Modified treatment policies that depend on the natural history of treatment

Resumen Técnico: Políticas de Tratamiento Modificado Dependientes de la Historia Natural del Tratamiento

Enunciado del Problema
Las Políticas de Tratamiento Modificado Longitudinales (LMTPs) proporcionan un marco flexible para definir y estimar efectos causales en escenarios del mundo real que involucran exposiciones continuas, periodos de gracia o retrasos en el tratamiento. Trabajos anteriores, específicamente Díaz et al. (2023), establecieron estimadores de aprendizaje dirigido para LMTPs donde la intervención en el tiempo $t$ depende únicamente del valor natural contemporáneo del tratamiento (es decir, el valor del tratamiento que se habría observado en el tiempo $t$ si la intervención se hubiera detenido inmediatamente antes).

Sin embargo, esta restricción impide la estimación de políticas donde la regla de intervención depende de la historia de los valores naturales del tratamiento anteriores al tiempo $t$. Preguntas científicas importantes, como retrasar el inicio de un tratamiento o limitar la escalada de dosis en relación con la trayectoria natural de un clínico, requieren acceso a valores naturales pasados del tratamiento que pueden ser sobrescritos por la intervención misma. Las formulaciones estándar de LMTP pierden el acceso a estos valores naturales originales una vez que una intervención modifica la trayectoria del tratamiento, haciendo que tales políticas de "retraso" o "modificación de trayectoria" no sean identificables bajo el marco existente. Este artículo aborda la brecha en el desarrollo de estimadores de aprendizaje dirigido para el caso general donde las intervenciones dependen de la historia natural completa del tratamiento.

Metodología
El artículo propone una generalización de las LMTPs, denominada Políticas de Tratamiento Modificado Longitudinales Generalizadas (G-LMTPs), donde la intervención $A^d_t$ en el tiempo $t$ es una función de la historia de los valores naturales del tratamiento $\bar{A}_t(\bar{A}^d_{t-1})$ y la historia de las covariables $H_t(\bar{A}^d_{t-1})$.

1. Identificación y Representación:
   Los autores demuestran que la representación estándar de regresión secuencial (esperanzas condicionales iteradas) utilizada para las LMTPs contemporáneas falla para las G-LMTPs porque el conjunto de condicionamiento y la función de intervención involucran valores conflictivos de los tratamientos naturales pasados. Para resolver esto, introducen una versión de datos aumentados de la fórmula de regresión secuencial. Este enfoque desacopla los valores utilizados para el condicionamiento (integrando sobre la distribución de datos observados) de los valores utilizados en la función de intervención (rastreando la historia natural hipotética). Esto se formaliza en la Proposición 1, que define un algoritmo recursivo que involucra variables aumentadas $\bar{s}_t$ para rastrear posibles historias de tratamiento natural.

2. Teoría de Eficiencia:
   El artículo deriva la Función de Influencia Eficiente (EIF) para el funcional no paramétrico resultante. El Teorema 2 proporciona una expansión de von Mises condicional, caracterizando el error de los estimadores de regresión. Esta expansión revela una estructura "múltiplemente robusta": el estimador permanece insesgado si los modelos de regresión del resultado o los modelos del mecanismo de tratamiento están correctamente especificados en cada paso, siempre que se cumplan condiciones específicas de tasa.

3. Algoritmos de Estimación:
   Se desarrollaron dos estimadores basados en la EIF y la regresión secuencial aumentada:

   • Estimador Basado en Pérdida Mínima Dirigida (TMLE): Un estimador de sustitución que actualiza iterativamente estimaciones preliminares de regresión para resolver la ecuación de estimación de la función de influencia eficiente. Utiliza división de muestras para evitar condiciones de Donsker y asegura que las predicciones permanezcan dentro del espacio de parámetros.
   • Estimador Doble Robusto Secuencial (SDR): Un estimador basado en regresión que utiliza la transformación insesgada múltiplemente robusta (el pseudo-resultado $\phi_{t+1}$) derivada de la EIF. Regresa estos pseudo-resultados sobre las covariables secuencialmente. Los autores señalan que, aunque el SDR es más simple y puede ofrecer mejores propiedades de sesgo en muestras finitas, no es un estimador de sustitución y puede producir estimaciones fuera del espacio de parámetros (por ejemplo, probabilidades >1) si el valor verdadero está cerca de un límite.

