Resumen Técnico: Detección de Confusores mediante la Intención del Tratamiento (CDTI)

Enunciado del Problema

En la inferencia causal, los Ensayos Controlados Aleatorizados (ECA) son el estándar de oro, pero a menudo están limitados por costos, tiempo y restricciones éticas, lo que hace necesario el uso de datos observacionales. Sin embargo, los estudios observacionales enfrentan el desafío crítico de la confusión no observada (UC): la presencia de variables que influyen tanto en la asignación del tratamiento ($X$) como en el resultado ($Y$), pero que no se registran en el conjunto de datos. Los métodos de ajuste estándar (por ejemplo, el criterio de puerta trasera) fallan cuando faltan dichas variables.

Aunque los expertos del dominio poseen conocimiento de estos factores no observados (por ejemplo, la percepción de un médico sobre la dificultad respiratoria de un paciente), rara vez están entrenados para enumerarlos de forma abstracta. Los métodos existentes para elicitar UCs son limitados. Este artículo aborda la brecha de identificar sistemáticamente candidatos a confusores no observados aprovechando el proceso de toma de decisiones del agente que asigna el tratamiento.

Metodología: Detección de Confusores mediante la Intención del Tratamiento (CDTI)

Los autores proponen un nuevo diseño de estudio observacional denominado Detección de Confusores mediante la Intención del Tratamiento (CDTI). La premisa central es que cualquier confusor no observado $U$ que afecte la decisión del tratamiento $X$ debe estar disponible para el Tomador de Decisiones (DM) en el momento de la decisión. En lugar de pedir al DM que enumere los confusores de forma abstracta, el método consulta al DM para comparar pares específicos de unidades (pacientes) y elicitar las razones de las decisiones de tratamiento diferenciales.

Componentes del Marco

El marco consta de dos estrategias principales:

1. Estrategia de Emparejamiento ($\mathcal{M}$): Un método fundamentado para seleccionar pares de unidades $(i, j)$ donde $X_i=1$ (tratado) y $X_j=0$ (no tratado) para presentarlos al experto.
2. Estrategia de Extracción ($\varepsilon$): Un método para procesar el razonamiento del experto e identificar variables no observadas candidatas.

Estrategias de Emparejamiento

El artículo formaliza tres estrategias de emparejamiento específicas diseñadas para maximizar la probabilidad de que la explicación del DM dependa de variables no observadas ($U$) en lugar de covariables observadas ($Z$):

• Emparejamiento por $Z$ ($\mathcal{M}_{Z\text{-match}}$): Selecciona pares con covariables observadas idénticas ($Z_i = Z_j$). Si el tratamiento difiere, la explicación debe residir en $U$.
• Emparejamiento por $\pi$ ($\mathcal{M}_{\pi\text{-match}}$): Selecciona pares con puntuaciones de propensión idénticas ($\pi(Z_i) = \pi(Z_j)$). Esto permite el emparejamiento en espacios de alta dimensión donde el emparejamiento exacto por $Z$ es inviable.
• Dominancia por $Z$ ($\mathcal{M}_{Z\text{-dom}}$): Selecciona pares donde la unidad tratada es estrictamente "más pequeña" (menos grave) que la unidad no tratada en todas las dimensiones observadas ($Z_i \le Z_j$). Intuitivamente, si un paciente "más sano" recibe tratamiento mientras que uno "más enfermo" no lo hace, la decisión debe estar impulsada por marcadores de gravedad no observados.

Fundamentos Teóricos

Los autores establecen resultados de dominancia estocástica (Teorema 1) bajo supuestos específicos (monotonía de la probabilidad de tratamiento en $U$, y log-supermodularidad de la distribución conjunta de $U$ dado $Z$). Estos teoremas demuestran que, bajo las estrategias de emparejamiento propuestas, la distribución de los confusores no observados $U$ para la unidad tratada es estocásticamente mayor que para la unidad no tratada. Esto crea un desplazamiento sistemático que hace que $U$ sea la explicación más probable de la diferencia en el tratamiento.

