Robust Causal Inference for EHR-based Studies of Point Exposures with Missingness in Eligibility Criteria

Sintesi Tecnica: Inferenza Causale Robusta per Studi Basati su Cartelle Cliniche Elettroniche (EHR) su Esposizioni Puntuali con Dati Mancanti nei Criteri di Idoneità

Enunciato del Problema
Le banche dati di cartelle cliniche elettroniche (EHR) offrono un'alternativa preziosa ai trial clinici randomizzati per la ricerca osservazionale. Tuttavia, a differenza degli studi prospettici in cui l'idoneità è sottoposta a un rigoroso screening, i dati EHR contengono spesso valori mancanti per le variabili che definiscono l'idoneità allo studio (ad esempio, BMI, livelli di A1c, storia farmacologica). La pratica standard prevede l'esclusione dei pazienti con dati di idoneità incompleti, il che introduce un bias di selezione se i dati mancanti non sono completamente casuali (MCAR). Al contrario, i ricercatori tentano spesso di mitigare questo problema estendendo le "finestre di retrospettiva" per reperire dati più vecchi, una strategia che rischia di includere in modo inappropriato pazienti che non erano idonei al basale dello studio (ad esempio, pazienti il cui stato di diabete era sconosciuto al momento dell'intervento chirurgico ma che viene inferito da registri obsoleti).

I metodi esistenti per gestire l'idoneità mancante, come l'imputazione multipla o la ponderazione per probabilità inversa (IPW), richiedono spesso la specifica corretta di tutti i modelli componenti (esito, trattamento, mancanza e imputazione) per produrre stime coerenti. Inoltre, questi metodi spesso faticano quando combinati con tecniche flessibili di apprendimento automatico (ML), che tipicamente soffrono di tassi di convergenza lenti che invalidano l'inferenza asintotica.

Metodologia
Gli autori propongono un quadro per stimare l'Effetto Medio del Trattamento sui Trattati tra gli Idonei allo Studio (ATTE), indicato come $\theta_{ATT}^{elig} = E[Y(1) - Y(0) \mid A=1, E=1]$. L'approccio si basa sulla teoria semiparametrica per sviluppare stimatori robusti alla specificazione errata del modello e compatibili con i moderni metodi di apprendimento automatico.

1. Assunzioni e Identificazione:

   • Il metodo assume Coerenza, Positività e Nessuna Confusione Non Misurata all'interno della popolazione idonea.
   • Crucialmente, assume Mancanza Casuale (MAR) per le covariate che definiscono l'idoneità ($L_m$), condizionata dalle covariate completamente osservate ($L^*$) e dal trattamento ($A$). Nello specifico, l'indicatore per i dati di idoneità completi ($R$) è indipendente dall'esito ($Y$) e dalle covariate mancanti ($L_m$) date $L^*$ e $A$.
   • Gli autori derivano una nuova fattorizzazione della verosimiglianza dei dati osservati che separa il meccanismo di trattamento, il meccanismo di accertamento ($\eta$), la distribuzione delle covariate mancanti ($\lambda$) e il modello di esito ($\mu$).

2. Stimatori:
   Il lavoro introduce due stimatori principali basati sulle funzioni di influenza efficienti (EIF):

   • $\hat{\theta}_{EIF}$ (Stimatore della Funzione di Influenza Efficiente): Questo stimatore mira al limite di efficienza semiparametrica. Utilizza un complesso insieme di funzioni di disturbo "annidate" (ad esempio, $\xi, \gamma, \chi$) che tengono conto dell'incertezza nello stato di idoneità marginalizzando sulle covariate mancanti. Richiede la stima di molteplici funzioni componenti ($\mu, u, \eta, \varepsilon$, ecc.) utilizzando metodi ML flessibili (ad esempio, SuperLearner). I risultati teorici mostrano che se il prodotto degli errori di stima di queste funzioni di disturbo converge a un tasso di $o_P(n^{-1/2})$, lo stimatore è $\sqrt{n}$-coerente e asintoticamente normale.
   • $\hat{\theta}_{IF}$ (Stimatore della Funzione di Influenza): Un'alternativa computazionalmente più semplice che evita alcune delle funzioni di disturbo profondamente annidate richieste da $\hat{\theta}_{EIF}$. Sebbene possa non raggiungere il limite di efficienza semiparametrica, offre un compromesso tra complessità computazionale e riduzione del bias.
   • Comparatori di Base: Gli autori valutano anche uno stimatore su Casi Completi (CC) e uno stimatore di Regressione dell'Esito con Ponderazione Inversa (IWOR) per dimostrare la necessità del loro approccio proposto.

