Debiased inference for stochastic treatment interventions with survival outcomes

Sintesi Tecnica: Inferenza Debiased per Interventi di Trattamento Stocastici con Esiti di Sopravvivenza

Problema
Stimare l'effetto causale di trattamenti tempo-dipendenti su esiti di sopravvivenza (tempo al decesso) è intrinsecamente difficile a causa di problemi quali il bias del tempo immortale (immortal-time bias) e la sottile interpretazione causale dei modelli di Cox tempo-dipendenti standard. Sebbene metodi come i modelli strutturali marginali e la g-computation esistano, essi spesso si basano pesantemente sulla corretta specificazione di modelli di lavoro; la misspecificazione porta a risultati distorti. Inoltre, esiste una distinzione critica tra gli interventi definiti a livello delle intensità osservate e quelli definiti a livello del vero processo generatore di dati (DGP). In presenza di confonditori non misurati che influenzano sia l'inizio del trattamento che gli hazard competitivi, un intervento applicato alle intensità osservate potrebbe non corrispondere all'intervento causale desiderato.

Metodologia
Gli autori formulano il problema all'interno del modello illness–death, dove gli individui transitano da uno stato di assenza di trattamento (0) all'inizio del trattamento (1) e infine al decesso (2).

1. Definizione dell'Intervento Stocastico:
   Il documento propone un intervento stocastico che modifica l'hazard che governa la transizione dallo stato di assenza di trattamento all'inizio del trattamento. Gli autori dimostrano che, affinché un intervento sulle intensità osservate sia causalmente valido, nessuna variabile non osservata deve agire come causa comune dell'hazard di inizio del trattamento e degli hazard competitivi/a valle.

2. L'Intervento Smussato (Smoothed Intervention):
   Una sfida tecnica primaria è che fissare l'inizio del trattamento in un punto esatto $u^*$ risulta in un estimando che non è pathwise differentiable (differenziabile lungo il percorso), impedendo la derivazione di una funzione di influenza efficiente (EIF) e precludendo un'inferenza con poche assunzioni.
   Per risolvere questo problema, gli autori introducono un intervento smussato. Invece di forzare il trattamento in un singolo punto, l'intervento assegna il trattamento entro una finestra temporale $[u^* - b, u^* + b]$ attorno al tempo target $u^*$. L'hazard di inizio del trattamento $\tilde{\alpha}_{01}(s)$ viene modificato affinché sia zero al di fuori di questa finestra e proporzionale all'hazard osservato all'interno di essa, normalizzato tramite l'integrale dell'hazard sulla finestra. Questo smussamento rende l'estimando pathwise differentiable e idoneo all'analisi semiparametrica.

3. Funzione di Influenza Efficiente (EIF) e Stima:
   Gli autori derivano l'EIF per il rischio interventistico $\psi_t = \tilde{P}^o(T \le t)$ sotto condizioni generali, inclusa la censura a destra.

   • Estimatore One-Step: Propongono un estimatore one-step debiased: $\hat{\psi}^{os}_t = \hat{\psi}^{pi}_t + \mathbb{P}_n\{D^*_{\psi_t}(O, P_n)\}$. Questo combina un estimatore plug-in con un termine di correzione basato sull'EIF.
   • Parametri di Disturbo (Nuisance Parameters): Il metodo accoglie la stima flessibile e adattiva ai dati dei parametri di disturbo (hazard di transizione, funzioni di sopravvivenza e distribuzioni di censura), incluse le tecniche di machine learning.
   • Doppia Robustezza: L'estimatore esibisce una doppia robustezza di tasso (rate double robustness). Nello specifico, la normalità asintotica è garantita se il prodotto degli errori di stima della funzione di sopravvivenza post-trattamento e della distribuzione di censura converge a un tasso più veloce di $n^{-1/2}$. Ciò consente una convergenza più lenta in una componente se l'altra converge sufficientemente velocemente.
   • Covariate: Il framework è esteso a contesti con covariate di base $L$, condizionando le funzioni di intensità e l'EIF su $L$.

