Effects conditional on post-treatment events generated by independent mechanisms

1. Il Problema

Nello studio causale, sia negli studi osservazionali che negli studi randomizzati (RCT), è frequente dover affrontare eventi post-trattamento come l'abbandono dello studio (dropout), la non aderenza al trattamento o la morte (truncation by death).
Spesso i ricercatori condizionano l'analisi su queste variabili post-trattamento per isolare l'effetto diretto del trattamento sull'esito. Tuttavia, questa pratica introduce un bias di stratificazione del collidore (collider stratification bias). Anche in un RCT, se la variabile post-trattamento ($D$) è influenzata dal trattamento ($A$) e condivide cause comuni non misurate ($U$) con l'esito ($Y$), condizionare su $D$ apre un percorso non causale tra $A$ e $Y$, rendendo le stime prive di interpretazione causale.

I metodi esistenti per correggere questo problema (come gli effetti mediatori o gli effetti separabili condizionati) richiedono tipicamente la misurazione delle cause comuni $U$ o di variabili proxy, il che è spesso impossibile nella pratica.

2. Metodologia e Ipotesi

Gli autori propongono un nuovo quadro identificativo basato sull'assunzione che il trattamento e le altre cause dell'esito generino l'evento post-trattamento attraverso meccanismi indipendenti.

Il modello causale si basa su un grafo aciclico diretto (DAG) e su un modello FFRCISTG (Finest Fully Randomized Causally Interpreted Structured Tree Graph). Le ipotesi chiave sono:

1. Meccanismo Indipendente (Assunzioni 1 e 3): Esiste un sottotipo specifico dell'evento post-trattamento, indicato come $D_A$, che è causato esclusivamente dal trattamento $A$ (es. un effetto collaterale acuto specifico) ed è indipendente da tutte le altre cause di $D$ o $Y$ (rappresentate da $U$).
   • Formalmente, $D_A$ media completamente l'effetto di $A$ su $D$.
   • $D_A$ è indipendente da $U$ e da altre cause di $D$.
   • Se $D_A=1$, allora $D=1$ (determinismo).
2. Modello di Sopravvivenza Moltiplicativo: Le ipotesi sopra implicano che la probabilità di "sopravvivenza" ($D=0$) segue un modello moltiplicativo:
   $$Pr(D^{a'} = 0 | U=u) = Pr(D=0 | U=u, D_A=0) \times Pr(D_A=0 | A=a')$$
   Questo significa che non c'è interazione tra il trattamento $A$ e le cause non misurate $U$ nel determinare l'evento $D$.
3. Decomposizione del Trattamento (Assunzioni 4 e 5): Il trattamento $A$ può essere concettualmente scomposto in due componenti:
   • $A_D$: componente che influenza solo l'evento post-trattamento (es. il rischio di morte per anestesia).
   • $A_Y$: componente che influenza direttamente l'esito $Y$ (es. l'effetto estetico della chirurgia).
     Si ipotizza un esperimento ipotetico a quattro bracci in cui queste componenti sono randomizzate indipendentemente.

3. Risultati Principali e Identificazione

Il risultato centrale del paper è la Proposizione 1, che stabilisce che, sotto le ipotesi di meccanismi indipendenti, gli Effetti Separabili Condizionati (Conditional Separable Effects - CSE) sono identificabili senza misurare le cause comuni $U$.

• Definizione di CSE: L'effetto di manipolare la componente $A_Y$ mantenendo fissa la componente $A_D$ a un valore specifico $a'$, tra gli individui che non sperimentano l'evento post-trattamento.
• Risultato di Identificazione:
  $$CSE(a') = E(Y | A=1, D=0) - E(Y | A=0, D=0)$$
  Questo risultato è sorprendente: suggerisce che la semplice associazione osservata tra trattamento ed esito, condizionata solo sugli individui che non hanno subito l'evento ($D=0$), fornisce una stima causale valida, anche in presenza di confondimento non misurato tra $D$ e $Y$.
• Meccanismo: L'indipendenza dei meccanismi garantisce che condizionare su $D=0$ blocchi il percorso di bias del collidore. In particolare, condizionare su $D=0$ implica implicitamente che $D_A=0$, chiudendo il percorso non causale tra $A$ e $Y$ che sarebbe altrimenti aperto.

Il paper estende inoltre questo risultato all'Effetto Causale Medio sui Sopravvissuti (Survivor Average Causal Effect - SACE), mostrando che, con l'aggiunta di un'ipotesi di monotonicità e indipendenza cross-world, anche il SACE è identificato dalla stessa funzione.

4. Applicazioni ed Esempi

Gli autori illustrano l'applicabilità del metodo in tre scenari:

1. Eventi di Troncamento (Chirurgia Plastica): In un RCT dove la chirurgia aumenta il rischio di morte intraoperatoria ($D_A$) ma l'obiettivo è valutare la qualità della vita ($Y$). Se la morte intraoperatoria è indipendente dalle condizioni di base che influenzano la qualità della vita, la differenza nella qualità della vita tra i sopravvissuti dei due bracci stima l'effetto della chirurgia senza il rischio di morte.
2. Paradosso del Peso alla Nascita: Il paper offre una spiegazione causale al paradosso per cui i neonati di madri fumatrici con basso peso alla nascita hanno una mortalità inferiore rispetto ai neonati di madri non fumatrici con basso peso. Se il basso peso dovuto al fumo ($D_A$) è un meccanismo indipendente da altre cause di mortalità, l'associazione osservata tra fumo e mortalità nei neonati di peso normale ($D=0$) può essere interpretata causalmente.
3. Aderenza Differenziale (Smettere di fumare): In un trial che confronta sigarette elettroniche e cerotti alla nicotina, l'aderenza ($D$) è influenzata da effetti collaterali specifici del prodotto ($D_A$). Se gli effetti collaterali che causano l'interruzione sono indipendenti da altre cause di astinenza, l'effetto del trattamento tra gli aderenti stima l'effetto di un trattamento privo di quegli specifici effetti collaterali.

5. Significato e Contributi

• Riduzione dei Requisiti di Dati: Il contributo più significativo è dimostrare che non è sempre necessario misurare i confonditori comuni ($U$) per identificare effetti causali condizionati su eventi post-trattamento, a patto che sussista l'indipendenza dei meccanismi.
• Validazione di Stime Condizionate: Fornisce una giustificazione teorica rigorosa per l'uso di analisi condizionate su sopravvissuti o aderenti in contesti specifici, trasformando una stima spesso considerata "naive" in una stima causale valida.
• Connessione con la Teoria Causale: Collega i modelli di sopravvivenza moltiplicativi, i modelli di causa sufficiente-componente e l'analisi degli effetti separabili, offrendo un quadro unificato per gestire eventi intercorrenti.
• Implicazioni per la Pratica Clinica: Permette di rispondere a domande di politica sanitaria più raffinate (es. "Qual è l'effetto del trattamento se rimuoviamo il rischio specifico di morte intraoperatoria?") senza bisogno di nuovi dati osservazionali complessi.

In sintesi, il paper dimostra che in presenza di "meccanismi indipendenti", il bias di collidore può essere evitato strutturalmente, permettendo l'identificazione di effetti causali rilevanti anche in presenza di confondimento non misurato.