📊 statistics

Partial Identification Learning with Categorical Treatments for Individualized Treatment Rules

Este artículo propone un novedoso marco de aprendizaje de identificación parcial que extiende la optimización de la regla de tratamiento individualizado a tratamientos, resultados y variables instrumentales categóricos mediante la introducción de un criterio de pérdida minimax generalizado y una estrategia de incrustación simétrica para derivar una función de riesgo sustituta diferenciable, permitiendo así una toma de decisiones robusta ante la confusión no medida sin depender de supuestos causales fuertes.

Autores originales: Johannes Hruza, Paweł Morzywołek, Jakob Zeitler, Samir Bhatt, Michael C Sachs

Publicado 2026-08-21

📖 6 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Johannes Hruza, Paweł Morzywołek, Jakob Zeitler, Samir Bhatt, Michael C Sachs

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

En el mundo de la medicina y la economía, tomar la decisión correcta para un individuo suele ser una cuestión de vida o muerte, o al menos de un bienestar significativo. Los médicos deben decidir qué fármaco recetar, y los responsables de la formulación de políticas deben elegir qué intervención financiar, pero rara vez disponen de información perfecta. El escenario ideal implica saber exactamente cómo respondería cada persona a cada opción posible si pudiera probarlas todas a la vez. En la realidad, los investigadores solo pueden observar lo que les sucedió a las personas que realmente recibieron un tratamiento específico. Para averiguar qué habría ocurrido de otro modo, deben confiar en supuestos. El supuesto más común es que han medido cada uno de los factores que influyen tanto en la elección del tratamiento como en el resultado final. Si han pasado por alto incluso un solo factor oculto, sus conclusiones pueden ser peligrosamente erróneas, dando lugar a políticas que ayudan a algunos pero perjudican a otros.

Para navegar esta incertidumbre, los científicos utilizan a veces una herramienta especial llamada variable instrumental. Piense en esto como un impulso natural que influye en qué tratamiento recibe una persona, pero que no tiene poder directo para cambiar su estado de salud. Un ejemplo clásico es una variante genética que hace que una persona sea más propensa a tomar un determinado medicamento, o una asignación aleatoria en un ensayo que no se sigue perfectamente. Debido a que este impulso es independiente de los factores ocultos que suelen causar confusión, puede ayudar a los investigadores a trazar un límite alrededor de la verdad. En lugar de señalar una respuesta única y exacta, este método define una zona segura: un rango de posibilidades donde debe residir el efecto real. Este enfoque, conocido como identificación parcial, acepta que no podemos saberlo todo, pero nos permite tomar decisiones robustas que sean seguras incluso cuando no estamos seguros.

Un equipo de investigadores ha tomado ahora este concepto de identificación parcial y lo ha expandido para manejar una realidad mucho más compleja: situaciones en las que no hay solo dos opciones, sino muchas. En el mundo real, los médicos a menudo eligen entre varios fármacos diferentes, o diferentes niveles de dosis, en lugar de simplemente elegir entre un tratamiento y un placebo. Los métodos anteriores para manejar estas múltiples opciones bajo incertidumbre se limitaban a escenarios sencillos de sí o no. El nuevo marco desarrollado por Johannes Hruza y sus colegas cierra esta brecha, creando un sistema que puede aprender la mejor regla de decisión cuando se enfrenta a múltiples tratamientos categóricos, resultados y variables instrumentales. Su trabajo proporciona una forma de encontrar la política más segura y eficaz incluso cuando hay factores ocultos en juego y el número de opciones es elevado.

El desafío central que abordaron los investigadores es cómo elegir la mejor opción cuando no se puede estar seguro de cuál es realmente la mejor. Imagine a un médico analizando los datos de un paciente y viendo que el Tratamiento A podría ser muy bueno, pero también podría ser mediocre, mientras que el Tratante B podría ser terrible, pero también excelente. Sin conocer los factores ocultos, el médico no puede estar seguro. Los investigadores adoptaron una estrategia cautelosa llamada enfoque "minimax". Esto significa que buscan la decisión que minimice el peor error posible. En lugar de esperar el mejor resultado, se preguntan: "Si elijo este tratamiento, ¿cuánto es lo máximo que podría estar dejando de ganar en comparación con la mejor alternativa?". Luego eligen el camino que mantiene esta pérdida potencial lo más pequeña posible. Esto asegura que, incluso en el peor de los casos, la decisión sea lo más cercana al óptimo según la información disponible.

