Robust estimation of heterogeneous treatment effects in randomized trials leveraging external data

1. Il Problema

I saggi randomizzati controllati (RCT) sono il gold standard per la stima degli effetti causali, ma spesso mancano della potenza statistica necessaria per rilevare l'eterogeneità degli effetti del trattamento (HTE) a livello individuale. Mentre gli RCT sono eccellenti per stimare l'effetto medio del trattamento (ATE), la loro dimensione campionaria limitata rende difficile stimare con precisione l'effetto medio del trattamento condizionato (CATE), ovvero come l'effetto varia in base alle caratteristiche individuali (covariate). Questo limita l'utilità degli RCT per la medicina di precisione e il processo decisionale personalizzato.

Una soluzione potenziale è l'integrazione di dati esterni (da altri RCT o studi osservazionali) per aumentare la dimensione del campione. Tuttavia, questo approccio presenta sfide fondamentali:

• Mancanza di allineamento: Le popolazioni sottostanti ai dati esterni e al trial potrebbero non essere allineate.
• Violazione della trasportabilità: L'ipotesi che l'effetto del trattamento sia lo stesso nelle due popolazioni (trasportabilità) potrebbe non essere valida.
• Confondimento non misurato: I dati esterni potrebbero essere soggetti a confondimento non controllato.

L'obiettivo è sfruttare i dati esterni per migliorare la stima del CATE nel trial, garantendo al contempo che, in caso di disallineamento o violazione delle ipotesi, la stima non peggiori rispetto all'uso dei soli dati del trial (robustezza).

2. Metodologia Proposta: Il QR-Learner

Gli autori propongono il QR-learner (Quasi-optimized Randomization-aware learner), un algoritmo model-agnostic che combina dati di trial e dati esterni in due fasi principali, utilizzando un approccio basato su pseudo-outcome.

A. Pseudo-outcome Consapevole della Randomizzazione

Il metodo si basa sulla costruzione di un pseudo-outcome $\psi(O; \eta)$, definito come:
$$\psi(O_i; \eta) = \frac{A_i - e(X_i)}{e(X_i)(1 - e(X_i))} (Y_i - h_{A_i}(X_i)) + h_1(X_i) - h_0(X_i)$$
Dove:

• $e(X)$ è il punteggio di propensione (noto e fissato dal design del trial).
• $h_a(X)$ sono modelli di disturbo (nuisance models) che stimano $E[Y|X, A=a]$.
• $\eta = \{h_1, h_0\}$ sono i parametri di questi modelli.

Il Teorema 1 dimostra che, grazie alla randomizzazione del trial, la minimizzazione del rischio basato su questo pseudo-outcome converge al vero CATE $\tau(x)$ indipendentemente dalla scelta di $\eta$, purché $\eta$ sia stimato su dati indipendenti (tramite cross-fitting).

B. Ottimizzazione Quasi-Ottimale (Fase 1)

Il cuore dell'innovazione del QR-learner risiede nella selezione dei modelli di disturbo $\eta$.

• Invece di stimare $h_a$ solo sui dati del trial (come fa il DR-learner), il QR-learner utilizza sia i dati del trial che quelli esterni per stimare $\eta$.
• L'obiettivo è minimizzare un limite superiore della varianza dell'errore di selezione del modello (Lemma 1).
• Sotto le ipotesi di ignorabilità forte e trasportabilità (Condizioni 3 e 4), il limite superiore può essere espresso utilizzando tutti i dati osservati (Trial + Esterni), permettendo di addestrare modelli di disturbo più precisi sfruttando la grande dimensione campionaria dei dati esterni.
• Questa fase è definita "quasi-ottimale" perché minimizza un limite superiore della varianza piuttosto che la varianza stessa.

C. Stima del CATE (Fase 2)

Nella seconda fase, i pseudo-outcome calcolati con i modelli $\hat{\eta}^*$ ottenuti nella fase 1 vengono regressi sulle covariate utilizzando solo i dati del trial. Questo garantisce che la stima finale del CATE sia robusta e non distorta da eventuali violazioni della trasportabilità nei dati esterni, poiché la regressione finale è ancorata alla randomizzazione del trial.

