Riepilogo Tecnico: Rilevamento dei Fattori di Confusione tramite Intento di Trattamento (CDTI)

Enunciato del Problema

Nell'inferenza causale, gli Studi Controllati Randomizzati (RCT) rappresentano lo standard aureo, ma sono spesso vincolati da costi, tempi e limitazioni etiche, rendendo necessario l'uso di dati osservazionali. Tuttavia, gli studi osservazionali affrontano la sfida critica del fattore di confusione non osservato (UC): la presenza di variabili che influenzano sia l'assegnazione del trattamento ($X$) che l'esito ($Y$), ma che non sono registrate nel dataset. I metodi di aggiustamento standard (ad esempio, il criterio back-door) falliscono quando tali variabili sono assenti.

Sebbene gli esperti di dominio possiedano la conoscenza di questi fattori non osservati (ad esempio, la percezione di un medico sulla difficoltà respiratoria di un paziente), raramente sono formati per elencarli in modo astratto. I metodi esistenti per l'elicitazione delle UC sono limitati. Questo articolo colma il vuoto identificando sistematicamente i candidati fattori di confusione non osservati sfruttando il processo decisionale dell'agente che assegna il trattamento.

Metodologia: Rilevamento dei Fattori di Confusione tramite Intento di Trattamento (CDTI)

Gli autori propongono un nuovo disegno di studio osservazionale denominato Rilevamento dei Fattori di Confusione tramite Intento di Trattamento (CDTI). La premessa fondamentale è che qualsiasi fattore di confusione non osservato $U$ che influisce sulla decisione di trattamento $X$ deve essere disponibile al Decisore (DM) al momento della decisione. Invece di chiedere al DM di elencare i fattori di confusione in astratto, il metodo interroga il DM per confrontare coppie specifiche di unità (pazienti) al fine di elicitarne le ragioni delle decisioni di trattamento differenziali.

Componenti del Framework

Il framework è composto da due strategie principali:

1. Strategia di Appaiamento ($\mathcal{M}$): Un metodo principiato per selezionare coppie di unità $(i, j)$ dove $X_i=1$ (trattato) e $X_j=0$ (non trattato) da presentare all'esperto.
2. Strategia di Estrazione ($\varepsilon$): Un metodo per elaborare il ragionamento dell'esperto al fine di identificare le variabili non osservate candidate.

Strategie di Appaiamento

L'articolo formalizza tre specifiche strategie di appaiamento progettate per massimizzare la probabilità che la spiegazione del DM si basi su variabili non osservate ($U$) piuttosto che su covariate osservate ($Z$):

• Appaiamento per $Z$ ($\mathcal{M}_{Z\text{-match}}$): Seleziona coppie con covariate osservate identiche ($Z_i = Z_j$). Se il trattamento differisce, la spiegazione deve risiedere in $U$.
• Appaiamento per $\pi$ ($\mathcal{M}_{\pi\text{-match}}$): Seleziona coppie con punteggi di propensione identici ($\pi(Z_i) = \pi(Z_j)$). Ciò consente l'appaiamento in spazi ad alta dimensionalità dove l'appaiamento esatto per $Z$ non è fattibile.
• Dominanza per $Z$ ($\mathcal{M}_{Z\text{-dom}}$): Seleziona coppie in cui l'unità trattata è strettamente "più piccola" (meno grave) dell'unità non trattata in tutte le dimensioni osservate ($Z_i \le Z_j$). Intuitivamente, se un paziente "più sano" riceve il trattamento mentre uno "più malato" no, la decisione deve essere guidata da marcatori di gravità non osservati.

Fondamenti Teorici

Gli autori stabiliscono risultati di dominanza stocastica (Teorema 1) sotto specifiche assunzioni (monotonicità della probabilità di trattamento in $U$, e log-supermodularità della distribuzione congiunta di $U$ dato $Z$). Questi teoremi dimostrano che, sotto le strategie di appaiamento proposte, la distribuzione dei fattori di confusione non osservati $U$ per l'unità trattata è stocasticamente maggiore rispetto a quella dell'unità non trattata. Ciò crea uno spostamento sistematico che rende $U$ la spiegazione più probabile per la differenza di trattamento.

