Riepilogo Tecnico: ConfoundingSHAP

Enunciato del Problema

Nell'inferenza causale osservazionale, l'assegnazione del trattamento è spesso non casuale, portando a differenze sistematiche tra i gruppi trattati e non trattati. Le variabili che influenzano sia l'assegnazione del trattamento che gli esiti sono note come variabili confondenti. Sebbene gli studi clinici randomizzati eliminino questo problema, gli studi osservazionali richiedono ai ricercatori di identificare e aggiustare per le variabili confondenti per stimare accuratamente gli effetti causali (ad esempio, l'Effetto Medio Condizionale del Trattamento, CATE).

Rimane una sfida critica: Quali covariate osservate guidano effettivamente la forza della confondenza?
I metodi di spiegazione esistenti per l'apprendimento automatico causale mirano tipicamente a oggetti diversi:

1. Punteggi di propensione: Spiegare i meccanismi di assegnazione del trattamento.
2. Modelli di esito: Spiegare il rischio prognostico.
3. Stimatori CATE: Spiegare l'eterogeneità dell'effetto del trattamento (modificatori dell'effetto).

Gli autori sostengono che l'applicazione dello SHAP standard (Shapley Additive exPlanations) agli stimatori CATE non è adatta per l'identificazione delle variabili confondenti. Le spiegazioni CATE si concentrano sulla variazione degli effetti del trattamento; se una variabile confondente sposta gli esiti potenziali sia per il gruppo trattato che per quello di controllo in modo simile, il suo contributo si annulla nel CATE ($\tau(x) = \mu_1(x) - \mu_0(x)$), rendendolo invisibile ai metodi standard di importanza delle caratteristiche. Di conseguenza, manca un metodo per quantificare e attribuire specificamente la forza della confondenza osservata alle singole covariate.

Metodologia: ConfoundingSHAP

Il paper introduce ConfoundingSHAP, un metodo basato su Shapley progettato per attribuire la forza della confondenza alle singole covariate. Il metodo opera definendo un gioco cooperativo direttamente su un funzionale di bias di confondenza, piuttosto che su un modello predittivo.

1. Definizione del Funzionale di Bias di Confondenza

Il cuore del metodo è la quantificazione del bias di confondenza residuo ($b_S$) quando si restringe l'insieme di aggiustamento a un sottoinsieme di covariate $S$.

• Contrasto Osservazionale ($\delta_S$): La differenza negli esiti osservati tra le unità trattate e quelle di controllo, condizionata al sottoinsieme $X_S$.
• Contrasto Causale ($\tau_S$): La proiezione del CATE con aggiustamento completo sul sottoinsieme $X_S$ (cioè, $E[\tau(X) | X_S]$).
• Bias Residuo: $b_S(x_S) = \delta_S(x_S) - \tau_S(x_S)$.

Se $S$ contiene tutte le variabili confondenti, $b_S = 0$. Se $S$ è insufficiente, $b_S \neq 0$ (a meno che i bias non si annullino perfettamente).

2. Il Gioco Cooperativo

Gli autori definiscono un gioco cooperativo in cui:

• Giocatori: Le singole covariate.
• Coalizioni: Sottoinsiemi di covariate inclusi nell'insieme di aggiustamento.
• Funzione di Valore ($\nu$): Definita come il negativo del bias residuo atteso, $\nu(S) = -E[b_S(X_S)]$.
  • Il segno negativo garantisce che un valore Shapley positivo indichi il contributo di una covariate alla riduzione del bias (cioè, la sua importanza come variabile confondente).
• Valori Shapley: Il valore Shapley $\phi_j$ per la covariate $j$ scompone la riduzione totale del bias (da nessun aggiustamento ad aggiustamento completo) in contributi individuali.

3. Stima Scalabile tramite TabPFN

Valutare la funzione di valore per ogni coalizione richiederebbe l'adattamento di modelli per ogni sottoinsieme $S$, il che è computazionalmente proibitivo ($O(2^p)$). Per affrontare questo problema, gli autori propongono una strategia di stima scalabile utilizzando TabPFN (un modello fondazionale tabellare):

1. Precomputazione: Adattare un modello di esito completo su tutte le covariate per generare pseudo-esiti (stime CATE con aggiustamento completo).
2. Apprendimento in Contesto: Per ogni coalizione interrogata $S$, utilizzare TabPFN per stimare il contrasto osservazionale e il contrasto causale proiettato senza riaddestrare i parametri del modello. TabPFN si condiziona sui dati di addestramento forniti nel contesto, trattando il sottoinsieme $S$ come le caratteristiche di input.
3. Approssimazione Shapley: Utilizzare stimatori Shapley efficienti (ad esempio, RegressionMSR) per approssimare i valori basandosi su un budget di valutazioni delle coalizioni, evitando l'enumerazione esaustiva.