Contributi Chiave

• Condizioni di Validità Causale: Il documento delinea esplicitamente le condizioni sotto le quali gli interventi sulle intensità osservate corrispondono a interventi causalmente validi sul DGP, evidenziando i rischi posti dai confonditori non misurati.
• Regolarizzazione tramite Smussamento: Introducendo un intervento stocastico smussato, gli autori superano la non-differenziabilità degli interventi a massa puntiforme, consentendo la derivazione dell'EIF e lo sviluppo di procedure di inferenza robuste.
• Stima Debiased: La proposta di un estimatore one-step che corregge il bias degli estimatori plug-in utilizzando l'EIF, permettendo l'uso di metodi di machine learning flessibili per i parametri di disturbo pur mantenendo un'inferenza valida.
• Doppia Robustezza di Tasso: Stabilimento teorico della doppia robustezza di tasso, garantendo la validità dell'estimatore anche quando i modelli di disturbo sono misspecificati, purché il prodotto degli errori sia sufficientemente piccolo.

Risultati

• Studi di Simulazione:
  • Sotto modelli di lavoro correttamente specificati, sia gli estimatori plug-in che quelli one-step erano non distorti.
  • In caso di misspecificazione del modello di transizione post-trattamento, l'estimatore plug-in risultava distorto, mentre l'estimatore one-step rimaneva approssimativamente non distorto, confermando le sue proprietà di robustezza.
  • Utilizzando il machine learning (cross-fitting a 3 fold) per la stima dei parametri di disturbo, l'estimatore one-step ha mantenuto le proprietà di correzione del bias, con un leggero bias a campioni più piccoli ($n=300$) che diminuiva all'aumentare della dimensione del campione ($n=600$).
• Dati Stanford Heart Transplant:
  • Applicato a dati su pazienti con malattie cardiache in fase terminale. L'analisi ha confrontato le strategie "Trattare dall'inizio" (trapianto entro 30 giorni) rispetto a "Mai trattare".
  • I risultati non hanno mostrato differenze significative nel rischio di morte tra le due strategie complessivamente.
  • La stratificazione per anno di ammissione (precedente vs successivo) ha suggerito un potenziale beneficio del trattamento precoce per coloro che sono stati ammessi prima, sebbene questa interazione non fosse statisticamente significativa.
• Dati di Inseminazione Intrauterina (IUI):
  • Applicato a coppie con subfertilità inspiegata per valutare le strategie: "Trattare dall'inizio", "Trattare dopo 6 mesi" e "Mai trattare".
  • I risultati hanno indicato che "Trattare dall'inizio" era superiore a "Mai trattare", e che anche "Trattare dopo 6 mesi" era superiore a "Mai trattare".
  • Non è stata trovata alcuna differenza significativa tra "Trattare dall'inizio" e "Trattare dopo 6 mesi".

Significato e Rivendicazioni
Il documento sostiene di fornire un quadro rigoroso per la valutazione di trattamenti tempo-dipendenti in contesti di sopravvivenza dove i metodi causali standard possono fallire a causa della misspecificazione del modello o della complessità della definizione dell'intervento. Distinguendo tra interventi osservati e latenti e utilizzando un intervento stocastico smussato, gli autori consentono un'inferenza con poche assunzioni (assumption-lean inference) con proprietà di robustezza desiderabili. Il metodo permette ai ricercatori di utilizzare strumenti flessibili e adattivi ai dati (come il machine learning) per i parametri di disturbo senza sacrificare la validità della stima causale, a patto che sia soddisfatta la condizione di doppia robustezza di tasso. Gli autori osservano che, sebbene il framework sia teoricamente compatibile con la stima completamente adattiva ai dati, la stima pratica delle transizioni post-trattamento in contesti di ingresso ritardato (delayed-entry) rimane una sfida, suggerendo la necessità di sviluppi futuri per procedure di machine learning stabili per questi specifici componenti.