A proxy-based approach for unmeasured confounding in electronic health records research

1. Il Problema: Confondimento Non Misurato negli EHR

I Dati Sanitari Elettronici (EHR) sono una risorsa fondamentale per la ricerca clinica e il miglioramento delle decisioni terapeutiche. Tuttavia, soffrono di un problema persistente: il confondimento non misurato (unmeasured confounding).

• Le variabili confondenti non osservate (es. gravità sottostante della malattia, bisogni di monitoraggio non registrati) possono distorcere le stime dell'effetto del trattamento.
• Metodi tradizionali come gli esperimenti naturali o le variabili strumentali (IV) richiedono condizioni spesso non soddisfattibili nella pratica reale.
• Le variabili proxy (misurazioni indirette dello stato di salute, come i segni vitali) sono ampiamente disponibili negli EHR, ma i metodi basati su di esse sono raramente utilizzati. Spesso vengono trattate erroneamente come semplici covariate misurate, il che può amplificare il bias invece di ridurlo (come dimostrato da studi precedenti).
• Approcci avanzati come l'Inferenza Causale Prossimale (PCI) richiedono la risoluzione di equazioni integrali complesse e mal poste, rendendoli difficili da implementare e poco accessibili.

2. Metodologia Proposta

Gli autori introducono un nuovo approccio pratico che utilizza un vettore di variabili proxy per costruire covariate che catturano aspetti del confondente non misurato ($U$), integrandole poi in un modello di regressione.

Quadro Causale e Identificazione

Il metodo si basa su un Modello Strutturale Non Parametrico (NPSEM) che definisce le relazioni tra:

• $X$: Confondenti misurati.
• $U$: Confondenti non misurati (latenti).
• $Z$: Variabili proxy (es. segni vitali) che riflettono $U$.
• $A$: Trattamento.
• $Y$: Esito.

La strategia di identificazione si articola in due passaggi principali, basati su due assunzioni chiave:

1. Recupero delle funzioni di U: Esiste una funzione $g(U, X)$ il cui valore atteso condizionato alle variabili osservate ($Z, A, X$) è identificabile. In pratica, le proxy contengono informazioni sufficienti per ricostruire aspetti di $U$.
2. Separabilità: L'effetto causale atteso $E[Y(a)|U, X]$ può essere espresso come una combinazione lineare di $g(U, X)$.

Implementazione Pratica: Analisi Fattoriale + Regressione

Per rendere il metodo applicabile, gli autori propongono una specifica implementazione parametrica:

1. Modello MIMIC (Multiple Indicators Multiple Causes): Viene utilizzato un modello di analisi fattoriale esteso per stimare la distribuzione latente di $U$ data la matrice di proxy $Z$ e le covariate $X$. Si assume che $Z$ sia una misura rumorosa di $U$.
2. Stima dei Valori Attesi: Una volta stimato il modello fattoriale, si calcolano i valori attesi condizionati $\hat{E}[U|Z, A, X]$ e $\hat{E}[Z, X]$ per ogni paziente.
3. Regressione Finale: Si esegue una regressione lineare dell'esito $Y$ sui trattamenti $A$, le covariate $X$ e le stime delle variabili latenti $\hat{E}[U|Z, A, X]$.
4. Calcolo dell'ATE/CATE: L'effetto medio del trattamento (ATE) o l'effetto condizionato (CATE) viene derivato dai coefficienti stimati del modello di regressione, correggendo per il confondimento latente.

3. Contributi Chiave

• Semplificazione dell'uso delle Proxy: A differenza della PCI che richiede coppie specifiche di "Negative Control Exposure" (NCE) e "Negative Control Outcome" (NCO) e la risoluzione di equazioni complesse, questo metodo tratta un vettore di proxy come indicatori di un fattore latente comune, utilizzando strumenti statistici familiari (analisi fattoriale e regressione).
• Robustezza alla Specificazione del Modello: Il metodo è progettato per essere robusto anche quando le assunzioni non sono perfettamente soddisfatte (es. relazioni non lineari, distribuzioni non normali).
• Flessibilità Strutturale: Il metodo rimane valido anche se la struttura causale esatta tra proxy e confondenti non è nota (es. se una proxy influenza direttamente il trattamento o viceversa), purché soddisfi certe condizioni di indipendenza condizionale.

