Feasible Dose-Response Curves for Continuous Treatments Under Positivity Violations

1. Il Problema: Violazioni della Positività nelle Interventi Continui

Nell'inferenza causale, l'assunzione di positività (o sovrapposizione) richiede che ogni individuo abbia una probabilità non nulla di ricevere qualsiasi livello di trattamento considerato, all'interno di ogni strato di covariate.

• Contesto: Mentre per i trattamenti binari questo è gestibile, per le interventi continui (es. concentrazioni di farmaci, dosaggi) l'assunzione è molto più difficile da soddisfare. Lo spazio degli interventi è ricco e, in campioni finiti, alcune regioni possono essere scarsamente rappresentate o assenti in specifici strati di covariate.
• Conseguenze: Le violazioni della positività (strutturali o pratiche) portano a:
  • Instabilità nelle stime e alta varianza.
  • Necessità di estrapolazioni rischiose da modelli parametrici o semi-parametrici.
  • Interpretazioni scientifiche fuorvianti se si tenta di stimare effetti per livelli di trattamento che non sono realisticamente raggiungibili per certi sottogruppi di popolazione.
• Limiti delle soluzioni esistenti:
  • Trimming (Potatura): Esclude individui con sovrapposizione scarsa, ma cambia la popolazione target e perde dati preziosi.
  • Metodi basati su pesi (Weighted CDRC): Riformulano il parametro target utilizzando pesi basati sulla densità, ma il risultato può essere difficile da interpretare scientificamente (mischia effetti causali e associativi).
  • Politiche di trattamento modificate (MTP): Spesso mirano a parametri diversi dalla curva dose-risposta originale.

2. Metodologia Proposta

Gli autori propongono un approccio che mantiene il più possibile l'obiettivo scientifico originale (la Curva Dose-Risposta Causale, CDRC) ma la rende identificabile e stabile attraverso una regola di assegnazione adattiva.

A. Diagnosi: Il Rapporto di Non-Sovrapposizione (Non-Overlap Ratio)

Per quantificare la gravità delle violazioni, gli autori introducono una nuova metrica diagnostica:

1. Regioni ad Alta Densità Condizionata (HDR): Per ogni profilo di covariate $L=l$, definiscono un insieme di valori di trattamento $A_\alpha(l)$ che contengono una massa di probabilità $\alpha$ (es. 95%) della distribuzione condizionale del trattamento $f(A|L=l)$. I valori al di fuori di questo insieme sono considerati "non supportati".
2. Rapporto di Non-Sovrapposizione ($\tau_\alpha(a)$): Per un livello di trattamento target $a$, questa metrica calcola la proporzione della popolazione per cui $a$ cade fuori dalla regione di supporto $A_\alpha(L)$. Un valore vicino a 1 indica che il trattamento è praticamente irraggiungibile per la maggior parte degli individui con quel profilo.

B. Il Parametro Target: Curva Dose-Risposta Fattibile (FDRC)

Invece di forzare un trattamento $a$ su tutti (anche se irraggiungibile), gli autori definiscono un intervento fattibile individualizzato:

• Regola di Assegnazione: Per ogni individuo $i$ con covariate $L_i$ e un target di trattamento $a$:
  • Se $a \in A_\alpha(L_i)$ (il target è supportato), l'intervento rimane $a$.
  • Se $a \notin A_\alpha(L_i)$ (il target non è supportato), l'intervento viene mappato al valore più vicino all'interno della regione supportata $A_\alpha(L_i)$.
• Definizione della FDRC: La curva risultante è il valore atteso del potenziale outcome sotto questa regola di assegnazione adattiva.
  • Interpretazione: "Se proviamo a impostare tutti su una concentrazione $a$, ma per alcuni individui questo non è realisticamente ottenibile, quale sarebbe l'esito medio dopo aver spostato quegli individui alla concentrazione più vicina e fattibile?"

