Modified treatment policies that depend on the natural history of treatment

Riepilogo Tecnico: Politiche di Trattamento Modificate Dipendenti dalla Storia Naturale del Trattamento

Enunciato del Problema
Le Politiche di Trattamento Modificate Longitudinali (LMTP) forniscono un quadro flessibile per definire e stimare effetti causali in contesti reali che coinvolgono esposizioni continue, periodi di grazia o ritardi nel trattamento. Lavori precedenti, in particolare Díaz et al. (2023), hanno stabilito stimatori di apprendimento mirato per LMTP in cui l'intervento al tempo $t$ dipende esclusivamente dal valore naturale contemporaneo del trattamento (cioè il valore del trattamento che sarebbe stato osservato al tempo $t$ se l'intervento fosse stato interrotto immediatamente prima).

Tuttavia, questa restrizione preclude la stima di politiche in cui la regola di intervento dipende dalla storia dei valori naturali del trattamento precedenti al tempo $t$. Domande scientifiche importanti, come ritardare l'inizio di un trattamento o limitare l'escalation del dosaggio rispetto alla traiettoria naturale di un clinico, richiedono l'accesso a valori naturali passati del trattamento che potrebbero essere sovrascritti dallo stesso intervento. Le formulazioni standard delle LMTP perdono l'accesso a questi valori naturali originali una volta che un intervento modifica il percorso del trattamento, rendendo tali politiche di "ritardo" o "modifica della traiettoria" non identificabili nell'ambito esistente. Questo articolo colma il vuoto nello sviluppo di stimatori di apprendimento mirato per il caso generale in cui gli interventi dipendono dall'intera storia naturale del trattamento.

Metodologia
L'articolo propone una generalizzazione delle LMTP, denominata Politiche di Trattamento Modificate Longitudinali Generalizzate (G-LMTP), in cui l'intervento $A^d_t$ al tempo $t$ è una funzione della storia dei valori naturali del trattamento $\bar{A}_t(\bar{A}^d_{t-1})$ e della storia delle covariate $H_t(\bar{A}^d_{t-1})$.

1. Identificazione e Rappresentazione:
   Gli autori dimostrano che la rappresentazione standard di regressione sequenziale (aspetti condizionati iterati) utilizzata per le LMTP contemporanee fallisce per le G-LMTP perché l'insieme di condizionamento e la funzione di intervento coinvolgono valori conflittuali dei trattamenti naturali passati. Per risolvere ciò, introducono una versione con dati aumentati della formula di regressione sequenziale. Questo approccio disaccoppia i valori utilizzati per il condizionamento (integrando sulla distribuzione dei dati osservati) dai valori utilizzati nella funzione di intervento (tracciando la storia naturale ipotetica). Ciò è formalizzato nella Proposizione 1, che definisce un algoritmo ricorsivo che coinvolge variabili aumentate $\bar{s}_t$ per tracciare le possibili storie di trattamento naturale.

2. Teoria dell'Efficienza:
   L'articolo deriva la Funzione di Influenza Efficiente (EIF) per il funzionale non parametrico risultante. Il Teorema 2 fornisce uno sviluppo di von Mises condizionato, che caratterizza l'errore degli stimatori di regressione. Questa espansione rivela una struttura "doppiamente robusta moltiplicata": lo stimatore rimane non distorto se i modelli di regressione dell'esito o i modelli del meccanismo di trattamento sono specificati correttamente a ogni passaggio, a condizione che siano soddisfatte specifiche condizioni di velocità.

3. Algoritmi di Stima:
   Vengono sviluppati due stimatori basati sull'EIF e sulla regressione sequenziale aumentata:

   • Stimatore Minimo di Perdita Mirato (TMLE): Uno stimatore di sostituzione che aggiorna iterativamente le stime di regressione preliminari per risolvere l'equazione di stima della funzione di influenza efficiente. Utilizza la divisione del campione per evitare le condizioni di Donsker e garantisce che le previsioni rimangano all'interno dello spazio dei parametri.
   • Stimatore Doppiamente Robusto Sequenziale (SDR): Uno stimatore basato sulla regressione che utilizza la trasformazione non distorta moltiplicata robusta (il pseudo-esito $\phi_{t+1}$) derivata dall'EIF. Regredisce questi pseudo-esiti sulle covariate in modo sequenziale. Gli autori notano che, sebbene l'SDR sia più semplice e possa offrire migliori proprietà di distorsione nel campione finito, non è uno stimatore di sostituzione e può produrre stime al di fuori dello spazio dei parametri (ad esempio, probabilità >1) se il valore vero è vicino a un confine.