Contribuciones Clave

• Generalización de las LMTPs: El artículo define formalmente y proporciona teoremas de identificación para las G-LMTPs, extendiendo el alcance de la inferencia causal a políticas dependientes de la historia natural del tratamiento.
• Regresión Secuencial Aumentada: Introduce una estrategia computacional novedosa que utiliza conjuntos de datos aumentados para representar la fórmula de identificación, permitiendo la aplicación de bibliotecas estándar de aprendizaje automático a intervenciones complejas dependientes de la historia.
• Estimadores Robustos: El desarrollo de estimadores TMLE y SDR que logran consistencia $\sqrt{n}$ y normalidad asintótica bajo supuestos estándar de tasas doblemente robustas, incluso cuando los parámetros de confusión (regresiones de resultado y tratamiento) se estiman utilizando métodos flexibles y adaptativos de aprendizaje automático.
• Aplicación a Intervenciones de Retraso: El artículo demuestra explícitamente cómo las G-LMTPs resuelven el problema del "retraso" (por ejemplo, retrasar un tratamiento de dolor riesgoso), que anteriormente era intratable bajo el marco exclusivo de lo contemporáneo.

Resultados

• Estudio de Simulación: Se realizaron simulaciones de Monte Carlo con tamaños de muestra que van desde 250 hasta 10,000. Tanto los estimadores TMLE como SDR mostraron una disminución en el sesgo y el error cuadrático medio (MSE) a medida que aumentaba el tamaño de la muestra. La cobertura del intervalo de confianza fue generalmente cercana o ligeramente conservadora en relación con el nivel nominal del 95%. El estudio destacó un compromiso en muestras finitas donde el SDR mostró una varianza ligeramente menor pero un sesgo potencialmente mayor en comparación con el TMLE en escenarios específicos.
• Aplicación Motivadora: Los métodos se aplicaron a una cohorte de 12,745 pacientes asegurados por Medicaid con estenosis espinal lumbar para estimar el efecto de retrasar en un mes los tratamientos de dolor riesgosos (opioides, gabapentinoides, benzodiazepinas) sobre la incidencia a 12 meses de Trastorno por Uso de Opioides (OUD) o sobredosis.
  • La probabilidad observada a 12 meses de permanecer libre de OUD/sobredosis fue de 0.963.
  • Bajo la política hipotética de retraso de un mes, el TMLE estimó una probabilidad de 0.986 (IC 95%: 0.915–1).
  • El estimador SDR produjo una estimación puntual de 1.27, ilustrando la limitación conocida de los estimadores no sustituyentes cuando el parámetro verdadero se encuentra cerca del límite del espacio de parámetros.

Significado y Afirmaciones
El artículo afirma extender la clase de efectos causales estimables para incluir intervenciones que modifican el momento o la trayectoria de las decisiones de tratamiento basadas en la historia natural. Al proporcionar una estrategia de identificación rigurosa y estimadores eficientes, los autores permiten la evaluación de preguntas políticas complejas, como retrasar el inicio del tratamiento o limitar la escalada de dosis, que anteriormente no podían abordarse mediante los métodos estándar de LMTP. Los autores mantienen una postura modesta, señalando que, aunque el trabajo actual se centra en exposiciones discretas, se requiere investigación futura para extender estos métodos a entornos de tratamiento continuos, multivariados o mixtos sin enumeración explícita de las historias de tratamiento. También identifican direcciones futuras, incluyendo algoritmos escalables para seguimientos largos y diagnósticos para violaciones de soporte inducidas por políticas dependientes de la historia.