Orthogonal machine learning for conditional odds and risk ratios

Resumen Técnico: Aprendizaje de Máquinas Ortogonal para Odds Ratios y Ratios de Riesgo Condicionales

1. El Problema

En la inferencia causal, las medidas de efectos condicionales (como el efecto del tratamiento promedio condicional o CATE) son fundamentales para entender cómo varían los efectos de un tratamiento entre diferentes subgrupos de población, permitiendo intervenciones más personalizadas.

Sin embargo, la literatura existente se ha centrado casi exclusivamente en escalas aditivas (diferencia de riesgos o CATE). Los parámetros basados en ratios, específicamente el Odds Ratio (OR) y el Risk Ratio (RR) condicionales, han recibido menos atención.

• Limitaciones de los métodos actuales: Los enfoques tradicionales utilizan modelos paramétricos simples (como la regresión logística) que, al ser inflexibles, pueden inducir un sesgo significativo si el modelo está mal especificado.
• Brecha metodológica: Aunque existen estimadores de vanguardia para el CATE basados en transformaciones doblemente robustas (DR) o funciones de riesgo ortogonales (como los DR-learner y R-learner), estos no se habían generalizado formalmente para estimar directamente el OR y el RR condicionales. Los métodos existentes para estos ratios a menudo dependen de estimadores "plug-in" (enchufar estimaciones de probabilidades en la fórmula), lo que puede resultar en una alta varianza o sesgo si las probabilidades de resultado no son suaves, incluso si el ratio en sí lo es.

2. Metodología Propuesta

Los autores proponen una generalización de los métodos de aprendizaje de máquinas ortogonales para estimar el OR y el RR condicionales. La metodología se basa en dos pilares teóricos:

• Funciones de Riesgo Ortogonales y Pseudo-Resultados:

  • Derivan pseudo-resultados (pseudo-outcomes) basados en las Funciones de Influencia Eficiente (EIF) no centradas para los parámetros $E[OR(X)]$, $E[\log OR(X)]$, $E[RR(X)]$y$E[\log RR(X)]$.
  • Estos pseudo-resultados satisfacen identidades de media condicional donde el parámetro objetivo se recupera hasta un término de residuo de segundo orden en los errores de las variables de confusión (nuisance parameters). Esto significa que el error de estimación de la primera etapa (modelos de propensión y resultado) afecta a la estimación final solo de manera cuadrática, reduciendo drásticamente el sesgo.
  • Se definen cuatro estimadores DR-learner específicos:
    • DR-OR / DR-LOR: Para el Odds Ratio (y su logaritmo).
    • DR-RR / DR-LRR: Para el Risk Ratio (y su logaritmo).
  • También se proponen variantes R-learner (R-OR, R-LOR, R-RR, R-LRR) que utilizan los mismos pseudo-resultados pero aplican un re-pesado basado en la superposición de la propensión ($w(X) = \hat{e}(X)(1-\hat{e}(X))$) en la segunda etapa.

• Propiedades Teóricas:

  • Se demuestra que las pérdidas cuadráticas construidas a partir de estos pseudo-resultados satisfacen la ortogonalidad de Neyman.
  • Se establecen cotas de riesgo excedente (oracle excess risk bounds) que muestran que el error total del estimador se descompone en una parte de "oráculo" (tasa de la segunda etapa) y una parte de "confusión" que depende de la cuarta potencia del error de la primera etapa ($\|\hat{\eta} - \eta_0\|^4$). Esto garantiza que, si los modelos de la primera etapa convergen suficientemente rápido, el estimador final es robusto.

