Generalizing conditional average treatment effects from nested randomized trials to all trial-eligible individuals

Riepilogo Tecnico: Generalizzazione degli Effetti Medi Condizionati del Trattamento da Sperimentazioni Randomizzate Annidate

Enunciato del Problema
Le sperimentazioni controllate randomizzate (RCT) spesso arruolano partecipanti le cui caratteristiche differiscono dalla più ampia popolazione target di individui eleggibili alla sperimentazione. Sebbene i metodi di generalizzabilità esistenti si concentrino principalmente sulla stima dell'Effetto Medio del Trattamento (ATE) nella popolazione target, tali sintesi possono oscurare eterogeneità importanti rilevanti per la decisione clinica e politica. Nello specifico, quando i principali modificatori dell'effetto differiscono tra la sperimentazione e la popolazione target, l'effetto del trattamento stimato all'interno della sperimentazione potrebbe non essere applicabile alla popolazione più ampia. Inoltre, gli approcci esistenti per generalizzare l'Effetto Medio Condizionato del Trattamento (CATE) si sono basati in larga misura su specificazioni parametriche o hanno limitato l'analisi a sottogruppi discreti, rendendoli difficili da applicare quando si stimano i CATE come funzioni di covariate continue o multiple. Inoltre, i metodi standard di stima semiparametrica del CATE assumono tipicamente che la popolazione dello studio coincida con la popolazione target, non affrontando la partecipazione selettiva alla sperimentazione.

Metodologia
Gli autori propongono un quadro semiparametrico unificato per stimare il CATE in una popolazione target di individui eleggibili alla sperimentazione in un disegno di sperimentazione annidata (dove i partecipanti alla sperimentazione sono reclutati da una coorte più ampia). La metodologia distingue tra le variabili utilizzate per aggiustare la partecipazione selettiva alla sperimentazione e le variabili utilizzate per definire l'eterogeneità dell'effetto del trattamento.

L'approccio procede in due fasi:

1. Prima Fase (Stima delle Variabili di Disturbo e Costruzione di Pseudo-risultati): Gli autori utilizzano metodi adattivi ai dati (machine learning) per stimare le necessarie funzioni di variabili di disturbo, inclusa la meccanismo di selezione per la sperimentazione $P(S=1|X)$, la probabilità di assegnazione al trattamento $P(A|X,S=1)$ e la regressione dell'esito $E(Y|A,X,S=1)$. Utilizzando queste stime, costruiscono pseudo-risultati basati sulla funzione di influenza condizionata derivata dal parametro target. Questa derivazione si basa sulla funzione di influenza condizionata $\phi_{CATE}(O)$, che funge da equazione di stima ortogonale di Neyman condizionata.
2. Seconda Fase (Regressione Lineare Locale): I pseudo-risultati costruiti sono regressi sui modificatori dell'effetto selezionati ($V$) utilizzando la regressione lineare locale (a kernel). Ciò consente la stima di una funzione CATE liscia senza richiedere la discretizzazione delle covariate o la specificazione parametrica del modello CATE.

Per garantire un'inferenza asintotica valida e ridurre il bias di sovradattamento, l'algoritmo impiega splitting del campione e cross-fitting. I dati sono suddivisi in sottoinsiemi disgiunti; le funzioni di variabili di disturbo sono stimate su un sottoinsieme e applicate per costruire pseudo-risultati per l'altro, che vengono poi utilizzati nella regressione locale.

Contributi Chiave

• Quadro Unificato: Il documento sviluppa un quadro unificato che integra tecniche semiparametriche per la generalizzabilità con metodi flessibili di machine learning per la stima del CATE, specificamente adattati per disegni di sperimentazione annidata.
• Funzioni di Influenza Condizionate: Gli autori derivano la funzione di influenza condizionata per il CATE nella popolazione target, fornendo una base principiale per la costruzione di pseudo-risultati che tengono conto sia della partecipazione selettiva sia dell'eterogeneità dell'effetto del trattamento.
• Flessibilità: Il metodo accoglie modificatori dell'effetto continui e multivariati senza discretizzazione e consente ai ricercatori di aggiustare per un ricco insieme di covariate per la partecipazione alla sperimentazione, limitando al contempo le sintesi dell'effetto del trattamento a un insieme più piccolo di modificatori clinicamente significativi.
• Validità Asintotica: I risultati teorici dimostrano che, sotto condizioni di regolarità (inclusi i tassi di convergenza in media quadratica per gli stimatori delle variabili di disturbo), lo stimatore proposto converge allo stesso tasso come se le funzioni di variabili di disturbo fossero note, e l'errore di stima nelle funzioni di variabili di disturbo è asintoticamente trascurabile.

Risultati

• Simulazioni: Le prestazioni in campioni finiti sono state valutate tramite simulazioni con esiti sia binari sia continui. Lo stimatore di regressione lineare locale proposto ha ridotto sostanzialmente il bias rispetto a un approccio di regressione lineare ingenuo. Sebbene uno stimatore "oracolo" (che utilizza la forma funzionale vera) abbia ottenuto i risultati migliori, il metodo proposto ha superato l'approccio ingenuo in varie dimensioni campionarie. Il metodo ha raggiunto probabilità di copertura vicine ai livelli nominali, sebbene sia stata osservata una leggera sottocopertura per gli esiti continui, attribuita al bias di smoothing in campioni finiti intrinseco nel mirare a un parametro smussato piuttosto che al valore puntuale esatto.
• Applicazione (CASS): Il metodo è stato applicato allo Studio sulla Chirurgia delle Arterie Coronarie (CASS) per stimare le differenze di rischio di mortalità a 10 anni condizionate alla frazione di eiezione basale, stratificate per storia di infarto miocardico. I risultati hanno rivelato modelli distinti di eterogeneità dell'effetto del trattamento tra i pazienti con e senza storia di infarto miocardico. Nello specifico, il CATE smussato per i pazienti con precedente infarto miocardico è aumentato approssimativamente in modo lineare con la frazione di eiezione, mentre per quelli senza, il CATE è rimasto vicino allo zero nella gamma centrale delle frazioni di eiezione. Questi risultati erano coerenti con analisi parametriche precedenti, ma fornivano una visualizzazione più flessibile e non parametrica dell'eterogeneità.

Significato e Affermazioni
Il documento afferma che il suo approccio consente una stima flessibile e interpretabile dell'eterogeneità dell'effetto del trattamento nella popolazione target, evitando assunzioni parametriche restrittive. Separando l'aggiustamento per la partecipazione selettiva dalla caratterizzazione dell'eterogeneità dell'effetto, il quadro affronta un vuoto critico nella letteratura sulla generalizzabilità. Gli autori notano che la loro inferenza mira a una versione smussata del CATE, il che migliora la stabilità in campioni finiti. Riconoscono che un'inferenza valida per il parametro puntuale esatto richiederebbe un sottolisciamento o una correzione del bias (ad esempio, stimando derivate di ordine superiore), che sono lasciati per lavori futuri. Lo studio conclude che tenere conto delle differenze nelle distribuzioni dei modificatori dell'effetto tra la sperimentazione e le popolazioni target è essenziale per un'inferenza valida sull'eterogeneità dell'effetto del trattamento e per informare la decisione nella popolazione target.