Robust inference for risk heterogeneity under group imbalance

Resumen Técnico: Inferencia Robusta para la Heterogeneidad de Riesgo bajo Desequilibrio de Grupos

Planteamiento del Problema
En los datos biomédicos, la heterogeneidad a nivel poblacional es ubicua, donde los patrones de riesgo suelen diferir significativamente entre subgrupos demográficos o clínicos. Un desafío crítico surge al analizar estas disparidades en presencia de un severo desequilibrio de grupos, donde un subgrupo (la minoría) está subrepresentado en comparación con otro (la mayoría). Los enfoques existentes para detectar la heterogeneidad de riesgo, como los métodos estándar basados en la verosimilitud o los marcos de ajuste lineal (por ejemplo, Maity et al., 2024), enfrentan dos limitaciones primarias en este contexto:

1. Sensibilidad a la Especificación Incorrecta del Modelo: Estos métodos suelen depender de un modelo base para el grupo mayoritario. Si este modelo base está mal especificado, las estimaciones resultantes de la heterogeneidad están sesgadas.
2. Sesgo de Regularización: En entornos de alta dimensión, la estimación regularizada (por ejemplo, Lasso) es necesaria pero introduce sesgo al contraer los coeficientes hacia cero. Esto es particularmente problemático para el grupo minoritario, donde los tamaños de muestra son pequeños, y el sesgo de la estimación de los parámetros de molestia del grupo mayoritario se propaga a las estimaciones de la heterogeneidad.

Los autores pretenden desarrollar un marco de inferencia capaz de manejar la heterogeneidad ajustada por covariables a través de subgrupos con un gran número de covariables, una potencial subrepresentación y asociaciones no lineales, proporcionando además una inferencia estadística fiable (intervalos de confianza y valores p).

Metodología
El artículo propone un marco de inferencia robusta basado en la ortogonalidad de Neyman (Chernozhukov et al., 2018). El objetivo central es estimar el vector de parámetros $\beta$ que representa la diferencia en el riesgo entre un grupo minoritario ($T=0$) y un grupo mayoritario ($T=1$), condicionado a las covariables $X$.

• Formulación del Modelo: La heterogeneidad se modela como una función lineal de las covariables en la escala de la función de enlace transformada:
  $$\gamma(E[Y|X, T=0]) - \gamma(E[Y|X, T=1]) = \alpha^T X$$
  Aquí, $\gamma$ es una función de enlace preespecificada (por ejemplo, logit para resultados binarios). El parámetro de interés es un subconjunto $\beta$ de $\alpha$, mientras que la función de riesgo base $\xi(X)$ para el grupo mayoritario y los coeficientes restantes $\delta$ son tratados como parámetros de molestia.

• Puntuación Ortogonal de Neyman: Para lograr la robustez contra los errores de estimación en los parámetros de molestia ($\xi, \delta, \pi$), los autores construyen una función de puntuación (score) $S(Z, \beta, \delta, \xi, \pi)$ que satisface la condición de ortogonalidad de Neyman. Esta condición asegura que la función de puntuación sea localmente insensible a pequeñas perturbaciones en los parámetros de molestia. La puntuación se deriva modificando el enfoque de ajuste lineal para incluir un término de corrección que involucra la derivada de la función de pérdida con respecto a los parámetros de molestia.

• Procedimiento de Estimación:

  1. Estimación de Parámetros de Molestia: Estimar el modelo base $\hat{\xi}$ utilizando datos del grupo mayoritario, y estimar los coeficientes de molestia $\hat{\delta}$ y la puntuación de propensión $\hat{\pi}$ utilizando métodos apropiados de regularización o aprendizaje automático.
  2. Estimación Desesgada (Debiased): Resolver la ecuación de puntuación $\sum S(Z_i, \beta, \hat{\delta}, \hat{\xi}, \hat{\pi}) = 0$ para $\beta$. Dado que esta ecuación es implícita, se proporciona un algoritmo iterativo (Algoritmo 1) para aproximar la solución.
  3. Estimación de la Varianza: La varianza asintótica se estima utilizando la fórmula del estimador sándwich, lo que permite la construcción de intervalos de confianza válidos.