3. Contribuciones Clave

1. Nuevos Estimadores: Desarrollo formal de estimadores DR-learner y R-learner para OR y RR condicionales, llenando un vacío en la literatura de aprendizaje causal no paramétrico.
2. Derivación Teórica Rigurosa: Demostración de que los pseudo-resultados derivados de las EIF para estos ratios cumplen con las condiciones de ortogonalidad y suavidad necesarias para garantizar la convergencia óptima en el marco de Orthogonal Statistical Learning.
3. Estudio de Simulación Exhaustivo: Realización de un estudio de Monte Carlo a gran escala comparando los nuevos estimadores contra alternativas estándar (T-learner, S-learner, DR-P plug-in) bajo cientos de mecanismos generadores de datos (DGP) con diferentes niveles de complejidad, interacciones y tamaños de muestra.
4. Aplicación Empírica: Validación de los métodos en datos reales de la encuesta NHANES, analizando el efecto de la actividad física sobre los problemas de sueño.

4. Resultados Principales

El estudio de simulación comparó el Sesgo Integrado al Cuadrado (iBias²), la Varianza Integrada (iVariance) y el Error Cuadrático Medio Integrado (iMSE) en diversas condiciones:

• Escenarios Complejos (Alta heterogeneidad, grandes muestras):

  • Los estimadores DR-learner (especialmente los que estiman directamente el log-OR o log-RR) superan significativamente a la regresión logística paramétrica (LR) y a menudo superan a los métodos plug-in (DR-P) en términos de iMSE.
  • En estos escenarios, los estimadores DR-learner logran una reducción sustancial del sesgo sin sacrificar excesivamente la varianza, gracias a la propiedad de segundo orden.
  • Los estimadores R-learner mostraron consistentemente una varianza muy alta y un rendimiento inferior, por lo que no se recomiendan para estos parámetros en los escenarios probados.
  • El SuperLearner (SL) (ensembles de ML) también se desempeña muy bien, a veces superando a los DR-learner en escenarios moderados, pero los DR-learner ofrecen ventajas teóricas en la reducción de sesgo en configuraciones muy complejas.

• Escenarios Simples o con Pocos Datos:

  • Cuando la heterogeneidad del tratamiento es baja o el tamaño de muestra es pequeño ($n=200$), la varianza domina el error.
  • En estos casos, métodos más simples como la Regresión Logística (LR) o el SuperLearner (SL) suelen tener un iMSE menor que los estimadores ortogonales complejos, debido a que estos últimos sufren de una penalización por varianza en muestras pequeñas.

• Aplicación Real (NHANES):

  • El análisis de actividad física y sueño mostró que la regresión logística estándar asumía un efecto homogéneo (un OR constante para todos).
  • En contraste, los estimadores flexibles (DR-LOR) revelaron una heterogeneidad sustancial del efecto del tratamiento.
  • Las reglas de tratamiento derivadas de los estimadores DR-learner resultaron en mejores resultados contrafactuales (menor prevalencia de problemas de sueño) en comparación con las reglas basadas en modelos paramétricos simples o la recomendación de tratar a todos.

5. Significado e Implicaciones

Este trabajo es fundamental para avanzar hacia la salud de precisión:

• Superación de la Especificación Paramétrica: Proporciona herramientas rigurosas para estimar ratios de riesgo y odds ratios sin depender de la suposición de que la relación entre covariables y resultados es lineal o aditiva en el logit.
• Guía Práctica: Ofrece una hoja de ruta clara para los investigadores:
  • Usar DR-learner (específicamente para log-OR/log-RR) en escenarios complejos con datos abundantes para maximizar la precisión y reducir el sesgo.
  • Usar SuperLearner o Regresión Logística en escenarios con pocos datos o baja complejidad para evitar la inestabilidad de la varianza.
  • Evitar los R-learner para estos parámetros específicos debido a su alta varianza.
• Impacto en la Toma de Decisiones: Demuestra que ignorar la heterogeneidad del tratamiento mediante modelos paramétricos simples puede llevar a reglas de intervención subóptimas, mientras que los métodos adaptativos a los datos pueden identificar subgrupos que se benefician realmente de una intervención, mejorando la eficiencia de las políticas de salud pública.

En conclusión, el artículo extiende el marco de aprendizaje causal ortogonal a escalas multiplicativas, proporcionando tanto la teoría necesaria como la validación empírica para su uso en la investigación de salud moderna.