3. Implementazione:
   La procedura di stima impiega la divisione del campione (cross-fitting) per garantire un'inferenza valida quando si utilizzano algoritmi ML non parametrici. Ciò previene l'overfitting e permette agli stimatori di raggiungere i tassi di convergenza richiesti anche quando le funzioni di disturbo sono stimate tramite algoritmi complessi come foreste casuali o modelli additivi generalizzati.

Contributi Chiave

• Quadro Formale per l'Idoneità Mancante: Il lavoro fornisce il primo quadro rigoroso di inferenza causale che affronta specificamente il bias di selezione derivante da criteri di idoneità mancanti negli studi EHR, distinguendolo dai problemi standard di dati mancanti.
• Robustezza ed Efficienza: Gli stimatori proposti sono "multi-robusti", il che significa che rimangono coerenti se varie combinazioni di modelli di disturbo sono specificate correttamente. Mantengono inoltre un'inferenza asintotica valida quando si utilizzano metodi ML flessibili, superando i problemi di convergenza lenta che tipicamente affliggono tali approcci.
• Nuova Fattorizzazione: La derivazione di una specifica fattorizzazione della verosimiglianza che facilita l'identificazione dell'ATTE senza condizionare su strati di idoneità non osservati.

Applicazione e Risultati
La metodologia è stata applicata a una coorte di 14.809 pazienti dello studio Kaiser Permanente DURABLE sottoposti a chirurgia bariatrica (bypass gastrico Roux-en-Y [RYGB] vs. gastrectomia a manica [SG]) tra il 2008 e il 2011. Lo studio valuta la variazione ponderale a lungo termine e la remissione del Diabete di Tipo 2 (T2DM).

• Sensibilità all'Operazionalizzazione: Gli autori hanno analizzato 40 diverse operazionalizzazioni dei criteri di idoneità (variando le finestre di retrospettiva per BMI e T2DM).
• Bias negli Approcci Standard: Lo stimatore su Casi Completi (CC) ha mostrato un bias significativo (che va dal -7,1% al -6,2% per la variazione ponderale e dal 3,7% all'8,2% per la remissione), suggerendo che l'esclusione dei pazienti con dati di idoneità mancanti sovrastima sistematicamente l'effetto del trattamento.
• Prestazioni degli Stimatori Proposti: Gli stimatori proposti basati sulla funzione di influenza ($\hat{\theta}_{EIF}$ e $\hat{\theta}_{IF}$) hanno attenuato questi effetti verso il nullo.
  • Per la variazione ponderale, $\hat{\theta}_{EIF}$ ha ancora indicato un beneficio del RYGB rispetto al SG, sebbene l'entità fosse ridotta in media del 19,5% rispetto allo stimatore CC.
  • Per la remissione del T2DM, i risultati sono stati più sfumati. Mentre lo stimatore CC suggeriva un vantaggio sostanziale per il RYGB, gli stimatori robusti hanno mostrato un effetto molto più piccolo (intervallo 0,1% - 7,4%), con intervalli di confidenza che includevano spesso lo zero. Ciò suggerisce che il vantaggio apparente del RYGB per la remissione negli studi precedenti potrebbe essere stato guidato da un bias di selezione.
• Analisi di Sensibilità: Un'analisi del punto di svolta ha dimostrato che la conclusione riguardo ai benefici di perdita di peso per il RYGB è robusta alle violazioni dell'assunzione MAR, richiedendo differenze implausibilmente grandi nelle probabilità di mancata osservazione per sovvertire i risultati. Tuttavia, i risultati sulla remissione del T2DM sono stati più sensibili a tali violazioni.

Significato e Affermazioni
Gli autori affermano che il loro lavoro affronta una fonte critica e spesso trascurata di bias nella ricerca basata su EHR. Dimostrando che le strategie standard di esclusione possono portare a stime gonfiate degli effetti del trattamento, il lavoro sostiene l'adozione di metodi semiparametrici e robusti.

Lo studio conclude che, sebbene il RYGB offra probabilmente una perdita di peso a lungo termine superiore rispetto al SG, l'evidenza di un tasso di remissione del T2DM superiore è meno definitiva rispetto a quanto suggerito in precedenza da studi che utilizzavano analisi su casi completi. Gli autori suggeriscono che questa base di prove robuste supporta le attuali linee guida cliniche e si oppone alla necessità di nuovi trial randomizzati su larga scala per questi specifici esiti, poiché potrebbe non esistere un'equipoise clinica sufficiente. Il lavoro fornisce un toolkit pratico per i ricercatori per gestire i dati di idoneità mancanti senza ricorrere a esclusioni arbitrarie o strategie di retrospettiva potenzialmente biasate.