📊 statistics

Causal Mediation Analysis with a Time-Dependent Mediator, Time-Dependent Confounders and a Time-to-Event Outcome: Revisiting the Difference Method

Este artículo evalúa el desempeño del método de diferencia para el análisis de mediación causal con mediadores dependientes del tiempo, confundidores y resultados de tiempo hasta el evento, encontrando que, si bien puede proporcionar estimaciones insesgadas bajo supuestos específicos (como la ausencia de efecto del tratamiento sobre los confundidores dependientes del tiempo) utilizando modelos de Aalen o Cox, generalmente falla debido a problemas de sesgo o colapsabilidad en comparación con la más robusta fórmula g paramétrica de mediación.

Autores originales: Robin Denz, Nina Timmesfeld

Publicado 2026-08-14

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Robin Denz, Nina Timmesfeld

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Imagina que eres un detective intentando resolver un misterio: ¿Cómo es que una acción específica, como tomar una medicina, realmente cambia el futuro de una persona? A veces la medicina funciona directamente, como un escudo mágico. Pero a menudo, funciona de forma indirecta, como un entrenador que entrena a un jugador, y ese jugador luego gana el juego. En el mundo de la ciencia médica, esto se llama análisis de mediación. Es el arte de dividir un efecto total en dos partes: el camino "directo" y el camino "indirecto".

Ahora, imagina que el misterio se vuelve más difícil. El "jugador" (un marcador biológico en el cuerpo) no es solo una instantánea; cambia cada día. El "entrenador" (el tratamiento) también puede cambiar el entorno a su alrededor cada día. Y el "juego" (el resultado, como la supervivencia) no ocurre en un momento fijo; podría ocurrir mañana o dentro de diez años. Esto es la realidad desordenada de los datos de tiempo de evento con variables dependientes del tiempo. Los científicos han construido computadoras increíblemente complejas y superpotentes para resolver estos acertijos, pero son tan pesadas y complicadas que la mayoría de los médicos e investigadores no pueden usarlas. Así que, mucha gente intenta usar un "atajo" llamado el método de la diferencia. Es como intentar adivinar el peso de un objeto oculto pesando la caja completa, luego pesando la caja sin el objeto, y restando los dos. Es simple, rápido y requiere muy poca matemática. Pero, ¿funciona este atajo cuando el juego es así de complicado, o te lleva al sospechoso equivocado?

Este artículo es una prueba de manejo rigurosa de ese atajo. Los autores, Robin Denz y Nina Timmesfeld, montaron un laboratorio digital masivo para ver si el "método de la diferencia" puede sobrevivir al caos de las variables que cambian con el tiempo y los resultados de supervivencia. No solo conjeturaron; construyeron miles de mundos falsos (simulaciones) donde conocían la verdad exacta. Pusieron a competir al simple método de la diferencia contra una herramienta pesada y compleja llamada fórmula g paramétrica de mediación, que actúa como el estándar de oro.

Esto es lo que encontraron en sus simulaciones:

Primero, el atajo no es una solución universal. Si el tratamiento cambia un factor dependiente del tiempo (como un efecto secundario que aparece más tarde) que luego altera la relación entre el mediador y el resultado, el método de la diferencia falla estrepitosamente. Se confunde, mezclando efectos directos con indirectos, y produce resultados sesgados. En estos escenarios desordenados, el atajo es simplemente erróneo.

Segundo, el atajo funciona a veces, pero solo bajo condiciones muy específicas. Si el resultado es raro (como una enfermedad que ocurre en muy pocas personas) y los investigadores utilizan un tipo específico de modelo matemático llamado modelo de riesgos proporcionales de Cox, el método de la diferencia puede dar respuestas no sesgadas. Del mismo modo, si utilizan un modelo de riesgos aditivos de Aalen, funciona bien incluso si el resultado es común, siempre y cuando el tratamiento no cause directamente los confundidores dependientes del tiempo. Sin embargo, si intentan usar el atajo con modelos de tiempo de falla acelerado (AFT), casi siempre producen un error pequeño pero constante, sin importar qué tan limpios sean los datos. Esto se debe a una peculiaridad matemática llamada "no colapsabilidad", donde las matemáticas no suman de la manera que uno esperaría.