Para que esto funcione para muchos tratamientos a la vez, el equipo tuvo que resolver un problema geométrico difícil. Los métodos estándar para comparar múltiples opciones suelen tratar cada elección como una batalla separada contra todas las demás, lo que puede conducir a resultados confusos y contradictorios. Los investigadores, en cambio, mapearon todas las opciones de tratamiento en las esquinas de una forma equilibrada y de múltiples lados en un espacio matemático. Esta forma, conocida como simplex, trata cada opción con perfecta simetría, asegurando que ninguna elección sea favorecida por la geometría de las matemáticas en sí misma. Luego entrenaron un modelo computacional para aprender cómo apuntar hacia la mejor esquina de esta forma basándose en las características del paciente. Al convertir el problema en una búsqueda suave y continua de la dirección correcta, permitieron que potentes herramientas de optimización encontraran la mejor política, a pesar de que la lógica subyacente se basaba en escenarios de peor caso.

Los investigadores probaron su nuevo método mediante una serie de rigurosas simulaciones por computadora. Crearon mundos virtuales donde conocían las respuestas reales, lo que les permitió ver qué tan bien funcionaban las nuevas reglas en comparación con los métodos existentes. En estas pruebas, variaron la fuerza de los factores de confusión ocultos, el poder de la variable instrumental y el número de opciones de tratamiento disponibles. Los resultados mostraron que, cuando los factores ocultos eran fuertes y engañosos, los métodos tradicionales que asumían la ausencia de factores ocultos fallaban drásticamente, recomendando a menudo el tratamiento equivocado. En contraste, el nuevo método de identificación parcial se mantuvo estable y fiable. No prometía encontrar la respuesta absolutamente perfecta, pero encontraba consistentemente una política que era mucho más segura y cercana a la verdad que las alternativas cuando la incertidumbre era alta.

Sin embargo, las simulaciones también revelaron un límite claro de lo que este método puede lograr. La calidad de la decisión depende en gran medida de cuánta información proporciona la variable instrumental. Cuando los investigadores utilizaron un instrumento fuerte que proporcionaba señales claras, el nuevo método funcionó excepcionalmente bien, estrechando la brecha entre la elección segura y la elección perfecta. Pero cuando el instrumento era débil, o cuando el número de opciones de tratamiento excedía el número de niveles que el instrumento podía distinguir, la zona de seguridad se volvía demasiado amplia para ser útil. En estos casos, el método se volvió excesivamente conservador, incapaz de distinguir entre las opciones porque los datos simplemente no contenían suficiente palanca para separarlas. Este hallazgo resalta una verdad fundamental: ningún tipo de matemática ingeniosa puede superar la falta de información.

El trabajo representa un avance significativo en el campo de la toma de decisiones personalizada. Al extender la identificación parcial a múltiples opciones, los investigadores han proporcionado una herramienta que se adapta mejor a la realidad desordenada y de múltiples opciones de la vida clínica y económica. Han demostrado que es posible aprender políticas robustas sin hacer supuestos poco realistas sobre los factores ocultos. Si bien el método no es una solución mágica que resuelve todos los problemas, y aunque depende de la validez del modelo causal subyacente, ofrece una forma fundamentada de navegar la incertidumbre. Para los médicos y responsables de políticas que enfrentan decisiones complejas con datos incompletos, este marco ofrece una forma de proceder con confianza, sabiendo que sus decisiones están protegidas contra los peores escenarios que los factores de confusión ocultos podrían crear.

Resumen Técnico: Aprendizaje de Identificación Parcial con Tratamientos Categóricos para Reglas de Tratamiento Individualizadas

1. Planteamiento del Problema

El artículo aborda el desafío de aprender Reglas de Tratamiento Individualizadas (ITR) en entornos donde existe confusión no medida y donde el tratamiento, el resultado y las variables instrumentales (IV) son categóricos (multiclase).

