Truncation by death in the sufficient cause framework

Resumen Técnico: Truncamiento por Muerte en el Marco de Causas Suficientes

1. El Problema: Truncamiento por Muerte

El artículo aborda el problema inferencial conocido como truncamiento por muerte (truncation by death). Este fenómeno ocurre en estudios epidemiológicos y ensayos clínicos aleatorizados cuando el resultado de interés ($Y$) solo está definido para los individuos que sobreviven hasta el momento de la evaluación final. Si un participante muere durante el seguimiento ($S=0$), el resultado $Y$ se vuelve indefinido.

• Limitación de los enfoques tradicionales: Los análisis que condicionan simplemente a la supervivencia observada ($E[Y|S=1, X]$) no representan un estimando causal válido. Esto se debe a que comparan subgrupos de población distintos bajo diferentes niveles de tratamiento, introduciendo un sesgo de selección (sesgo de colisionador) al condicionar en una variable pos-tratamiento ($S$) que es afectada tanto por el tratamiento ($X$) como por factores de confusión comunes ($U$).
• Enfoque actual (Potenciales): La literatura estándar utiliza el marco de resultados potenciales y la estratificación principal para definir el Efecto Causal Promedio en Supervivientes (SACE, por sus siglas en inglés), que compara resultados en la subpoblación de "siempre sobrevivientes" (individuos que sobrevivirían independientemente del tratamiento). Sin embargo, el artículo señala que falta una descripción de este problema bajo otros marcos causales que puedan ofrecer una comprensión más profunda de los mecanismos subyacentes.

2. Metodología: Marco de Causas Suficientes

Los autores aplican el marco de causas suficientes (también conocido como modelo de componentes suficientes) para descomponer los procesos causales de supervivencia y resultado en mecanismos binarios.

• Estructura del Modelo:
  • Se consideran dos etapas: supervivencia ($S$) y resultado ($Y$).
  • Se introduce una variable común $U$ (ej. edad) que afecta tanto a la supervivencia como al resultado.
  • Se enumeran causas suficientes para la supervivencia ($A_k$) y para el resultado ($B_k$). Cada causa suficiente es una combinación de factores de fondo y variables observables (tratamiento $X$, variable común $U$) que, si se completan, garantizan el evento.
  • Suposición de Monotonía Positiva: Se asume que la ausencia de tratamiento ($X=0$) o la presencia de la variable de riesgo ($U=0$) no son componentes necesarios en las causas suficientes de supervivencia y resultado. Esto simplifica el espacio de causas posibles a cuatro tipos para cada etapa.
• Tipos de Riesgo: Basándose en las combinaciones de susceptibilidad a las causas suficientes ($A_k$ y $B_k$), los autores enumeran 256 tipos de riesgo (estratos de respuesta) que definen el comportamiento potencial de cada individuo bajo diferentes escenarios de tratamiento y valores de $U$.
• Derivación Analítica: Los autores derivan expresiones algebraicas para:
  1. El estimando crudo condicional a la supervivencia observada.
  2. El SACE (Efecto Causal Promedio en Supervivientes).
  3. El SACE estratificado por $U$ ($SACE_u$).
     Todo ello en términos de las frecuencias poblacionales de los factores de fondo de las causas suficientes.

3. Contribuciones Clave

El artículo aporta tres contribuciones metodológicas principales al analizar el truncamiento por muerte desde la perspectiva de las causas suficientes:

1. Interpretación del Sesgo del Estimando Crudo: Demuestran que el estimando que condiciona a la supervivencia observada ($E[Y|S=1, X=1] - E[Y|S=1, X=0]$) es no causal porque compara tipos de riesgo distintos. Específicamente, ciertos tipos de riesgo contribuyen datos solo al grupo tratado (porque mueren bajo control) o solo al grupo control, pero no a ambos, lo que distorsiona la comparación causal.
2. Caracterización del SACE: Proporcionan una descripción detallada de qué tipos de causas suficientes y qué distribuciones de factores de fondo capturan el SACE. Identifican que la pertenencia al estrato de "siempre sobrevivientes" puede depender del valor de la variable común $U$.
3. Condiciones de Nulidad: Establecen condiciones precisas basadas en la presencia o ausencia de causas suficientes específicas bajo las cuales el SACE es nulo (es decir, el tratamiento no tiene efecto sobre el resultado en los siempre sobrevivientes).

4. Resultados Principales

• Composición del SACE: El SACE se expresa como un promedio ponderado de los efectos en subgrupos definidos por $U$. Bajo la suposición de monotonía positiva, el SACE es no negativo.
• Condiciones para SACE = 0:
  • Para el subgrupo con $U=1$ (ej. menores de 60 años), el SACE es nulo si y solo si no existen individuos susceptibles a ciertas combinaciones de causas suficientes de supervivencia ($A_1 \lor A_4$) que también sean susceptibles a causas suficientes de resultado que dependan del tratamiento ($B_2 \lor B_6$).
  • Para el subgrupo con $U=0$ (ej. mayores de 60 años), el SACE es nulo si no existen individuos susceptibles a la causa suficiente $A_1$ que también sean susceptibles a la causa suficiente de resultado $B_2$.
• Discrepancia entre Estimando Crudo y Causal: Un hallazgo crucial es que incluso si se cumplen las condiciones para que el SACE sea nulo (el efecto causal real es cero), el estimando crudo condicional a la supervivencia observada puede ser distinto de cero. Esto ocurre porque la distribución de los factores de fondo ($B_k$) entre los supervivientes observados difiere entre los grupos de tratamiento debido a la mortalidad diferencial inducida por el tratamiento en tipos de riesgo no "siempre sobrevivientes".
• Dependencia de $U$: La pertenencia al estrato de "siempre sobrevivientes" no es fija; depende de $U$. Por ejemplo, un individuo puede ser un "siempre sobreviviente" si $U=1$, pero un "nunca sobreviviente" o un "sobreviviente protegible" si $U=0$. Esto implica que la relevancia pública del SACE depende de la distribución poblacional de $U$.

5. Significado e Implicaciones

• Comprensión Mecanística: El uso del marco de causas suficientes permite a los epidemiólogos visualizar y entender los mecanismos subyacentes que generan el truncamiento por muerte, yendo más allá de la definición formal de los estimandos.
• Validación de Estratificación Principal: Refuerza la necesidad de utilizar la estratificación principal (SACE) en lugar de análisis condicionales simples, demostrando matemáticamente por qué estos últimos fallan al comparar poblaciones incomparables.
• Extensión a Otros Problemas: Los autores sugieren que este enfoque puede extenderse a otros problemas de variables pos-tratamiento, como la adherencia al tratamiento, aunque reconocen una limitación: el marco de causas suficientes se aplica naturalmente a resultados binarios, mientras que el truncamiento por muerte a menudo involucra resultados cuantitativos (como puntuaciones de calidad de vida). Proponen futuras extensiones utilizando tasas de hazard o acumuladas.
• Relevancia para la Práctica: Aunque los datos detallados sobre los componentes de las causas suficientes rara vez están disponibles en la práctica, el marco teórico ofrece una herramienta conceptual robusta para diseñar estudios, interpretar resultados y comprender las limitaciones de los estimandos en ensayos clínicos y estudios observacionales afectados por la mortalidad.

En conclusión, el artículo ofrece una nueva perspectiva teórica sobre el truncamiento por muerte, vinculando la estratificación principal con los mecanismos causales subyacentes, y proporcionando condiciones explícitas para la nulidad de efectos causales en este contexto complejo.