Además, el artículo analiza las Estrategias de Extracción, definiendo la probabilidad de "éxito" (identificar correctamente un UC genuino). Los resultados teóricos (Teoremas 2 y 3) demuestran que:

• La dominancia por $Z$ aumenta probadamente la precisión sobre el emparejamiento por $Z$ bajo extracción perfecta.
• El emparejamiento por $\pi$ domina el emparejamiento marginal (aleatorio) cuando las covariables observadas $Z$ explican una parte significativa de la variación en comparación con $U$.

Contribuciones Clave

1. Formalización de CDTI: Introducción de un nuevo diseño de estudio que elicita sistemáticamente confusores no observados consultando a los tomadores de decisiones sobre pares emparejados.
2. Garantías Teóricas: Desarrollo de un marco que comprende estrategias de emparejamiento y extracción, respaldado por teoremas de dominancia estocástica que caracterizan cuándo estas estrategias generan pares informativos.
3. Validación Empírica en UCI:
   • Demostración de que las estimaciones de Registros Electrónicos de Salud (EHR) para la ventilación mecánica están fuertemente confundidas (las estimaciones sugieren un aumento de la mortalidad, contradiciendo la intuición clínica).
   • Validación de la metodología utilizando un conjunto de datos semisintético derivado de MIMIC-III, donde la verdad fundamental de los confusores no observados es conocida (extraída de notas de texto clínico).
   • Aplicación a datos reales de MIMIC-III para descubrir confusores clínicamente plausibles (por ejemplo, derrame pleural, disnea, neumonía) que a menudo faltan en los campos estructurados de los EHR.

Resultados Experimentales

• Verificación Sintética: Los experimentos confirmaron que la dominancia por $Z$ supera al emparejamiento por $Z$ cuando se cumplen las condiciones teóricas, y que el emparejamiento por $\pi$ supera al emparejamiento marginal cuando la relación señal-ruido de las covariables observadas es alta.
• MIMIC-III Semisintético: Utilizando notas clínicas como proxy para $U$, el estudio mostró que los pares seleccionados mediante emparejamiento por $\pi$ y dominancia por $Z$ arrojaron tasas de éxito significativamente mayores en la identificación de verdaderos confusores no observados en comparación con el emparejamiento aleatorio.
• Aplicación en el Mundo Real:
  • El método identificó con éxito 20 confusores candidatos de alta frecuencia de las notas clínicas, 17 de los cuales fueron considerados clínicamente plausibles (por ejemplo, deterioro pulmonar, SIRS, hemorragia).
  • Efecto sobre ETT: Cuando los confusores detectados se añadieron al conjunto de ajuste para estimar el Efecto del Tratamiento en los Tratados (ETT) de la ventilación mecánica, las estimaciones cambiaron ligeramente pero no se desplazaron a cero ni se volvieron estadísticamente significativas. Los autores atribuyen esto a la naturaleza ruidosa y parcial de los datos de texto (los conceptos se documentan solo para una minoría de pacientes), lo que sugiere que, aunque el método identifica candidatos, el proxy actual (indicadores binarios de las notas) podría no recuperar completamente la validez de puerta trasera.

Significado y Afirmaciones

El artículo afirma proporcionar una base teórica para un nuevo diseño de estudio observacional que cierra la brecha entre los datos observacionales brutos y la experiencia del dominio. Su significado principal radica en:

• Ofrecer una alternativa sistemática y fundamentada a la elicitación de expertos ad hoc para descubrir confusores no observados.
• Proporcionar garantías de dominancia estocástica que justifican por qué estrategias de emparejamiento específicas (como la dominancia por $Z$ y el emparejamiento por $\pi$) son más propensas a revelar factores no observados que otras.
• Demostrar una prueba de concepto en un entorno médico de alto riesgo (UCI), mostrando que las notas de texto clínico pueden servir como proxy para el conocimiento no observado, aunque los autores mantienen modestia sobre la capacidad inmediata de este método para corregir completamente las estimaciones causales en presencia de proxies ruidosos.

Los autores declaran explícitamente que el marco detecta candidatos a confusores no observados con garantías probabilísticas, pero no certifica que cualquier variable detectada específica sea un verdadero confusor o que añadirlos recupere automáticamente la validez de puerta trasera. Estas siguen siendo preguntas abiertas para trabajos futuros.