Contributi Chiave

• Generalizzazione delle LMTP: L'articolo definisce formalmente e fornisce teoremi di identificazione per le G-LMTP, estendendo la portata dell'inferenza causale a politiche dipendenti dalla storia naturale del trattamento.
• Regressione Sequenziale Aumentata: Introduce una strategia computazionale innovativa che utilizza dataset aumentati per rappresentare la formula di identificazione, permettendo l'applicazione di librerie standard di apprendimento automatico a interventi complessi dipendenti dalla storia.
• Stimatori Robusti: Lo sviluppo di stimatori TMLE e SDR che raggiungono la consistenza $\sqrt{n}$ e la normalità asintotica sotto le ipotesi standard di velocità doppiamente robuste, anche quando i parametri di disturbo (regressioni dell'esito e del trattamento) sono stimati utilizzando metodi flessibili di apprendimento automatico adattivi ai dati.
• Applicazione agli Interventi di Ritardo: L'articolo dimostra esplicitamente come le G-LMTP risolvano il problema del "ritardo" (ad esempio, ritardare un trattamento del dolore rischioso), che era precedentemente intrattabile nell'ambito esclusivamente contemporaneo.

Risultati

• Studio di Simulazione: Sono state condotte simulazioni Monte Carlo con dimensioni campionarie comprese tra 250 e 10.000. Sia gli stimatori TMLE che SDR hanno mostrato una diminuzione della distorsione e dell'errore quadratico medio (MSE) all'aumentare della dimensione campionaria. La copertura degli intervalli di confidenza è stata generalmente vicina o leggermente conservativa rispetto al livello nominale del 95%. Lo studio ha evidenziato un compromesso nei campioni finiti in cui l'SDR ha mostrato una varianza leggermente inferiore ma una potenziale distorsione più elevata rispetto al TMLE in scenari specifici.
• Applicazione Stimolante: I metodi sono stati applicati a una coorte di 12.745 pazienti assicurati da Medicaid con stenosi spinale lombare per stimare l'effetto del ritardo di un mese nei trattamenti del dolore rischiosi (oppioidi, gabapentinoidi, benzodiazepine) sull'incidenza a 12 mesi di Disturbo da Uso di Oppioidi (OUD) o overdose.
  • La probabilità osservata a 12 mesi di rimanere liberi da OUD/overdose era 0,963.
  • Sotto la politica ipotetica di ritardo di un mese, il TMLE ha stimato una probabilità di 0,986 (IC 95%: 0,915–1).
  • Lo stimatore SDR ha prodotto una stima puntuale di 1,27, illustrando la nota limitazione degli stimatori non di sostituzione quando il parametro vero si trova vicino al confine dello spazio dei parametri.

Significato e Affermazioni
L'articolo afferma di estendere la classe degli effetti causali stimabili per includere interventi che modificano il tempismo o la traiettoria delle decisioni di trattamento basate sulla storia naturale. Fornendo una strategia di identificazione rigorosa e stimatori efficienti, gli autori abilitano la valutazione di complesse domande politiche—come ritardare l'inizio del trattamento o limitare l'escalation del dosaggio—che erano precedentemente irrisolvibili con i metodi standard delle LMTP. Gli autori mantengono una posizione modesta, notando che, sebbene il lavoro attuale si concentri su esposizioni discrete, sono necessarie ricerche future per estendere questi metodi a contesti di trattamento continui, multivariati o misti senza un'enumerazione esplicita delle storie di trattamento. Identificano inoltre direzioni future, inclusi algoritmi scalabili per follow-up lunghi e diagnosi per violazioni del supporto indotte da politiche dipendenti dalla storia.