: En lugar de modelar cada intervención directamente, modela los efectos de las intervenciones a través de sus impactos en los factores de riesgo modificables (mediadores).
   • Utiliza un Diagrama Acíclico Dirigido (DAG) para estructurar las relaciones causales.
   • Suposición de consistencia: Asume que si dos intervenciones diferentes tienen el mismo efecto sobre un mediador (ej. bajar la presión arterial 10 mmHg), tienen el mismo efecto indirecto en el resultado. Esto permite estimar riesgos para intervenciones no observadas o de estilo de vida basándose en cambios en los factores de riesgo.

4. Modelo de Dos Componentes (Two-Component Model):

   • Solución al compromiso precisión-causalidad: Divide el modelo en dos partes:
     • Componente Basal: Un modelo predictivo estándar (no causal) que estima el riesgo factual en la primera visita, maximizando la precisión.
     • Componente de Intervención: Un modelo causal que ajusta el riesgo basándose en los cambios en los factores de riesgo modificables respecto a la visita basal.
   • Combina la alta precisión del modelo basal con la consistencia causal del componente de intervención.

3. Contribuciones Clave

• Marco unificado: Propone una familia de modelos que permiten evaluar intervenciones arbitrarias manteniendo estimaciones de riesgo causalmente consistentes a través de múltiples visitas.
• Resolución de la inconsistencia temporal: Introduce el concepto de usar valores de mediadores "no expuestos" para evitar la duplicación de efectos en predicciones secuenciales.
• Flexibilidad para intervenciones complejas: Permite modelar intervenciones de estilo de vida y farmacológicas simultáneamente sin necesidad de especificar cada intervención individualmente en el código del modelo, basándose en sus efectos sobre los mediadores.
• Validación empírica: Demuestra que el enfoque de "Dos Componentes" logra resolver las deficiencias de calibración observadas en modelos puramente causales, manteniendo una alta discriminación.

4. Resultados

El estudio se aplicó a la prevención primaria de enfermedades cardiovasculares:

• Modelo de Desplazamiento: Produjo estimaciones de riesgo inconsistentes a lo largo del tiempo (el riesgo bajaba artificialmente al reevaluar al paciente tras iniciar tratamiento).
• Modelo de Mediador No Expuesto: Resolvió la inconsistencia temporal manteniendo una buena discriminación (C-índice ~0.88), pero solo es aplicable a un número limitado de intervenciones.
• Modelo de Factor de Riesgo Modificable: Logró manejar múltiples intervenciones flexibles, pero mostró problemas de calibración (Índice de Calibración Integrado - ICI = 0.005).
• Modelo de Dos Componentes: Superó a los anteriores en rendimiento global. Al combinar el modelo basal predictivo con el ajuste causal, logró un ICI de 0.001 (excelente calibración) y una discriminación de 0.871, resolviendo la tensión entre precisión predictiva y consistencia causal.

5. Significado e Implicaciones

• Apoyo a la toma de decisiones clínicas: Este marco permite a los médicos simular escenarios "¿qué pasaría si?" (ej. "¿cuál es mi riesgo si tomo estatinas y hago dieta?") con una base causal sólida, algo que los modelos actuales (como QRISK) no pueden hacer de manera fiable a lo largo del tiempo.
• Adaptabilidad a la vida real: Es especialmente útil en entornos de atención primaria donde los pacientes son monitoreados repetidamente y las intervenciones son diversas y dinámicas.
• Limitaciones y Futuro: El enfoque depende de la calidad de las estimaciones causales de entrada y de la suposición de consistencia de efectos indirectos. Los autores sugieren futuras extensiones bayesianas para propagar la incertidumbre de los efectos causales y más investigación sobre intervenciones ambiguas.

En conclusión, el artículo ofrece una solución pragmática y técnicamente robusta para integrar la inferencia causal en modelos de predicción clínica, permitiendo una evaluación de riesgo dinámica, precisa y causalmente válida para la prevención de enfermedades crónicas.