Effects conditional on post-treatment events generated by independent mechanisms

1. El Problema

En estudios observacionales y ensayos controlados aleatorizados (ECA), es frecuente la ocurrencia de eventos post-tratamiento (como abandono del estudio, no adherencia al tratamiento o muerte) que afectan la observación del resultado de interés ($Y$).

• El Dilema: A menudo, los investigadores desean aislar el efecto directo del tratamiento ($A$) sobre el resultado, condicionando a estos eventos (por ejemplo, analizando solo a los supervivientes).
• El Sesgo: Condicionar en una variable post-tratamiento que es un "colisionador" (afectada por el tratamiento y compartiendo causas comunes no medidas $U$ con el resultado) introduce un sesgo de estratificación de colisionador. Esto genera asociaciones espurias entre el tratamiento y el resultado, incluso si no hay un efecto causal real.
• Limitaciones Actuales: Los estimandos causales existentes que intentan abordar esto (como el Efecto Promedio Causal en Supervivientes - SACE, o los Efectos Separables Condicionales - CSE) generalmente requieren medir las causas comunes no medidas ($U$) o variables proxy para su identificación. Si $U$ no se mide, la identificación causal suele considerarse imposible.

2. Metodología y Supuestos Clave

Los autores proponen un marco teórico basado en modelos de resultados potenciales y gráficos causales (DAGs) para demostrar que la identificación es posible sin medir las causas comunes ($U$), bajo una condición específica sobre la estructura causal.

Supuestos Fundamentales:

1. Mecanismos Independientes: El tratamiento ($A$) afecta al evento post-tratamiento ($D$) a través de un mecanismo específico e independiente ($D_A$), que es independiente de las otras causas no medidas ($U$) que afectan tanto a $D$ como a $Y$.
   • Ejemplo conceptual: En una cirugía, la muerte ($D$) puede ocurrir por complicaciones de la cirugía misma ($D_A$, independiente del paciente) o por comorbilidades del paciente ($U$). Si la cirugía solo afecta la muerte a través de complicaciones agudas específicas ($D_A$) que no están correlacionadas con la salud general del paciente ($U$), se cumple la independencia.
2. Modelo de Supervivencia Multiplicativo: Bajo los supuestos anteriores, la probabilidad de supervivencia se factoriza multiplicativamente en una función del tratamiento y una función de las causas no medidas.
3. Descomposición del Tratamiento: El tratamiento $A$ se conceptualiza como la combinación de dos componentes:
   • $A_D$: Componente que afecta al evento post-tratamiento (ej. el anestésico que causa reacciones adversas).
   • $A_Y$: Componente que afecta directamente al resultado (ej. la intervención quirúrgica estética).
   • Se asume que en el dato observado $A = A_D = A_Y$, pero se permite imaginar intervenciones hipotéticas donde estos componentes se manipulan por separado.

Herramientas Teóricas:

• Uso de Gráficos de Intervención de Mundo Único (SWIG) para formalizar las intervenciones.
• Aplicación de la propiedad de que, bajo un modelo de supervivencia multiplicativo, condicionar en la supervivencia ($D=0$) no induce sesgo de colisionador en la distribución de las causas no medidas $U$.

3. Contribuciones Clave

1. Identificación sin $U$: Demostración teórica de que los Efectos Separables Condicionales (CSE) y el Efecto Promedio Causal en Supervivientes (SACE) son identificables sin necesidad de medir las causas comunes no medidas ($U$) entre el evento post-tratamiento y el resultado, siempre que se cumpla la suposición de "mecanismos independientes".
2. Resultado de Identificación Simple: Se demuestra que el estimando causal deseado es igual a la diferencia de medias observada en el subgrupo de individuos que no experimentaron el evento post-tratamiento ($D=0$) en el estudio original.
   $$\text{CSE}(0) = E(Y | A=1, D=0) - E(Y | A=0, D=0)$$
   Esto es sorprendente porque, en general, esta diferencia se considera sesgada; aquí se demuestra que bajo sus supuestos, el sesgo se cancela.
3. Conexión con IV: Se establece una conexión y distinción con el análisis de variables instrumentales tradicionales, mostrando que bajo sus supuestos (monotonía específica), el estimando coincide con el efecto en los "cumplidores" (compliers), pero con una justificación causal diferente.

4. Resultados Principales

• Proposición 1: Bajo los supuestos de mecanismos independientes, descomposición del tratamiento y positividad, el efecto separable condicional ($CSE$) se identifica directamente como la asociación tratamiento-resultado en los supervivientes (o adherentes).
• Proposición 2: Bajo supuestos adicionales de monotonía e independencia entre mundos condicionada a $U$, el SACE también se identifica mediante la misma fórmula.
• Generalización: El resultado se mantiene incluso si existe una variable medida $L$ que afecta a $D_A$, $D$ y $Y$, permitiendo ajustes estratificados por $L$.

Ilustraciones Aplicadas:

1. Paradoja del Peso al Nacer: Reinterpretan la asociación entre fumar durante el embarazo y la mortalidad infantil en bebés de bajo peso. Argumentan que si el efecto de fumar en el bajo peso (vía un mecanismo específico, $D_A$) es independiente de otros factores de riesgo ($U$), la asociación observada en bebés de bajo peso podría ser una estimación válida del efecto directo de fumar en la mortalidad, resolviendo la aparente paradoja de que fumar parece "proteger" a los bebés de bajo peso.
2. Adherencia en Ensayos de Cesación del Tabaco: En un ensayo de cigarrillos electrónicos vs. parches de nicotina, la no adherencia se debe a efectos secundarios específicos del producto ($D_A$). Si estos efectos secundarios son independientes de la motivación del paciente ($U$), la comparación de resultados solo entre adherentes tiene una interpretación causal válida para evaluar la eficacia del mecanismo de entrega de nicotina sin los efectos adversos.
3. Cirugía Plástica: Evaluar la calidad de vida post-cirugía solo en supervivientes, asumiendo que la muerte por complicaciones quirúrgicas es un evento independiente de la calidad de vida base del paciente.

5. Significado e Impacto

• Relevancia Práctica: Ofrece una vía para interpretar causalmente análisis de subgrupos (como "solo supervivientes" o "solo adherentes") en situaciones donde medir confusores no medibles es imposible o poco realista.
• Justificación de Supuestos: Cambia el enfoque de "¿podemos medir todos los confusores?" a "¿podemos justificar que el mecanismo de muerte/abandono inducido por el tratamiento es independiente de las características del paciente?". Esto es más factible en contextos con conocimiento biológico profundo (ej. reacciones alérgicas específicas, efectos secundarios farmacológicos agudos).
• Implicaciones para Ensayos Clínicos: Sugiere que, bajo ciertas condiciones de diseño y mecanismos biológicos, los análisis de "intención de tratar" restringidos a supervivientes pueden tener una interpretación causal robusta, alineándose con el marco de estimandos de la guía ICH E9(R1).
• Limitación: La validez depende críticamente de la suposición de mecanismos independientes. Si el tratamiento afecta el evento post-tratamiento a través de vías que comparten causas con el resultado (interacción), el sesgo persiste y el método no es aplicable.

En resumen, el artículo proporciona un marco riguroso que permite recuperar la interpretación causal de comparaciones condicionales en presencia de eventos post-tratamiento, eliminando la necesidad de datos sobre confusores no medidos siempre que la estructura causal del evento de competencia sea "independiente" de las causas del resultado.