Dealing with positivity violations in mediation analysis via weighted controlled effects, with application to assessing immune correlates of protection in antigen-experienced participants

Each language version is independently generated for its own context, not a direct translation.

Imagina que estás intentando entender por qué algunas personas se protegen mejor de un virus después de vacunarse que otras. En el mundo de la investigación de vacunas, los científicos buscan un "indicador de protección": una señal en la sangre (como un nivel de anticuerpos) que nos diga: "¡Oye, si tienes este nivel, es muy probable que no te enfermes!".

Este artículo trata sobre cómo medir esa señal con precisión, especialmente cuando la gente ya ha estado expuesta al virus o vacunada antes. Aquí te explico la historia con analogías sencillas:

1. El problema: El "suelo" que no existe

Imagina que quieres medir cuánto sube la temperatura de una habitación al encender un calefactor.

Caso fácil (Personas sin experiencia): Si la habitación está fría (0 grados), puedes encender el calefactor y subir la temperatura a 10, 20 o 30 grados. Es fácil imaginar que la temperatura podría ser cualquier valor.
Caso difícil (Personas con experiencia): Ahora imagina una habitación que ya tiene un calefactor encendido y está a 25 grados. Si intentas encender otro calefactor, la temperatura subirá a 26, 27 o 28 grados. Pero, ¿puedes imaginar que la temperatura baje a 10 grados? ¡No! Es imposible. La temperatura no puede caer por debajo de lo que ya tiene.

En la ciencia de vacunas, esto es lo que pasa con la positividad.

En las primeras vacunas (como al inicio de la pandemia), la gente no tenía anticuerpos (la habitación estaba fría). Podían imaginar cualquier nivel de anticuerpos después de la vacuna.
Pero en las vacunas de refuerzo (booster), la gente ya tiene anticuerpos de infecciones anteriores o vacunas pasadas. Si intentas usar métodos antiguos para decir: "¿Qué pasaría si bajamos sus anticuerpos a un nivel muy bajo?", la respuesta es: "Eso es imposible". Es como intentar enfriar la habitación por debajo de la temperatura que ya tiene. Los métodos estadísticos antiguos se rompen aquí porque intentan imaginar escenarios que no pueden ocurrir en la realidad.

2. La solución: El filtro inteligente (Ponderación)

Los autores (Qijia He y Bo Zhang) proponen una nueva forma de hacer las cuentas. En lugar de intentar imaginar lo imposible (bajar los anticuerpos de alguien que ya tiene muchos), dicen: "Vamos a mirar solo a las personas para las cuales ese escenario es posible".

Usan una técnica llamada ponderación recortada (trimmed weighting).

La analogía del filtro de café: Imagina que tienes una mezcla de granos de café. Algunos son muy grandes y otros muy pequeños. Si quieres hacer un café perfecto, no usas todos los granos; usas un filtro que deja pasar solo los que tienen el tamaño correcto para tu taza.
En el estudio: Ellos crean un "filtro estadístico". Si quieren estudiar qué pasa con un nivel de anticuerpos de "100 unidades", el filtro solo deja entrar a las personas que tienen alguna posibilidad real de llegar a 100 unidades después de vacunarse.
- Si alguien ya tiene 150 unidades, no puede bajar a 100 (en este contexto de respuesta inmune). ¡Se queda fuera del grupo de estudio para esa pregunta específica!
- Si alguien tiene 50 unidades, sí puede llegar a 100. ¡Se queda dentro!

De esta forma, no están ignorando a nadie, sino que están preguntando la pregunta correcta a las personas correctas. Le dicen al mundo: "No intentemos adivinar lo imposible; estudiemos lo que es posible para cada grupo".

3. ¿Por qué es importante? (El caso de la gripe y el COVID)

Antes, este tipo de análisis funcionaba bien para el COVID-19 al principio (gente sin exposición previa). Pero ahora, con las variantes y los refuerzos, casi todos tienen algo de inmunidad previa.

Si usas los métodos viejos, obtienes resultados confusos o erróneos porque estás forzando la realidad.
Con el nuevo método, pueden decir con certeza: "Si logramos que este grupo específico de personas con inmunidad previa alcance un nivel de anticuerpos X, su riesgo de enfermar baja un Y%".

4. La prueba: El experimento COVAIL

Los autores probaron su método con datos reales de un gran estudio llamado COVAIL (sobre vacunas de refuerzo contra el COVID).