Finalmente, los autores aplicaron esta prueba a un ejemplo del mundo real: un estudio sobre el ácido ursodesoxicólico (UDCA), un fármaco utilizado para tratar una enfermedad hepática llamada colangitis biliar primaria. Querían ver si el fármaco ayudaba a los pacientes a vivir más tiempo al ralentizar el daño al tejido hepático (el mediador). En este conjunto de datos específico y pequeño, tanto el simple atajo como la compleja herramienta del estándar de oro dieron resultados muy similares. Sin embargo, los autores advierten que esta similitud podría ser una casualidad causada por el tamaño de muestra tan pequeño y el hecho de que los datos eran tan limpios. Enfatizan que en el mundo real, donde los datos son desordenados y las suposiciones suelen ser violadas, confiar en el simple método de la diferencia es arriesgado.

En resumen, el artículo sugiere que, si bien el método de la diferencia es una herramienta tentadora y fácil de usar, es un poco una "trampa" para los datos de supervivencia dependientes del tiempo. Solo funciona si eres extremadamente cuidadoso con tus suposiciones y el tipo de matemática que utilizas. Para la mayoría de los escenarios del mundo real, los autores recomiendan aferrarse a los métodos complejos y de gran capacidad como la fórmula g paramétrica, incluso si son más difíciles de usar, porque es mucho más probable que te digan la verdad. El atajo puede ahorrarte tiempo, pero en el juego de alto riesgo de la investigación médica, podría costarte la respuesta.

Resumen Técnico: Análisis de Mediación Causal con un Mediador Dependiente del Tiempo, Confusores Dependientes del Tiempo y un Resultado de Tiempo hasta un Evento

1. Planteamiento del Problema

El análisis de mediación es una herramienta estándar para descomponer los efectos totales del tratamiento en componentes directos e indirectos. Sin embargo, la aplicación de estos métodos en entornos que involucran resultados de tiempo hasta un evento (time-to-event), mediadores dependientes del tiempo y confusores dependientes del tiempo presenta desafíos significativos. Los métodos rigurosos existentes (p. ej., la fórmula g mediacional paramétrica, el análisis de trayectoria dinámica, el modelado de estados múltiples) suelen ser estadísticamente complejos, computacionalmente intensivos y carecen de implementaciones de software fáciles de usar.

En consecuencia, los investigadores se ven tentados a utilizar el método de la diferencia, un enfoque simple donde el efecto indirecto se estima restando el coeficiente del efecto directo del coeficiente del efecto total en dos modelos de regresión separados. Aunque es ampliamente utilizado para resultados continuos y mediadores fijos en el tiempo, el desempeño del método de la diferencia en entornos de supervivencia longitudinal compleja es controversial. Estudios previos sugieren que puede producir estimaciones sesgadas debido a la no colapsabilidad (en modelos de Cox) o violaciones estructurales (p. ej., confusores dependientes del tiempo causados por el tratamiento). Sin embargo, no ha habido una evaluación sistemática de su desempeño empírico en procesos de generación de datos (DGP) realistas con mediadores dependientes del tiempo para estimandos objetivo bien definidos.

2. Metodología

2.1 Estimandos Objetivo e Identificación

Los autores definen los estimandos objetivo basados en efectos específicos de la trayectoria utilizando la notación contrafactual (Vansteelandt et al., 2019). Este enfoque elude los problemas de confusión post-tratamiento definiendo historias contrafactuales para los confusores dependientes del tiempo ( $L_t$ ) y los mediadores ( $M_t$ ) de forma recursiva.

