Debiased inference for stochastic treatment interventions with survival outcomes

Resumen Técnico: Inferencia Desesgada para Intervenciones de Tratamiento Estocásticas con Resultados de Supervivencia

Planteamiento del Problema
Estimar el efecto causal de los tratamientos dependientes del tiempo sobre los resultados de supervivencia (tiempo hasta la muerte) es inherentemente difícil debido a problemas como el sesgo de tiempo inmortal y la sutil interpretación causal de los modelos de Cox dependientes del tiempo estándar. Si bien métodos como los modelos estructurales marginales y la g-computación existen, a menudo dependen fuertemente de la especificación correcta de los modelos de trabajo; la especificación errónea conduce a resultados sesgados. Además, existe una distincción crítica entre las intervenciones definidas al nivel de las intensidades observadas de los datos frente a las definidas al nivel del verdadero proceso generador de datos (DGP, por sus siglas en inglés). En presencia de confundidores no medidos que afectan tanto al inicio del tratamiento como a los riesgos competitivos, una intervención aplicada a las intensidades observadas puede no corresponder a la intervención causal deseada.

Metodología
Los autores formulan el problema dentro del modelo de enfermedad-muerte (illness–death model), donde los individuos transitan de un estado de no tratamiento (0) al inicio del tratamiento (1) y eventualmente a la muerte (2).

1. Definición de la Intervención Estocástica:
   El artículo propone una intervención estocástica que modifica el riesgo que gobierna la transición de no tratamiento al inicio del tratamiento. Los autores demuestran que, para que una intervención sobre las intensidades observadas sea causalmente válida, ninguna variable no observada puede actuar como causa común del riesgo de inicio del tratamiento y de los riesgos competitivos o descendentes.

2. La Intervención Suavizada:
   Un desafío técnico principal es que fijar el inicio del tratamiento en un punto exacto $u^*$ resulta en un estimando que no es derivable por caminos (pathwise differentiable), lo que impide la derivación de una función de influencia eficiente (EIF) y preclude la inferencia con pocas suposiciones.
   Para resolver esto, los autores introducen una intervención suavizada. En lugar de forzar el tratamiento en un único punto, la intervención asigna el tratamiento dentro de una ventana de tiempo $[u^* - b, u^* + b]$ alrededor del tiempo objetivo $u^*$. El riesgo de inicio del tratamiento $\tilde{\alpha}_{01}(s)$ se modifica para ser cero fuera de esta ventana y proporcional al riesgo observado dentro de ella, normalizado por la integral del riesgo sobre la ventana. Este suavizado hace que el estimando sea derivable por caminos y susceptible de un análisis semiparamétrico.

3. Función de Influencia Eficiente (EIF) y Estimación:
   Los autores derivan la EIF para el riesgo intervencional $\psi_t = \tilde{P}^o(T \le t)$ bajo condiciones generales, incluyendo la censura por la derecha.

   • Estimador de un solo paso (One-Step Estimator): Proponen un estimador de un solo paso desesgado: $\hat{\psi}^{os}_t = \hat{\psi}^{pi}_t + \mathbb{P}_n\{D^*_{\psi_t}(O, P_n)\}$. Este combina un estimador de inserción (plug-in) con un término de corrección basado en la EIF.
   • Parámetros de Nuisance (Nuisance Parameters): El método acomoda la estimación flexible y adaptativa a los datos de los parámetros de nuisance (riesgos de transición, funciones de supervivencia y distribuciones de censura), incluyendo enfoques de aprendizaje automático (machine learning).
   • Robustez Doble: El estimador exhibe robustez doble de tasa (rate double robustness). Específicamente, la normalidad asintótica se mantiene si el producto de los errores de estimación de la función de supervivencia post-tratamiento y la distribución de censura converge a una tasa más rápida que $n^{-1/2}$. Esto permite una convergencia más lenta en un componente si el otro converge lo suficientemente rápido.
   • Covariables: El marco se extiende a entornos con covariables basales $L$, condicionando las funciones de intensidad y la EIF a $L$.