La optimización estándar de ITR depende del supuesto de "ausencia de confusión no medida" para la identificación puntual de los resultados potenciales condicionales, $\mu_a(x) = E[Y(a) | X=x]$ . Cuando este supuesto se viola (por ejemplo, debido al incumplimiento en ensayos clínicos o factores no observados en estudios observacionales), los estimadores estándar resultan sesgados. Si bien las Variables Instrumentales (IV) pueden mitigar esto, los enfoques tradicionales de IV suelen requerir supuestos estructurales fuertes (por ejemplo, monotonicidad) para lograr la identificación puntual, los cuales pueden ser difíciles de probar o implausibles.

Los métodos de identificación parcial existentes para ITR, como los de Pu y Zhang [24], se limitan en gran medida a entornos de tratamiento binario. Este artículo identifica una brecha en la extensión de estos marcos de identificación parcial robustos a tratamientos multicategóricos (por ejemplo, elegir entre múltiples fármacos o niveles de dosificación), donde el espacio de decisión es inherentemente más complejo y las extensiones binarias estándar (como One-vs-Rest) introducen inconsistencias geométricas.

2. Metodología

El marco propuesto, Aprendizaje de Identificación Parcial Categórica, consta de tres componentes principales:

A. Límites de Identificación Parcial

En lugar de intentar la identificación puntual de $\mu_a(x)$ , el marco caracteriza una región factible para la media condicional utilizando límites inferiores y superiores, $L_a(x)$ y $U_a(x)$ , derivados de los datos observados y un modelo causal (por ejemplo, un Grafo Acíclico Dirigido). Estos límites satisfacen:
$L_a(x) \leq \mu_a(x) \leq U_a(x)$
El artículo utiliza el paquete causaloptim (Sachs et al. [26]) para derivar límites simbólicos agudos para tratamientos categóricos e IV bajo estructuras causales generales, traduciendo las restricciones del Modelo de Ecuaciones Estructurales No Paramétricas (NPSEM) en un problema de optimización lineal.

B. Criterio de Decisión Minimax

Para seleccionar un tratamiento bajo incertidumbre, los autores adoptan un criterio de Oportunista (Minimax). En lugar de maximizar el mejor escenario (Optimista) o el límite inferior del peor caso (Pesimista), el objetivo es minimizar la pérdida máxima posible relativa al tratamiento óptimo desconocido.

Para una acción elegida $a$ , la peor pérdida se define como:
$L(x, a) := \max_{b \in A \setminus \{a\}} U_b(x) - L_a(x)$
Esto cuantifica el arrepentimiento máximo si se elige la acción $a$ mientras que la verdadera acción óptima es $b$ . El objetivo es encontrar una política $g$ que minimice el riesgo de peor caso esperado $R(g) = E[L(X, g(X))]$ .

C. Embebimiento de Multicategoría Simétrica y Pérdida Sustituta

La minimización directa del riesgo de peor caso empírico es computacionalmente intratable debido a la discontinuidad del operador $\max$ y la naturaleza discreta del espacio de acciones. Para superar esto, el artículo introduce:

Embebimiento en un Símplex: Los tratamientos categóricos se mapean a los vértices de un símplex regular en $\mathbb{R}^{k-1}$ . Esta representación simétrica evita las redundancias geométricas y ambigüedades de los enfoques One-vs-Rest. Una política es inducida por una función $f: \mathcal{X} \to \mathbb{R}^{k-1}$ que mapea las covariables a este espacio latente, seleccionando el tratamiento $a$ que maximiza el producto interno $\langle w_a, f(x) \rangle$ , donde $w_a$ es el vector del vértice para el tratamiento $a$ .
Riesgo Sustituto Ponderado: Se construye una pérdida sustituta diferenciable utilizando un esquema de ponderación softmax. El riesgo sustituto se define como:
$\hat{R}_s(f) = \frac{1}{N} \sum_{i=1}^N \sum_{a=1}^k p_a(X_i, f) \hat{L}(X_i, a) + \lambda \Omega(f)$
donde $p_a(X, f)$ es un peso softmax basado en la alineación entre $f(X)$ y el vector de tratamiento $w_a$ . Esto permite el uso de optimización basada en gradientes (por ejemplo, L-BFGS o Descenso de Gradiente Estocástico).
Implementación: El marco soporta dos implementaciones:
- Kernelizada: Utilizando Espacios de Hilbert de Núcleo Reproductor (RKHS) con el Teorema del Representante para garantías teóricas.
- Red Neuronal: Utilizando Perceptrones Multicapa (MLP) para escalabilidad a grandes conjuntos de datos.