4. Risultati delle Simulazioni

Gli autori hanno valutato il metodo su dati simulati confrontandolo con IPW (Inverse Probability Weighting), modelli lineari standard, IV e PCI.

• Accuratezza: Il metodo proposto mostra una precisione superiore rispetto a IPW e ai modelli lineari standard, specialmente con piccoli campioni e rapporti proxy/latenti ($p/k$) bassi. Con un rapporto $p/k \geq 2$, supera tutti i metodi di confronto tranne la PCI (che però ha una varianza più alta).
• Robustezza alla Misspecificazione:
  • Relazioni Non Lineari: Anche quando il vero modello di generazione dei dati è quadratico in $U$ ma il modello stimato è lineare, il metodo proposto rimane quasi non distorto, a differenza degli altri.
  • Distribuzioni Non Normali: Funziona bene anche quando il confondente latente segue una distribuzione skew-normal invece che normale.
  • Trattamenti Binari: Mantiene buone prestazioni anche quando il trattamento è binario ma modellato come continuo.
• Violazioni Strutturali: Se una proxy viene trattata erroneamente come un confondente diretto o una variabile strumentale, il metodo subisce un certo bias, ma mantiene comunque il segno corretto e l'ordine di grandezza dell'effetto, risultando comunque più robusto di molti approcci standard in scenari di errore di specificazione.

5. Caso di Studio: Ricovero in Pronto Soccorso

Il metodo è stato applicato a dati reali del database MIMIC-IV per valutare l'effetto del ricovero ospedaliero (vs. dimissione) su pazienti anziani (65+ anni) con dolore toracico.

• Contesto: Il dolore toracico negli anziani è un sintomo aspecifico; il ricovero comporta rischi (infezioni, decondizionamento), ma la dimissione potrebbe essere pericolosa se la condizione è grave.
• Risultati:
  • I metodi standard (regressione non aggiustata, IPW, modelli lineari) e la PCI hanno stimato un effetto positivo (aumento del rischio di riammissione a 30 giorni per i ricoverati), con stime che variavano da 0.044 a 0.648.
  • Il metodo proposto ha stimato un effetto negativo ($-0.021$), suggerendo che il ricovero potrebbe ridurre il rischio di riammissione.
• Interpretazione: Questo risultato negativo è più coerente con la letteratura clinica e le aspettative, indicando che i metodi tradizionali potrebbero essere distorti da un confondimento non misurato (es. i pazienti più gravi vengono ricoverati, e la loro gravità è la causa della riammissione, non il ricovero stesso). Il metodo proposto riesce a correggere meglio questo bias.

6. Significato e Conclusioni

Questo lavoro fornisce una soluzione pratica e accessibile per affrontare il confondimento non misurato negli studi osservazionali sugli EHR.

• Impatto Clinico: Dimostra che l'uso corretto delle proxy può cambiare radicalmente le conclusioni cliniche, portando a raccomandazioni più sicure e basate su evidenze più solide.
• Accessibilità: Utilizzando l'analisi fattoriale (disponibile in pacchetti R come lavaan), il metodo abbassa la barriera all'ingresso per i ricercatori che non hanno competenze avanzate in equazioni integrali complesse.
• Limitazioni: Il metodo richiede che le proxy siano sufficientemente informative e che il modello fattoriale sia specificato correttamente. Inoltre, la stima degli intervalli di confidenza tramite bootstrap può essere conservativa.

In sintesi, gli autori dimostrano che trasformare le proxy in covariate latenti attraverso l'analisi fattoriale è una strategia potente, robusta e pronta per l'uso per migliorare la validità causale della ricerca sanitaria basata su dati reali.