C. Stima (Algoritmo Plug-in)

L'approccio utilizza un stimatore g-computation plug-in:

1. Stima della Densità Condizionata: Si stima $f(A|L)$ utilizzando metodi flessibili (parametrici, kernel, o basati su HAL/Hazard-binning).
2. Costruzione delle HDR: Si calcolano le soglie di densità per definire gli insiemi supportati $A_\alpha(l)$ per ogni individuo.
3. Regola di Proiezione: Si applica la mappatura verso il valore fattibile più vicino.
4. Regressione dell'Outcome: Si stima il modello di outcome $E(Y|A, L)$ e si calcola la media sui potenziali outcome sotto la nuova regola di intervento.

3. Contributi Chiave

1. Nuova Diagnosi: Introduzione del Non-Overlap Ratio basato su HDR, che fornisce una misura scalare e specifica per le covariate della gravità delle violazioni di positività per trattamenti continui.
2. Nuovo Stimando (FDRC): Definizione di una curva dose-risposta che preserva l'interpretazione causale originale nelle regioni ben supportate, ma si adatta in modo trasparente e minimamente invasivo nelle regioni non supportate, evitando estrapolazioni arbitrarie.
3. Implementazione Software: Sviluppo e integrazione del metodo nel pacchetto R CICI, rendendo la metodologia accessibile per applicazioni reali.
4. Validazione Empirica: Applicazione a un trial clinico reale (CHAPAS-3) e simulazioni estese.

4. Risultati

Simulazioni

• Scenario 1 (Misspecificazione del modello): In presenza di violazioni di positività e funzioni di outcome non lineari (es. sinusoidali, logaritmiche), lo stimatore standard e quello "trimming" mostrano bias elevati. La FDRC riduce significativamente il bias evitando di forzare stime in regioni prive di dati.
• Scenario 2 (Violazioni di positività): Quando la sovrapposizione è scarsa, la FDRC mantiene una bassa varianza e bias, mentre lo stimatore standard diventa instabile.
• Scenario 3 (Dati complessi ispirati al reale): La FDRC dimostra robustezza anche in scenari con distribuzioni complesse e multiple confondenti, dove le curve standard divergono drasticamente o diventano non identificabili.

Applicazione Reale (Studio CHAPAS-3)

• Contesto: Studio su bambini HIV-positivi in Zambia e Uganda, analisi della relazione tra concentrazione plasmatica di efavirenz e fallimento virale.
• Risultati:
  • Il Non-Overlap Ratio ha identificato chiaramente che concentrazioni molto basse (<1 mg/L) e molto alte (>3.5 mg/L) non erano supportate per un sottogruppo significativo di bambini (a causa di metabolismo genetico e linee guida di dosaggio).
  • La FDRC ha prodotto una curva stabile e interpretabile. Nelle regioni centrali (ben supportate), la FDRC coincideva con la CDRC standard. Alle estremità, la FDRC si è stabilizzata, mostrando l'effetto atteso se i bambini venissero portati alla concentrazione più vicina e raggiungibile, evitando le stime esplosive o instabili della curva standard.

5. Significato e Implicazioni

• Scientificità: Il metodo risponde a una domanda clinica realistica: "Cosa succede se cerchiamo di raggiungere un target, ma dobbiamo adattarci alla realtà fisiologica del paziente?" invece di chiedere "Cosa succederebbe se potessimo forzare un target biologicamente impossibile?".
• Robustezza: Offre un compromesso tra l'identificabilità teorica (che richiede sovrapposizione perfetta) e la stabilità pratica, senza sacrificare l'interpretazione causale come fanno i metodi basati su pesi.
• Utilità Pratica: Permette ai ricercatori di quantificare l'impatto delle limitazioni dei dati (positività) e di fornire stime affidabili anche quando i dati osservati non coprono l'intero spazio degli interventi teorici.

In sintesi, questo lavoro fornisce un framework rigoroso per gestire le violazioni di positività negli studi osservazionali con trattamenti continui, trasformando un limite statistico in un'opportunità per definire interventi più realistici e clinicamente rilevanti.