3. Contribuciones Clave

Extensión a Tratamientos Categóricos: El artículo generaliza el aprendizaje de identificación parcial de entornos binarios a entornos de tratamientos multicategóricos finitos, una brecha significativa en la literatura existente.
Embebimiento Geométricamente Consistente: Introduce una estrategia de embebimiento basada en un símplex que trata todas las opciones de tratamiento de manera simétrica, resolviendo las inconsistencias geométricas encontradas en las extensiones estándar de clasificación multiclase para ITR.
Optimización Diferenciable: La derivación de una función de riesgo sustituta suave y ponderada permite el uso de métodos de optimización eficientes basados en gradientes para el aprendizaje de ITR bajo identificación parcial, superando las limitaciones de las pérdidas basadas en indicadores.
Garantías Teóricas: Los autores proporcionan tasas de convergencia de muestra finita mediante una desigualdad de oráculo. Demuestran que la minimización del riesgo sustituto converge a la política minimax y establecen las condiciones bajo las cuales se controlan el error de estimación de los límites y el error de aprendizaje.
Validación Empírica: A través de extensas simulaciones, el artículo demuestra que los métodos propuestos (Kernelizado y Neuronal) producen ITR significativamente más cercanos al ITR de oráculo que las alternativas existentes (regresión de resultados, MOML) en presencia de confusión no medida.

4. Resultados Experimentales

Los autores realizaron cuatro estudios de simulación variando el tamaño de la muestra, la fuerza de la confusión, la fuerza de la IV y el número de tratamientos ( $k$ ):

Robustez a la Confusión: En presencia de confusión no medida, los métodos estándar de regresión de resultados (Árbol, Neuronal) y los métodos de identificación puntual (MOML) se degradan rápidamente a medida que aumenta la fuerza de la confusión. En contraste, los métodos de identificación parcial propuestos se mantienen estables y superiores, permaneciendo cerca del límite minimax teórico.
Fuerza del Instrumento: El rendimiento de los métodos propuestos está positivamente correlacionado con la fuerza de la IV. Instrumentos más fuertes estrechan los límites de identificación, reduciendo la brecha entre la política minimax y la política de oráculo.
Escalabilidad y Límites Estructurales: Los métodos funcionan bien cuando el número de tratamientos $k$ es menor o igual al número de niveles del instrumento $|Z|$ . Sin embargo, cuando $k > |Z|$ , el rendimiento se degrada drásticamente. Los autores atribuyen esto a una limitación estructural: un instrumento con $|Z|$ niveles no puede inducir suficientes distribuciones de tratamiento condicionales distintas para acotar estrechamente $k > |Z|$ resultados potenciales simultáneamente.
Convergencia: En ausencia de confusión, los métodos propuestos convergen a la regla minimax (que es subóptima en comparación con el oráculo en este caso específico), mientras que la regresión de resultados converge al oráculo. Esto confirma que el marco apunta correctamente al objetivo minimax.

5. Significación y Reivindicaciones

El artículo afirma proporcionar un marco robusto para la toma de decisiones bajo incertidumbre cuando no se pueden justificar supuestos causales fuertes. Al aprovechar los límites de identificación parcial y una estrategia de embebimiento simétrica, permite el aprendizaje de reglas de tratamiento óptimas para elecciones multicategóricas ante la confusión no medida.

Los autores enfatizan que la efectividad del marco depende de la informatividad de los límites. Instrumentos más fuertes conducen a límites más estrechos y un mejor rendimiento, mientras que instrumentos débiles o escenarios donde el número de tratamientos excede la cardinalidad del instrumento conducen a límites más amplios y decisiones más conservadoras (potencialmente menos precisas).

El trabajo se presenta como una extensión fundamental del aprendizaje de identificación parcial, yendo más allá de los entornos binarios para abordar las complejidades del mundo real en problemas de decisión biomédicos y econométricos. Los autores señalan que, aunque el enfoque actual es sobre variables categóricas, el marco podría extenderse a tratamientos y resultados ordinales o continuos en trabajos futuros.