Miraron a personas que ya habían sido vacunadas y tenían anticuerpos.
Usaron su nuevo "filtro" para ver cómo funcionaban las vacunas contra la variante Omicron.
Resultado: Confirmaron que, para las personas que podían alcanzar niveles altos de anticuerpos, la vacuna funcionaba muy bien. Pero también vieron que para los niveles más extremos (muy altos o muy bajos), el grupo de personas que podía alcanzarlos era tan pequeño que era difícil sacar conclusiones firmes (como intentar medir la temperatura de una habitación con muy pocos termómetros).

En resumen

Este artículo es como inventar una nueva regla para un juego de ajedrez cuando los jugadores ya no son novatos.

Antes: "Imagina que el caballo puede moverse a cualquier casilla". (Funciona si nadie tiene piezas en el tablero).
Ahora: "Imagina que el caballo puede moverse solo a las casillas a las que realmente puede llegar, considerando las piezas que ya están en el tablero".

Los autores nos dan las herramientas matemáticas para hacer esto sin romper el juego, permitiéndonos entender mejor cómo funcionan las vacunas en un mundo donde casi todos ya han visto al virus antes. Es una forma más inteligente, honesta y precisa de medir la protección que nos dan nuestras vacunas.

Each language version is independently generated for its own context, not a direct translation.

Aquí presento un resumen técnico detallado del artículo en español, estructurado según los puntos solicitados:

Título del Artículo

Manejo de violaciones de positividad en el análisis de mediación causal mediante efectos controlados ponderados, con aplicación a la evaluación de correlatos inmunitarios de protección en participantes con experiencia antigénica.

1. El Problema

El análisis de mediación causal se ha convertido en un marco fundamental para evaluar biomarcadores de respuesta inmune (correlatos de riesgo y protección) en la investigación de vacunas. Tradicionalmente, se ha utilizado un enfoque de efectos controlados (Gilbert et al., 2023), que estima el riesgo clínico bajo un escenario contrafactual donde toda la población está vacunada y sus niveles de marcadores inmunitarios se fijan a un valor específico.

Sin embargo, este enfoque enfrenta un desafío crítico en poblaciones no naïve (con experiencia antigénica previa por infección o vacunación), comunes en ensayos de refuerzos (ej. COVID-19, influenza, dengue):

Violación de la suposición de positividad: En estos participantes, el nivel basal del marcador inmune ( $B$ ) influye fuertemente en la respuesta post-vacunación ( $S$ ). Es biológicamente improbable que la respuesta post-vacunación sea menor que la basal ( $S < B$ ).
Consecuencia: La suposición de que cualquier individuo tiene una probabilidad no nula de alcanzar cualquier nivel de mediador $S$ (incluso niveles bajos) se viola. Esto hace que los estimadores estándar de efectos controlados sean inválidos o sesgados, ya que intentan estimar riesgos para subpoblaciones que no pueden alcanzar ciertos niveles de inmunidad bajo la intervención hipotética.

2. Metodología Propuesta

Los autores proponen un enfoque de Riesgo Controlado Ponderado (Weighted Controlled Risk) para abordar esta violación, generalizando técnicas de recorte de puntuación de propensión (propensity score trimming) al contexto de mediación causal.

A. Definición de la Subpoblación Relevante

En lugar de intentar estimar el riesgo para toda la población (incluyendo aquellos que no pueden alcanzar un nivel $S$ específico), el método define una subpoblación "relevante": individuos que tienen una probabilidad preespecífica ( $t$ ) de alcanzar el nivel de marcador post-vacunación $S=s$ dado su historial basal.

B. Estimadores Ponderados y Recortados

Riesgo Controlado Ponderado Recortado (TWCR): Se define un estimando que promedia el riesgo solo sobre los individuos que cumplen $P(S=s | A=a, B, X) > t$ . Esto se logra mediante una función de ponderación basada en un indicador.
Suavizado (STWCR): Dado que la función indicadora y la falta de diferenciabilidad en el mediador continuo hacen que el estimador no sea diferenciable por trayectorias (pathwise differentiable), los autores proponen una versión suavizada:
- Sustituyen la función indicadora por una función suave $\phi$ (aproximación mediante la CDF de una distribución Normal).
- Aplican un suavizado por núcleo (kernel smoothing) sobre el nivel del mediador $S$ .
- Esto resulta en el Riesgo Controlado Ponderado Recortado Suavizado (STWCR), que es asintóticamente lineal y permite inferencia válida.