Efecto Total (TE): Contraste entre $Y^{1,1}$ y $Y^{0,0}$ .
Efecto Directo (DE): Contraste entre $Y^{1,0}$ y $Y^{0,0}$ (mediador establecido en el contrafactual bajo el grupo de control).
Efecto Indirecto (IE): Contraste entre $Y^{1,1}$ y $Y^{1,0}$ .
Estos efectos se evalúan en tres escalas correspondientes a modelos de supervivencia populares: razón de riesgo de logaritmo (Cox), diferencia de riesgo (Aalen) y logaritmo del tiempo de supervivencia (Modelo de Fallo Acelerado - AFT).

2.2 Métodos Comparados

El estudio compara el método de la diferencia contra la fórmula g mediacional paramétrica (utilizada como referencia).

Método de la Diferencia: Ajusta dos modelos:
1. Modelo de Efecto Total: Resultado $\sim$ Tratamiento + Confusores Basales.
2. Modelo de Efecto Directo: Resultado $\sim$ Tratamiento + Mediador Dependiente del Tiempo + Confusores Dependientes del Tiempo + Confusores Basales.
  El efecto indirecto se estima como la diferencia en los coeficientes del tratamiento ( $\hat{\theta}_A - \hat{\beta}_A$ ).
- Modelos utilizados: Riesgos Proporcionales de Cox, Riesgos Aditivos de Aalen y AFT (Weibull).
Fórmula G Mediacional Paramétrica: Un enfoque basado en simulación que estima la esperanza de los resultados contrafactuales modelando las probabilidades condicionales del mediador, los confusores y el resultado a lo largo del tiempo, simulando luego los datos bajo diferentes escenarios de intervención ( $a, a'$ ) para estimar los efectos.

2.3 Diseño del Estudio de Simulación

Se utilizó una simulación de eventos discretos (algoritmo de Gillespie) para generar datos con $n=2000$ individuos.

Variables: Tratamiento basal binario ( $A$ ), covariables basales ( $X, Z$ ), confusor dependiente del tiempo ( $L_t$ ), mediador dependiente del tiempo ( $M_t$ ) y resultado dependiente del tiempo ( $Y_t$ ).
Escenarios: Se construyeron seis escenarios para variar la estructura causal:
1. Escenario 1: Tratamiento aleatorizado; $L_t$ es un predictor puro del resultado (sin confusión).
2. Escenario 2: $L_t$ es un confusor dependiente del tiempo de la relación mediador-resultado.
3. Escenario 3: Bucle de retroalimentación entre $L_t$ y $M_t$ .
4. Escenario 4: $L_t$ es causado directamente por el tratamiento $A$ (violando el supuesto de que el tratamiento no afecta a los confusores dependientes del tiempo).
5. Escenario 5: Tratamiento no aleatorizado con confusión de la relación tratamiento-mediador.
6. Escenario 6: Tratamiento no aleatorizado con confusión de la relación tratamiento-resultado.
Parámetros: Los escenarios incluyeron variaciones en la probabilidad de evento basal (resultados raros vs. comunes) y la presencia/ausencia de efectos indirectos.
Métricas de Desempeño: Sesgo y Error Cuadrático Medio (MSE) del efecto indirecto estimado.

2.4 Aplicación al Mundo Real

Los métodos se aplicaron a datos de un ensayo controlado aleatorizado (Lindor et al., 1994) sobre Ácido Ursodesoxicólico (UDCA) para la Colangitis Biliar Primaria (CBP).

Tratamiento: UDCA vs. Placebo.
Mediador: Progresión histológica (dependiente del tiempo).
Resultado: Supervivencia libre de trasplante de hígado (tiempo hasta un evento).
Confusores: Estadio de la enfermedad basal, puntuación de riesgo de Mayo, bilirrubina; várices dependientes del tiempo.