Inoltre, l'articolo analizza le Strategie di Estrazione, definendo la probabilità di "successo" (identificare accuratamente una vera UC). I risultati teorici (Teoremi 2 e 3) dimostrano che:

• La dominanza per $Z$ aumenta provatamente l'accuratezza rispetto all'appaiamento per $Z$ sotto estrazione perfetta.
• L'appaiamento per $\pi$ domina l'appaiamento marginale (casuale) quando le covariate osservate $Z$ spiegano una porzione significativa della variazione rispetto a $U$.

Contributi Chiave

1. Formalizzazione del CDTI: Introduzione di un nuovo disegno di studio che elicita sistematicamente i fattori di confusione non osservati interrogando i decisori su coppie appaiate.
2. Garanzie Teoriche: Sviluppo di un framework composto da strategie di appaiamento ed estrazione, supportato da teoremi di dominanza stocastica che caratterizzano quando queste strategie producono coppie informative.
3. Validazione Empirica in Terapia Intensiva:
   • Dimostrazione che le stime dei Fascicoli Elettronici Sanitari (EHR) per la ventilazione meccanica sono fortemente confondute (le stime suggeriscono un aumento della mortalità, contraddicendo l'intuizione clinica).
   • Validazione della metodologia utilizzando un dataset semi-sintetico derivato da MIMIC-III, dove la verità fondamentale per i fattori di confusione non osservati è nota (estratta dalle note testuali cliniche).
   • Applicazione su dati reali MIMIC-III per scoprire fattori di confusione clinicamente plausibili (ad esempio, versamento pleurico, dispnea, polmonite) che spesso mancano dai campi strutturati degli EHR.

Risultati Sperimentali

• Verifica Sintetica: Gli esperimenti hanno confermato che la dominanza per $Z$ supera l'appaiamento per $Z$ quando le condizioni teoriche sono soddisfatte, e che l'appaiamento per $\pi$ supera l'appaiamento marginale quando il rapporto segnale-rumore delle covariate osservate è elevato.
• MIMIC-III Semi-Sintetico: Utilizzando le note cliniche come proxy per $U$, lo studio ha mostrato che le coppie selezionate tramite appaiamento per $\pi$ e dominanza per $Z$ hanno prodotto tassi di successo significativamente più alti nell'identificare veri fattori di confusione non osservati rispetto all'appaiamento casuale.
• Applicazione nel Mondo Reale:
  • Il metodo ha identificato con successo 20 candidati fattori di confusione ad alta frequenza dalle note cliniche, 17 dei quali sono stati considerati clinicamente plausibili (ad esempio, compromissione polmonare, SIRS, emorragia).
  • Effetto sull'ETT: Quando i fattori di confusione rilevati sono stati aggiunti all'insieme di aggiustamento per stimare l'Effetto del Trattamento sui Trattati (ETT) della ventilazione meccanica, le stime sono cambiate leggermente ma non sono scese a zero né sono diventate statisticamente significative. Gli autori attribuiscono ciò alla natura rumorosa e parziale dei dati testuali (i concetti sono documentati solo per una minoranza di pazienti), suggerendo che, sebbene il metodo identifichi candidati, il proxy attuale (indicatori binari dalle note) potrebbe non recuperare pienamente la validità back-door.

Significato e Affermazioni

L'articolo afferma di fornire una base teorica per un nuovo disegno di studio osservazionale che colma il divario tra dati osservazionali grezzi e competenza di dominio. Il suo significato principale risiede nel:

• Offrire un'alternativa sistematica e principata all'elicitazione ad hoc di esperti per scoprire fattori di confusione non osservati.
• Fornire garanzie di dominanza stocastica che giustificano perché specifiche strategie di appaiamento (come la dominanza per $Z$ e l'appaiamento per $\pi$) sono più probabili nel rivelare fattori non osservati rispetto ad altre.
• Dimostrare una prova di concetto in un contesto medico ad alto rischio (Terapia Intensiva), mostrando che le note testuali cliniche possono servire come proxy per la conoscenza non osservata, sebbene gli autori rimangano modesti riguardo alla capacità immediata di questo metodo di correggere completamente le stime causali in presenza di proxy rumorosi.

Gli autori dichiarano esplicitamente che il framework rileva candidati per fattori di confusione non osservati con garanzie probabilistiche, ma non certifica che qualsiasi variabile rilevata sia un vero fattore di confusione o che aggiungerli recuperi automaticamente la validità back-door. Queste rimangono domande aperte per lavori futuri.