D. Learner Combinato (Safeguard)

Per mitigare ulteriormente il rischio che i dati esterni disallineati peggiorino le prestazioni in campioni finiti, gli autori propongono un learner combinato:
$$\hat{\tau}(x; \lambda) = \lambda \cdot \hat{\tau}_{QR}(x) + (1 - \lambda) \cdot \hat{\tau}_{DR}(x)$$
Dove $\hat{\tau}_{DR}$ è un learner basato solo sul trial (es. DR-learner). Il peso $\lambda$ viene selezionato tramite cross-validation per minimizzare il rischio empirico. Il Teorema 3 garantisce che, asintoticamente, il learner combinato abbia un errore quadratico medio (MSE) non peggiore del migliore tra i due componenti.

3. Contributi Chiave

1. QR-learner: Un nuovo algoritmo model-agnostic che integra dati esterni per migliorare la selezione dei modelli di disturbo, riducendo l'incertezza nella selezione del modello CATE.
2. Garanzia di Robustezza: Il metodo è teoricamente garantito per recuperare il vero CATE anche se i dati esterni non sono trasportabili o sono confusi, purché la regressione finale avvenga sui dati del trial randomizzato.
3. Strategia Combinata: Un approccio di stacking che combina il QR-learner con un learner basato solo sul trial, garantendo asintoticamente un MSE non peggiore dei singoli componenti.
4. Analisi Empirica: Dimostrazione attraverso simulazioni e dati reali che il metodo riduce l'MSE e aumenta la potenza statistica per rilevare l'eterogeneità, anche in scenari di violazione della trasportabilità.

4. Risultati Sperimentali

Gli autori hanno valutato il metodo su:

• Studi di Simulazione: Confrontando QR-learner e learner combinato con baseline come DR-learner, T-learner, CFACE, R-OSCAR e KSP.
  • Risultato: Il QR-learner e il learner combinato hanno ottenuto l'MSE più basso o vicino al minimo in tutti gli scenari.
  • Robustezza: Quando le ipotesi di trasportabilità e ignorabilità esterna erano violate, le prestazioni del QR-learner rimanevano comparabili a quelle del DR-learner (solo trial), mentre altri metodi (come CFACE o R-OSCAR) mostravano un degrado delle prestazioni o bias significativi.
  • Potenza Statistica: L'uso dei dati esterni ha aumentato la potenza per rilevare effetti modificatori (interazioni) di circa il 10-20% rispetto all'uso dei soli dati del trial.
• Studio di Caso (Dataset STAR): Analisi dei dati del progetto Tennessee STAR (effetti della dimensione della classe).
  • Sono stati confrontati studenti di scuole rurali e urbane (popolazioni con distribuzioni di outcome diverse, violando la trasportabilità).
  • Il learner combinato ha costantemente superato i suoi componenti singoli (DR e QR) e altri metodi concorrenti, specialmente quando la dimensione del campione del trial era piccola.
  • Il QR-learner ha mostrato miglioramenti significativi rispetto al DR-learner in specifici scenari di inversione delle popolazioni, confermando la capacità di sfruttare i dati esterni quando sono allineati.

5. Significato e Implicazioni

Questo lavoro rappresenta un avanzamento significativo nell'analisi dei dati clinici e degli studi osservazionali:

• Personalizzazione: Permette di estrarre informazioni più granulari (CATE) da trial spesso sottodimensionati per l'analisi di sottogruppi, facilitando la medicina di precisione.
• Sicurezza nell'Integrazione Dati: Fornisce un framework matematico che permette di "prendere in prestito" forza dai dati esterni senza il rischio di introdurre bias se le popolazioni non sono perfettamente allineate.
• Flessibilità: Essendo model-agnostic, il metodo può essere integrato con qualsiasi algoritmo di apprendimento supervisionato moderno (es. Gradient Boosting, Reti Neurali) per la stima dei modelli di disturbo e del CATE.

In sintesi, il paper offre una soluzione robusta e teoricamente fondata per superare il limite della potenza statistica nei trial randomizzati, permettendo una migliore caratterizzazione dell'eterogeneità degli effetti del trattamento attraverso l'integrazione intelligente e sicura di dati esterni.