Contribuciones Clave

• Condiciones de Validez Causal: El artículo delinea explícitamente las condiciones bajo las cuales las intervenciones sobre las intensidades observadas corresponden a intervenciones causalmente válidas en el DGP, resaltando los riesgos planteados por los confundidores no medidos.
• Regularización mediante Suavizado: Al introducir una intervención estocástica suavizada, los autores superan la no derivabilidad de las intervenciones de masa puntual, permitiendo la derivación de la EIF y el desarrollo de procedimientos de inferencia robustos.
• Estimación Desesgada: La propuesta de un estimador de un solo paso que corrige el sesgo de los estimadores de inserción utilizando la EIF, permitiendo el uso de métodos flexibles de aprendizaje automático para los parámetros de nuisance mientras se mantiene una inferencia válida.
• Robustez Doble de Tasa: Establecimiento teórico de la robustez doble de tasa, asegurando la validez del estimador incluso cuando los modelos de nuisance están mal especificados, siempre que el producto de los errores sea lo suficientemente pequeño.

Resultados

• Estudios de Simulación:
  • Bajo modelos de trabajo correctamente especificados, tanto los estimadores de inserción como los de un solo paso fueron insesgados.
  • Bajo la especificación errónea del modelo de transición post-tratamiento, el estimador de inserción se volvió sesgado, mientras que el estimador de un solo paso se mantuvo aproximadamente insesgado, confirmando sus propiedades de robustez.
  • Cuando se utilizó aprendizaje automático (validación cruzada de 3 pliegues o 3-fold cross-fitting) para la estimación de los parámetros de nuisance, el estimador de un solo paso mantuvo las propiedades de corrección de sesgo, con un ligero sesgo en muestras más pequeñas ($n=300$) que disminuyó a medida que el tamaño de la muestra aumentó ($n=600$).
• Datos de Trasplante de Corazón de Stanford:
  • Aplicado a datos de pacientes con enfermedad cardíaca terminal. El análisis comparó "Tratar desde el inicio" (trasplante dentro de los 30 días) frente a "Nunca tratar".
  • Los resultados no mostraron una diferencia significativa en el riesgo de morir entre las dos estrategias en general.
  • La estratificación por año de admisión (temprana vs. tardía) sugirió un beneficio potencial del tratamiento temprano para aquellos admitidos más temprano, aunque esta interacción no fue estadísticamente significativa.
• Datos de Inseminación Intrauterina (IUI):
  • Aplicado a parejas con subfertilidad inexplicable para evaluar estrategias: "Tratar desde el inicio", "Tratar después de 6 meses" y "Nunca tratar".
  • Los resultados indicaron que "Tratar desde el inicio" fue superior a "Nunca tratar", y "Tratar después de 6 meses" también fue superior a "Nunca tratar".
  • No se encontró una diferencia significativa entre "Tratar desde el inicio" y "Tratar después de 6 meses".

Significancia y Reivindicaciones
El artículo afirma proporcionar un marco riguroso para evaluar tratamientos dependientes del tiempo en entornos de supervivencia donde los métodos causales estándar pueden fallar debido a la especificación errónea del modelo o la complejidad de la definición de la intervención. Al distinguir entre intervenciones observadas y latentes y utilizar una intervención estocástica suavizada, los autores permiten una inferencia con pocas suposiciones con propiedades de robustez deseables. El método permite a los investigadores utilizar herramientas adaptativas a los datos (como el aprendizaje automático) para los parámetros de nuisance sin sacrificar la validez del estimando causal, siempre que se cumpla la condición de robustez doble de tasa. Los autores señalan que, si bien el marco es teóricamente compatible con la estimación totalmente adaptativa a los datos, la estimación práctica de las transiciones post-tratamiento en entornos de entrada tardía sigue siendo un desafío, lo que sugiere la necesidad de desarrollar procedimientos de aprendizaje automático estables para estos componentes específicos en el futuro.