• Garantías Teóricas: Bajo supuestos de covariables acotadas y tasas de convergencia específicas para los estimadores de parámetros de molestia (que pueden ser más lentas que $\sqrt{N}$), se demuestra que el estimador desesgado propuesto $\hat{\beta}_{debias}$ es consistente y asintóticamente normal. El tamaño de muestra efectivo para la inferencia está determinado por el tamaño del grupo minoritario.

Contribuciones Clave

1. Herramienta de Inferencia Robusta: El marco proporciona un método para realizar inferencia estadística sobre la heterogeneidad de riesgo que es robusta tanto a la especificación incorrecta del modelo base como al sesgo de regularización.
2. Manejo del Desequilibrio: Acomoda explícitamente escenarios donde los subgrupos están severamente subrepresentados, un problema común en los conjuntos de datos clínicos.
3. Flexibilidad: El método es agnóstico al algoritmo específico utilizado para el modelo base $\xi(\cdot)$, siempre que cumpla con las condiciones de tasa de convergencia. Soporta una amplia gama de tipos de resultados (binarios, continuos, de conteo) mediante modelos lineales generalizados.
4. Mecanismo de Desesgado: A diferencia de los procedimientos estándar de dos pasos, este enfoque unifica la corrección para el sesgo de regularización y el sesgo de los parámetros de molestia a través de la puntuación ortogonal de Neyman.

Resultados

• Estudios de Simulación:

  • Los autores simularon datos con $N=30,000$ y proporciones variables del grupo minoritario ($10\%, 20\%, 40\%$).
  • Reducción del Sesgo: El estimador desesgado propuesto logró un sesgo cercano a cero en todos los niveles de desequilibrio de grupo y elecciones de modelo base (GLM penalizado, XGBoost, Redes Neuronales). En contraste, el estimador de ajuste lineal estándar exhibió un sesgo sustancial, particularmente cuando el grupo minoritario era pequeño o el modelo base estaba mal especificado.
  • Validez de la Inferencia: Los intervalos de confianza al 95% construidos a partir del estimador desesgado alcanzaron una cobertura empírica cercana al nivel nominal del 95%. Los gráficos QQ confirmaron la normalidad asintótica del estimator.
  • Varianza: Como era de esperar, la varianza aumentó a medida que la proporción del grupo minoritario disminuía, pero el estimador se mantuvo estable.

• Aplicación de Datos (Base de Datos eICU):

  • El método se aplicó a la base de datos de investigación colaborativa eICU para analizar las diferencias en la mortalidad intrahospitalaria entre pacientes caucásicos y grupos subrepresentados (asiáticos, hispanos, nativos americanos).
  • Hallazgos: Los métodos de ajuste lineal estándar (usando Lasso) contrajeron todos los coeficientes de heterogeneidad hacia cero, fallando en detectar diferencias significativas.
  • Descubrimiento: El método propuesto identificó heterogeneidades clínicamente significativas que los métodos estándar pasaron por alto:
    • Los pacientes Nativos Americanos admitidos por Sobredosis tuvieron un log-odds de mortalidad ajustado significativamente mayor en comparación con los caucásicos.
    • Los pacientes Asiáticos admitidos por Paro Cardíaco mostraron un riesgo de mortalidad significativamente mayor.
    • Los pacientes Hispanos admitidos con Cetoacidosis Diabética (DKA) exhibieron un riesgo de mortalidad significativamente mayor.
  • Estos hallazgos se alinean con la literatura existente respecto a disparidades étnicas específicas en estas condiciones.

Significancia y Reivindicaciones
El artículo afirma que el marco propuesto ofrece un avance crítico para la medicina de precisión y la investigación de la equidad en salud. Al permitir una inferencia fiable en presencia de desequilibrio de grupos y covariables de alta dimensión, el método permite a los investigadores descubrir heterogeneidades "clínicamente significativas" que de otro modo quedarían ocultas por el sesgo inherente a los enfoques de regularización estándar. Los autores enfatizan que su enfoque no requiere una especificación perfecta del modelo de riesgo del grupo mayoritario, lo que lo convierte en una herramienta práctica y robusta para el análisis de datos biomédicos del mundo real, donde tales modelos suelen ser complejos e imperfectos. La metodología se extiende más allá de los resultados binarios, sugiriendo una amplia aplicabilidad a datos continuos y de conteo en entornos de atención médica.