Contributi Chiave

1. Metodo Innovativo: Introduzione di ConfoundingSHAP, il primo metodo basato su Shapley specificamente progettato per misurare e attribuire la forza della confondenza osservata a livello di covariate.
2. Distinzione Teorica: Una dimostrazione formale che la forza della confondenza è distinta dall'eterogeneità dell'effetto del trattamento. Il paper dimostra che le spiegazioni CATE standard possono perdere completamente le variabili confondenti se i loro effetti sugli esiti sono simmetrici tra i bracci di trattamento.
3. Algoritmo Scalabile: Un'implementazione pratica che utilizza TabPFN per evitare il riadattamento esaustivo richiesto dalla valutazione esatta del funzionale di bias, consentendo l'applicazione a dataset di dimensioni medie e alte.
4. Validazione Empirica: Esperimenti completi che mostrano la capacità del metodo di recuperare le variabili confondenti reali nei dati sintetici, rilevare la scomparsa della confondenza negli studi randomizzati (RCT) e identificare variabili confondenti clinicamente plausibili negli studi osservazionali reali.

Risultati Sperimentali

Gli autori valutano ConfoundingSHAP in tre contesti principali:

1. Dati Sintetici con Verità di Base Nota:

   • In contesti a bassa dimensionalità (4 covariate) e media dimensionalità (17 covariate), ConfoundingSHAP assegna correttamente valori Shapley elevati alle vere variabili confondenti e valori vicini allo zero a strumenti, modificatori dell'effetto e predittori di esito esclusivo.
   • Al contrario, lo SHAP standard applicato a uno stimatore CATE non è riuscito a identificare la variabile confondente in scenari specifici in cui l'effetto della variabile confondente si annullava nel calcolo dell'effetto del trattamento.
   • Il metodo ha dimostrato un'elevata stabilità di rango su più semi casuali.

2. Studio Controllato Randomizzato (Dataset ACTG):

   • Quando applicato a un dataset RCT reale (ACTG 175) in cui il trattamento è stato assegnato casualmente, ConfoundingSHAP ha correttamente identificato che la forza della confondenza è scomparsa (valori vicini allo zero); anche quando l'assegnazione del trattamento è stata artificialmente modificata per introdurre confondenza in una variante semi-sintetica, il metodo ha recuperato con successo le variabili confondenti introdotte.

3. Studio Osservazionale Reale (SUPPORT/RHC):

   • Applicato allo studio SUPPORT sulla cateterizzazione cardiaca destra, il metodo ha identificato variabili come il Punteggio di Fisiologia Acuta (APS1) come aventi un'alta forza di confondenza, in linea con la conoscenza clinica secondo cui la gravità della malattia guida sia le decisioni di trattamento che la mortalità.
   • Variabili irrilevanti (ad esempio, ID paziente) sono state correttamente attribuite con una forza di confondenza vicina allo zero.

Significato e Affermazioni

Il paper afferma che ConfoundingSHAP colma una lacuna critica nell'interpretabilità dell'apprendimento automatico causale. Spostando il focus da "cosa guida l'eterogeneità dell'effetto del trattamento" a "cosa guida il bias di confondenza", il metodo fornisce spunti attuabili per:

• Selezione delle Variabili: Aiutare i ricercatori a scegliere insiemi di aggiustamento minimi sufficienti negli studi osservazionali.
• Progettazione dello Studio: Informare la progettazione di studi osservazionali prospettici (ad esempio, trial target emulati) evidenziando quali covariate sono critiche per la comparabilità.
• Trasparenza: Offrire uno strumento diagnostico per comprendere quali covariate misurate creano incomparabilità tra i gruppi di trattamento.

Gli autori sottolineano che ConfoundingSHAP non certifica l'assenza di bias causale (che dipende da variabili confondenti non misurate) ma quantifica piuttosto il bias derivante dall'aggiustamento limitato delle covariate osservate. Funziona come strumento complementare alla conoscenza di dominio, ai diagrammi causali e all'analisi di sensibilità.