Causal Inference for Case Studies in Behavioral Health

Resumen Técnico: Inferencia Causal para Casos de Estudio en Salud Conductual

Planteamiento del Problema
El artículo aborda el desafío fundamental de realizar inferencia causal en entornos observacionales de $N=1$, específicamente dentro de los estudios de caso en salud conductual. Las metodologías estándar de inferencia causal suelen depender de la aleatorización, el control experimental o marcos poblacionales amplios para ajustar los factores de confusión. Sin embargo, los procesos de atención individual carecen de estas características. Los proveedores y los clientes operan en un contexto de "confusión no medida" ($U$), donde una red de variables latentes influye tanto en la selección del tratamiento ($T$) como en los resultados ($Y$). Además, los diseños experimentales estrictos (por ejemplo, reversiones A-B-A-B) suelen ser poco éticos o subversivos para la relación terapéutica. En consecuencia, los proveedores no pueden medir empíricamente los contrafácticos (por ejemplo, $Y|do(t=0)$ cuando se observa $Y|do(t=1)$) ni confiar en supuestos de emparejamiento basados en la población que presuponen una "identidad esencial" entre distintos puntos temporales o individuos. El problema central es establecer una ruta válida hacia los estimandos causales sin requerir la medición o el ajuste de los factores de confusión.

Metodología y Marco de Trabajo
Los autores proponen un marco basado en Modelos Causales Estructurales (SCM) y una interpretación subjetivista (de de Finetti) de la probabilidad, donde la probabilidad se ve como una medida personal de incertidumbre en lugar de una frecuencia objetiva.

1. $\Omega$-Estimandos: El artículo desplaza el enfoque de los contrastes de distribuciones de probabilidad (por ejemplo, diferencias de medias) hacia los contrastes de soportes. El soporte de una variable aleatoria, denotado como $\Omega$, es el conjunto de valores con probabilidad no nula. Los autores definen los $\Omega$-estimandos como funciones de estos soportes (por ejemplo, $\max(\Omega)$, $\min(\Omega)$, rango o cardinalidad) que no incorporan pesos de probabilidad.
2. El Supuesto Central (Positividad): El marco se basa en un único supuesto crítico: la Positividad. Formalmente, para todos los valores de tratamiento $t \in \Omega_T$ y confusores no medidos $u \in \Omega_U$, la probabilidad condicional $f(t|u) > 0$. En el contexto subjetivista, esto implica que ningún estado del confuso no medido $u$ hace que un tratamiento específico $t$ sea imposible. Los autores argumentan que si el tratamiento se conceptualiza a un nivel suficientemente grueso (por ejemplo, "exposición a la gestión de casos" en lugar de microintervenciones específicas), la positividad se mantiene incluso en presencia de confusión no medida.
3. Coincidencia de Soporte: El resultado teórico central (Proposición 1) demuestra que, bajo el supuesto de positividad, el soporte observacional de un resultado coincide con su soporte intervencional: $\Omega_{Y|t} = \Omega_{Y|do(t)}$. Esto significa que el conjunto de resultados posibles observados en el mundo real es idéntico al conjunto de resultados posibles que ocurrirían bajo una intervención hipotética, lo que hace que la identificación de los $\Omega$-efectos sea inmune a la confusión no medida.

Contribuciones Clave y Extensiones
El artículo introduce tres condiciones para facilitar la inferencia:

• Condición I (Positividad): Suficiente para identificar que los soportes observacionales e intervencionales coinciden.
• Condición II (Preservación Epistémica): Asume que el "motivo estructural" de la incertidumbre del agente (específicamente la relación entre el valor esperado y el promedio funcional del soporte) permanece invariante a través de los estados de tratamiento y no de tratamiento. Esto permite la traducción de los $\Omega$-efectos en diferencias de valores esperados mediante una identidad de promedio esperado: $E(Y) = Av(Y) - \kappa$, donde $\kappa$ es un término relacionado con la asimetría. Si $\kappa$ se preserva, las diferencias en las medias adquieren significado causal.
• Condición III (Recuerdo de Soporte): Permite que la estimación basal recordada por el cliente ($\hat{Y}$) sirva como un sustituto (proxy) del soporte basal no observado ($\Omega_{Y|t=0}$). Se asume que, si bien la distribución de probabilidad del recuerdo puede diferir, el conjunto de valores posibles (el soporte) permanece anclado a la misma realidad.

Resultos y Aplicación de Caso de Estudio
Los autores demuestran el marco utilizando un caso clínico de un estudiante de 23 años que se somete a Terapia Cognitivo-Conductual (TCC) para la ansiedad.

• Datos: 19 puntuaciones semanales de ansiedad (escala 0–10) que muestran una tendencia decreciente de 10 a 4.
• Aplicación: Los autores definen un $\Omega$-efecto como el contraste entre el mínimo del soporte basal y el mínimo del soporte de tratamiento ($\min(\Omega_{Y_0}) - \min(\Omega_{Y^*})$).
• Inferencia: Utilizando un enfoque bayesiano subjetivo, calculan la probabilidad posterior de eficacia del tratamiento. Al postular una creencia previa y actualizarla con los datos observados (el cambio en la puntuación mínima), derivan una probabilidad posterior de eficacia ($\approx 0.59$).
• Interpretación: El resultado no es una garantía basada en la frecuencia, sino una "creencia coherente y moderada" respecto a la capacidad del tratamiento para eliminar las posibilidades de síntomas de alta intensidad (un cambio en el soporte).

Significancia y Reivindicaciones
El artículo afirma proporcionar una "ruta hacia la inferencia causal" para los procesos de atención individual que evita el requisito tradicional de cerrar caminos de retroceso (backdoor paths) o medir los factores de confusión.

• Robustez sobre Sensibilidad: El marco intercambia la sensibilidad a los cambios distributivos (que están confundidos) por la robustez al centrarse en los cambios de soporte (que están identificados bajo positividad). Argumentan que un tratamiento efectivo a menudo se manifiesta como la eliminación de posibilidades extremas (por ejemplo, prevenir un ataque de pánico), lo cual es un cambio en el soporte detectable sin conocer los factores de confusión.
• Utilidad Práctica: Ofrece un método principista y elemental para que los proveedores razonen sobre la eficacia del tratamiento utilizando datos de atención basada en la medición sin necesidad de formación estadística avanzada o diseños experimentales.
• Limitaciones: Los autores reconocen que la positividad es no testeable y debe defenderse mediante la validez del Grafo Acíclico Dirigido (DAG) subyacente. También señalan que el marco es insensible a tratamientos que solo desplazan la masa de probabilidad dentro de un soporte inalterado (por ejemplo, hacer que un "5" sea más probable que un "4" sin eliminar el "10"). Además, los resultados son declaraciones de coherencia para un agente de razonamiento, no garantías de frecuencia.

En resumen, el artículo sostiene que al redefinir los objetivos causales como contrastes de los soportes de los resultados en lugar de distribuciones, y al aceptar una visión subjetivista de la probabilidad, se puede lograr una identificación causal válida en estudios de salud conductual de $N=1$ bajo la única condición de positividad.