C. Eficacia Relativa de Vacunas Controlada (STWCRVE)

Extienden el método para comparar dos vacunas ( $A=a_1$ vs $A=a_0$ ) o dos niveles de respuesta ( $s_1$ vs $s_0$ ).

Se define un peso de doble recorte ( $\omega^{d-trim}$ ) que requiere que el individuo tenga probabilidad $>t$ de alcanzar ambos niveles de interés bajo sus respectivos tratamientos.
Se deriva la Función de Influencia Eficiente (EIF) para los componentes del numerador y denominador de la eficacia relativa.
Se utilizan estimadores de un paso (one-step estimators) con cross-fitting para estimar los parámetros y sus varianzas, garantizando robustez frente a errores en la estimación de funciones de nuisance (mediante aprendizaje automático o modelos paramétricos).

3. Contribuciones Clave

Generalización Teórica: Extienden la literatura de recorte de puntuación de propensión (Branson et al., 2023) al análisis de mediación causal, abordando específicamente la violación de positividad en mediadores continuos dependientes de covariables basales.
Marco de Inferencia Válido: Derivan las funciones de influencia eficiente (EIF) para estimadores suavizados, permitiendo la construcción de intervalos de confianza válidos y pruebas de hipótesis en poblaciones no naïve.
Solución al Dilema de Ajuste: Ofrecen una solución al dilema de si ajustar o no por el marcador basal: al no ajustar directamente en el modelo de regresión (lo que viola positividad) ni ignorarlo (lo que introduce confusión), el método pondera la población para enfocarse en aquellos donde la intervención hipotética es plausible.
Implementación Práctica: Proporcionan código en R y aplican el método a datos reales de un ensayo clínico de vacunas.

4. Resultados

Simulaciones

Se evaluó el rendimiento del estimador bajo tres escenarios de distribución del marcador basal (discreta, continua, y con masa en cero) y tamaños de muestra variables (1000, 2000, 5000).
Sesgo y Cobertura: El estimador propuesto mostró un sesgo mínimo y una cobertura de los intervalos de confianza del 95% cercana al nivel nominal en la mayoría de los escenarios.
Límites: El rendimiento disminuye cuando los niveles de mediador $s$ están cerca de los límites de la distribución (donde la subpoblación relevante es muy pequeña), pero esto mejora al aumentar el tamaño de la muestra.

Aplicación al Ensayo COVAIL

Contexto: Reanálisis de los datos del ensayo Coronavirus Variant Immunologic Landscape (COVAIL), que evaluó dosis de refuerzo contra variantes de Omicron en participantes con historia previa de vacunación/infección.
Hallazgos:
- Se estimó la Eficacia Relativa de Vacuna Controlada Suavizada (STWCRVE) comparando niveles de títulos de anticuerpos neutralizantes (nAb-ID50).
- Los resultados mostraron que, dentro de la subpoblación relevante, niveles más altos de títulos de anticuerpos (ej. 3.8 vs 3.5 log) se asociaron con un riesgo controlado menor.
- Se estimó el Efecto Directo Controlado (comparando vacunas Omicron vs. Prototipo manteniendo el mismo nivel de anticuerpos). No se encontró evidencia de efectos directos significativos, sugiriendo que la protección diferencial entre vacunas se explica principalmente a través de la magnitud de la respuesta inmune (mediador).

5. Significado e Impacto

Viabilidad en Ensayos Modernos: Este método permite realizar análisis de correlatos de protección rigurosos en ensayos de vacunas de refuerzo y en poblaciones con inmunidad preexistente, un escenario cada vez más común que los métodos tradicionales no podían manejar adecuadamente.
Interpretación Causal: Permite responder preguntas contrafactuales realistas ("¿Qué pasaría si pudiéramos elevar la respuesta inmune a un nivel X en aquellos que tienen capacidad de alcanzarlo?"), evitando extrapolaciones a poblaciones que biológicamente no pueden alcanzar esos niveles.
Guía para el Desarrollo de Vacunas: Al cuantificar cómo los niveles específicos de marcadores inmunes se relacionan con la protección en subpoblaciones definidas, el método ayuda a establecer umbrales de protección más precisos y a entender los mecanismos de acción de las vacunas en contextos de inmunidad compleja.

En resumen, el artículo presenta una solución estadística elegante y robusta para un problema de identificación causal frecuente en inmunología, permitiendo avanzar en la validación de correlatos de protección en la era de las vacunas de refuerzo y la inmunidad mixta.