Resumen Técnico: Análisis de Mediación Semiparamétrico con Mediador y Resultado Observados por Separado bajo Confusión No Medida

1. Planteamiento del Problema

El análisis de mediación es una herramienta estándar para descomponer el efecto causal total de una exposición $D$ sobre un resultado $Y$ en efectos directos naturales (NDE) y efectos indirectos naturales (NIE) que operan a través de un mediador $M$. Sin embargo, surge una limitación práctica crítica cuando $M$ y $Y$ nunca se observan conjuntamente en el mismo conjunto de datos. Este escenario es común en la genómica integrativa (por ejemplo, combinar estudios de eQTL para la expresión génica con GWAS para el estado de la enfermedad) y en la salud poblacional (por ejemplo, fusionar cohortes de exposición a gran escala con bases de datos clínicas que contienen fenotipos intermedios granulares).

En tales entornos, la estrategia de identificación estándar para el NDE y el NIE falla porque depende de la distribución conjunta no observada de $(M, Y)$. Además, este problema se ve exacerbado por la presencia de confusión no medida entre el mediador y el resultado (confusión $M$-$Y$), lo cual es un obstáculo importante incluso en entornos de datos completos. Los métodos de fusión de datos existentes generalmente asumen que existe algún solapamiento donde ambas variables son observadas, o dependen de supuestos paramétricos que pueden no cumplirse. Este artículo aborda el desafío de identificar efectos de mediación causal cuando:

1. Las fuentes de datos son heterogéneas: una fuente contiene $(D, Y)$ y otra contiene $(D, M)$, sin observación conjunta de $(M, Y)$.
2. Existen confundidores no medidos $U$ entre $M$ y $Y$.

2. Metodología y Estrategia de Identificación

2.1 Configuración y Supuestos

Los autores consideran un modelo causal estructural (SCM) con variables exógenas $D = (T, Z, A)$, donde $T$ es la exposición objetivo, $Z$ representa variables instrumentales (IV) sin efecto directo sobre $Y$, y $A$ son variables auxiliares con efectos directos sobre $Y$. Los datos provienen de dos fuentes ($S=0$ y $S=1$):

• $S=0$: Observa $(Y, D, X)$.
• $S=1$: Observa $(M, D, X)$.

La identificación se basa en los siguientes supuestos clave:

• Exposición no confundida: $D \perp\!\!\!\perp (\epsilon_Y, \epsilon_M, U) \mid X, S$.
• Mediador latente no confundido: $\epsilon_Y \perp\!\!\!\perp \epsilon_M \mid X, U, S$.
• Sin interacción $M$-$U$: El efecto de $M$ sobre $Y$ no depende del confundidor no medido $U$ (una condición de "no interacción").
• Alineación entre fuentes: Condicional a $D$ y $X$, las distribuciones de $U, M$ y $Y$ son intercambiables entre fuentes ($S \perp\!\!\!\perp (U, M, Y) \mid D, X$). Esto permite desplazamientos de covariables y de exposición entre fuentes.
• Condiciones de completitud:
  • $M-Z$ Completitud: La variabilidad en $M$ es capturada por la variabilidad en $Z$.
  • $Z-M$ Completitud (para eficiencia): La variabilidad en $Z$ es capturada por la variabilidad en $M$.

2.2 Identificación mediante Funciones Puente

La innovación central es el uso de funciones puente ($w$) para alinear la distribución observada del mediador en una fuente con la distribución del mediador contrafáctico requerido para la otra. Bajo la condición de completitud, los autores demuestran la existencia de funciones $w_{tt'}^s$ que satisfacen una ecuación integral (Ecuación 2 en el artículo). Estas funciones reponderan los estratos del mediador observado para que coincidan con los estratos contrafácticos, eludiendo efectivamente la necesidad de observar $(M, Y)$ de forma conjunta.

Los efectos directos y de indirectos naturales se identifican como funcionales de las distribuciones de los datos observados utilizando estas funciones puente:
\psi^{NDE}_s = \psi^{10}_s - \psi^{00}_s, \quad \psi^{NIE}_s = \psi^{11}_s - \psi^{10}_s}
donde los términos $\psi^{tt'}_s$ involucran las expectativas de $Y$ y las funciones puente $w$.

2.3 Manejo de IVs Desconocidos

Cuando el conjunto de IVs válidos $Z$ es desconocido pero se dispone de un conjunto candidato $C$, los autores proponen una estrategia de identificación basada en la dispersión (sparsity). Asumen que más de la mitad de los IVs candidatos son válidos (Supuesto 6). Al resolver un problema de regresión dispersa para encontrar una función $r^*(M, D, X)$ que vincule el resultado condicional en la fuente 0 con el mediador condicional en la fuente 1, los IVs válidos se identifican como los componentes de $D$ de los cuales $r^*$ no depende.

2.4 Estimación

Los autores desarrollan estimadores de un solo paso basados en la función de influencia y semiparamétricos.