3. Resultados Clave

3.1 Hallazgos de la Simulación

Modelo de Aalen (Método de la Diferencia): Produjo estimaciones insesgadas en los Escenarios 1–3 y 5–6, siempre que el modelo estuviera correctamente especificado y el tratamiento no causara directamente el confusor dependiente del tiempo ( $L_t$ ). Esto se mantuvo tanto para resultados raros como comunes.
Modelo de Cox (Método de la Diferencia): Produjo estimaciones insesgadas solo cuando el resultado era raro y el tratamiento no causaba directamente $L_t$ . Con resultados comunes, el método produjo estimaciones sesgadas debido a la no colapsabilidad, independientemente del escenario.
Modelo AFT (Método de la Diferencia): Produjo estimaciones sesgadas en casi todos los escenarios, incluso cuando el resultado era raro y no existía confusión dependiente del tiempo. El sesgo derivó de la no colapsabilidad de los coeficientes AFT; el efecto directo marginal (estimando el objetivo) difería del coeficiente condicional estimado por el modelo.
Escenario 4 (Tratamiento $\to$ Confusor): En todos los escenarios donde el tratamiento causaba directamente el confusor dependiente del tiempo ( $L_t$ ), todas las versiones del método de la diferencia produjeron estimaciones sesgadas, independientemente del modelo utilizado o de si $L_t$ se incluía en el modelo de efecto directo. Esto se debe a que condicionar sobre $L_t$ elimina parte del efecto directo que fluye a través de $A \to L_t \to Y$ .
Fórmula G Paramétrica: Produjo estimaciones insesgadas en todos los escenarios y combinaciones de parámetros, sirviendo como un benchmark robusto.
Eficiencia: Cuando el método de la diferencia era insesgado, generalmente exhibió un Error Cuadrático Medio menor (mayor precisión) que la fórmula g, probablemente debido a la varianza de simulación inherente al cálculo del estimador puntual de la fórmula g en este estudio.

3.2 Resultados de la Aplicación al Mundo Real

En el conjunto de datos de CBP:

Tanto el método de la diferencia (Cox/Aalen/AFT) como la fórmula g arrojaron estimaciones puntuales similares para los efectos totales, directos e indirectos.
El efecto total del UDCA mostró una tendencia protectora (Hazard Ratio $\approx$ 0.63), pero los intervalos de confianza eran amplios e incluyeron 1 debido al pequeño tamaño de la muestra ( $n=170$ ).
Los efectos indirectos vía progresión histológica estuvieron cercanos a 1 (nulo), con intervalos de confianza amplios.
Los autores señalan que la casi equivalencia de los resultados en este conjunto de datos específico puede ser coincidente o debida al pequeño tamaño de la muestra que enmascara violaciones estructurales (p. ej., posibles efectos directos del UDCA sobre confusores dependientes del tiempo como las várices).

4. Significación y Reivindicaciones

El artículo afirma llenar un vacío en la literatura al evaluar sistemáticamente el método de la diferencia en el contexto específico de mediadores y confusores dependientes del tiempo con resultados de tiempo hasta un evento.

Utilidad Condicional: El método de la diferencia no se recomienda generalmente para este entorno. Solo es una alternativa simple y viable si se cumplen supuestos estrictos:
1. El tratamiento no tiene un efecto causal directo sobre ningún confusor dependiente del tiempo.
2. Para modelos de Cox, el resultado debe ser raro.
3. Para modelos AFT, el método generalmente no se recomienda debido al sesgo inherente de la no colapsabilidad, incluso bajo condiciones ideales.
Robustez de la Fórmula G: La fórmula g mediacional paramétrica sigue siendo el método preferido para la estimación insesgada a través de diversos escenarios estructurales, a pesar de su complejidad computacional.
Guía Práctica: Los autores enfatizan que, aunque el método de la diferencia es computacionalmente eficiente y fácil de implementar (p. ej., dos líneas de código en R), su uso requiere una evaluación cuidadosa del DAG causal. Si no se puede defender el supuesto de que "el tratamiento no afecta a los confusores dependientes del tiempo", el método de la diferencia producirá resultados sesgados.

El artículo concluye que, si bien los métodos especializados son complejos, son necesarios para una inferencia válida en datos de supervivencia longitudinal compleja. El método de la diferencia debe usarse con extrema precaución y solo cuando sus restrictivos supuestos estructurales sean plausibles.