• Robustez Múltiple: Los estimadores son consistentes si al menos una de varias combinaciones de parámetros de molestia (por ejemplo, las funciones puente $w$, la regresión del resultado $\nu$, o el puntaje de propensión $\lambda$) está correctamente especificada. Específicamente, la consistencia se mantiene si el modelo de resultado es correcto, o si la función puente es correcta, o combinaciones específicas de ambos son correctas.
• Eficiencia: Bajo completitud mutua (donde $Z$ es completo en $M$ y viceversa), los estimadores propuestos alcanzan el límite de eficiencia semiparamétrica. Los autores derivan los gradientes canónicos (funciones de influencia) para los efectos.
• Regularización: Dado que la resolución de las funciones puente implica problemas inversos mal planteados (ecuaciones integrales de Fredholm), los autores sugieren estrategias de regularización (por ejemplo, regularización de Tikhonov o penalizaciones basadas en la varianza) para estabilizar la estimación.

3. Resultados Clave

3.1 Contribuciones Teóricas

• Identificación: El artículo establece que el NDE y el NIE son identificables bajo confusión no medida y observación separada de $M$ y $Y$, siempre que existan IVs válidos y una condición de no interacción.
• Límites de Eficiencia: Los autores derivan los límites de eficiencia semiparamétrica y muestran que sus estimadores alcanzan estos límites bajo completitud mutua.
• Conexión con la Literatura: El marco generaliza los problemas de variables instrumentales (IV) de dos muestras, mostrando que los efectos de tratamiento promedio en entornos de dos muestras son casos especiales de su marco de mediación.

3.2 Estudios de Simulación

• Desempeño: En simulaciones con instrumentos simples y múltiples, los estimadores propuestos exhibieron un sesgo insignificante en varios escenarios de error de especificación de modelo, confirmando la propiedad de robustez múltiple.
• Eficiencia: En entornos con múltiples instrumentos donde solo el mediador es completo respecto al conjunto de instrumentos (entorno no completo), el método propuesto utilizando agregación adaptativa de instrumentos mostró ganancias sustanciales de eficiencia (menores errores estándar) en comparación con el uso de un solo IV.
• Selección de IV: El algoritmo propuesto para seleccionar IVs válidos a partir de un conjunto candidato funcionó con alta precisión (identificación casi del 100% correcta) a medida que aumentaba el tamaño de la muestra, incluso en presencia de IVs inválidos.
• Inferencia: Se encontró que los intervalos de confianza basados en bootstrap eran más estables y fiables que los intervalos basados en la función de influencia, particularmente bajo error de especificación del modelo.

3.3 Aplicación de Datos

El marco se aplicó al Alzheimer's Disease Neuroimaging Initiative (ADNI) para cuantificar la mediación del SNP rs610932 sobre el riesgo de demencia a través de la expresión génica de PTK2B y CD33.

• Fusión de Datos: El estudio combinó las cohortes ADNI-1 (resultados y SNPs, sin expresión génica) y ADNI-GO/2 (SNPs y expresión génica, sin resultados a largo plazo).
• Hallazgos: El efecto indirecto natural (NIE) estimado a través de PTK2B fue negativo y sustancial en relación con el efecto total, lo que sugiere un mecanismo protector. El NIE a través de CD33 fue cercano a nulo.
• Interpretación: Los autores señalan que, aunque los intervalos de confianza eran amplios y cruzaban el cero, los resultados sugieren un mecanismo biológico donde el alelo menor de rs610932 opera a través de una alteración en la expresión de PTK2B y las vías inmunológicas de la microglía aguas abajo.

4. Significado y Reivindicaciones

El artículo afirma introducir un nuevo marco de fusión de datos que restaura la identificación de los efectos de mediación causal en entornos donde el mediador y el resultado nunca se observan conjuntamente y existe confusión no medida.

• Superación de Limitaciones de Datos: Aborda un problema persistente en la genómica integrativa moderna y la ciencia de datos de salud, donde los silos de datos impiden la observación conjunta de variables clave.
• Robustez ante la Confusión No Medida: A diferencia del análisis de mediación estándar que requiere supuestos estrictos sobre los confundidores no medidos, este método aprovecha las IVs y una condición de no interacción para identificar efectos incluso cuando $U \neq \emptyset$.
• Flexibilidad: El método admite desplazamientos de covariables y de exposición entre fuentes de datos y maneja casos donde el conjunto de IVs válidos es desconocido.
• Eficiencia: Al utilizar la teoría de eficiencia semiparamétrica, se demuestra que los estimadores propuestos son eficientes bajo condiciones apropiadas, proporcionando una base estadística rigurosa para la inferencia en estos entornos complejos.

Los autores posicionan este trabajo como un avance necesario para "desentrañar vías causales" en estudios del mundo real donde la completitud de los datos es inalcanzable, yendo más allá de la pregunta de "si funciona" hacia la de "¿a través de qué vías funciona?", incluso en entornos de datos fragmentados.