Sintesi Tecnica: Analisi di Mediazione Semiparametrica con Mediatore e Outcome Osservati Separatamente sotto la Presenza di Confondimento Non Misurato

1. Definizione del Problema

L'analisi di mediazione è uno strumento standard per scomporre l'effetto causale totale di un'esposizione $D$ su un outcome $Y$ nei naturali effetti diretti (NDE) e naturali effetti indiretti (NIE) che operano attraverso un mediatore $M$. Tuttavia, una critica limitazione pratica sorge quando $M$ e $Y$ non vengono mai osservati congiuntamente nello stesso dataset. Questo scenario è comune nella genomica integrativa (ad esempio, combinare studi eQTL per l'espressione genica con studi GWAS per lo stato di malattia) e nella salute pubblica (ad esempio, fondendo ampi cohort di esposizione con database clinici contenenti fenotipi intermedi granulari).

In tali contesti, la strategia di identificazione standard per NDE e NIE fallisce perché si basa sulla distribuzione congiunta non osservata di $(M, Y)$. Inoltre, questo problema è esacerbato dalla presenza di confondimento non misurato tra il mediatore e l'outcome ($M$-$Y$ confounding), che rappresenta un ostacolo maggiore anche in contesti di dati completi. I metodi esistenti di fusione dei dati generalmente assumono che esista una certa sovrapposizione in cui entrambi le variabili sono osservate, oppure si affidano ad assunzioni parametriche che potrebbero non sussistere. Questo articolo affronta la sfida dell'identificazione degli effetti di mediazione causale quando:

1. Le fonti di dati sono eterogenee: una fonte contiene $(D, Y)$ e un'altra contiene $(D, M)$, senza alcuna osservazione congiunta di $(M, Y)$.
2. Esistono confonditori non misurati $U$ tra $M$ e $Y$.

2. Metodologia e Strategia di Identificazione

2.1 Setup e Assunzioni

Gli autori considerano un modello causale strutturale (SCM) con variabili esogene $D = (T, Z, A)$, dove $T$ è l'esposizione target, $Z$ rappresenta le variabili strumentali (IV) senza effetto diretto su $Y$, e $A$ sono variabili ausiliarie con effetti diretti su $Y$. I dati provengono da due fonti ($S=0$ e $S=1$):

• $S=0$: osserva $(Y, D, X)$.
• $S=1$: osserva $(M, D, X)$.

L'identificazione si basa sulle seguenti assunzioni chiave:

• Esposizione non confusa: $D \perp\!\!\!\perp (\epsilon_Y, \epsilon_M, U) \mid X, S$.
• Mediatore latente non confuso: $\epsilon_Y \perp\!\!\!\perp \epsilon_M \mid X, U, S$.
• Assenza di interazione $M$-$U$: L'effetto di $M$ su $Y$ non dipende dal confonditore non misurato $U$ (una condizione di "assenza di interazione").
• Allineamento tra le fonti: Condizionatamente a $D$ e $X$, le distribuzioni di $U, M$ e $Y$ sono scambiabili tra le fonti ($S \perp\!\!\!\perp (U, M, Y) \mid D, X$). Ciò consente spostamenti di covariate ed esposizione tra le fonti.
• Condizioni di Completezza:
  • $M-Z$ Completezza: La variabilità in $M$ è catturata dalla variabilità in $Z$.
  • $Z-M$ Completezza (per l'efficienza): La variabilità in $Z$ è catturata dalla variabilità in $M$.
• Identificazione tramite Funzioni Ponte:
  L'innovazione principale è l'uso di funzioni ponte ($w$) per allineare la distribuzione del mediatore osservata in una fonte con la distribuzione del mediatore controfattuale richiesta per l'altra. Sotto la condizione di completezza, gli autori dimostrano l'esistenza di funzioni $w_{tt'}^s$ che soddisfano un'equazione integrale (Equazione 2 nel paper). Queste funzioni riponderano gli strati del mediatore osservato per farli corrispondere agli strati controfattuali, eludendo efficacementmente la necessità di osservare $(M, Y)$ congiuntamente.

I naturali effetti diretti e indiretti sono identificati come funzionali delle distribuzioni dei dati osservati utilizzando queste funzioni ponte:
\psi^{NDE}_s = \psi^{10}_s - \psi^{00}_s, \quad \psi^{NIE}_s = \psi^{11}_s - \psi^{10}_s}
dove i termini $\psi^{tt'}_s$ coinvolgono le aspettative di $Y$ e le funzioni ponte $w$.

2.3 Gestione di IV Sconosciute

Quando l'insieme delle IV valide $Z$ è sconosciuto ma è disponibile un insieme di candidati $C$, gli autori propongono una strategia di identificazione basata sulla sparsità. Assumono che più della metà delle IV candidate siano valide (Assunzione 6). Risolvendo un problema di regressione sparsa per trovare una funzione $r^*(M, D, X)$ che colleghi l'outcome condizionale nella fonte 0 al mediatore condizionale nella fonte 1, le IV valide vengono identificate come le componenti di $D$ dalle quali $r^*$ non dipende.

2.4 Stima

Gli autori sviluppano stimatori one-step semiparametrici basati sulla funzione di influenza.

• Multivalente Robustezza: Gli stimatori sono consistenti se almeno una delle combinazioni di parametri di disturbo (ad esempio, le funzioni ponte $w$, la regressione dell'outcome $\nu$, o il punteggio di propensione $\lambda$) è specificata correttamente. Nello specifico, la consistenza è mantenuta se il modello dell'outcome è corretto, o se il modello della funzione ponte è corretto, o se combinazioni specifiche di entrambi sono corrette.
• Efficienza: Sotto completezza mutua (dove $Z$ è completo in $M$ e viceversa), i stimatori proposti raggiungono il limite di efficienza semiparametrica. Gli autori derivano i gradienti canonici (funzioni di influenza) per gli effetti.
• Regolarizzazione: Poiché la risoluzione delle funzioni ponte comporta problemi inversi mal posti (equazioni integrali di Fredholm), gli autori suggeriscono strategie di regolarizzazione (ad esempio, regolarizzazione di Tikhonov o penalità basate sulla varianza) per stabilizzare la stima.

3. Risultati Chiave

3.1 Contributi Teorici

• Identificazione: Il paper stabilisce che NDE e NIE sono identificabili sotto confondimento non misurato e osservazione separata di $M$ e $Y$, a condizione che esistano IV valide e una condizione di assenza di interazione.
• Limiti di Efficienza: Gli autori derivano i limiti di efficienza semiparametrica e dimostrano che i loro stimatori raggiungono tali limiti sotto completezza mutua.
• Connessione con la Letteratura: Il framework generalizza i problemi di variabile strumentale (IV) a due campioni, mostrando che gli effetti medi del trattamento in contesti a due campioni sono casi speciali del loro framework di mediazione.

3.2 Studi di Simulazione

• Performance: Nelle simulazioni con singoli e molteplici strumenti, gli stimatori proposti hanno mostrato un bias trascurabile in vari scenari di misspecificazione del modello, confermando la proprietà di multipla robustezza.
• Efficienza: In contesti con molteplici strumenti dove solo il mediatore è completo rispetto all'insieme degli strumenti (contesto non-completo), il metodo proposto utilizzando l'aggregazione adattiva degli strumenti ha mostrato guadagni di efficienza sostanziali (errori standard minori) rispetto all'uso di una singola IV.
• Selezione delle IV: L'algoritmo proposto per selezionare le IV valide da un insieme di candidati ha operato con un'alta accuratezza (identificazione quasi al 100% corretta) all'aumentare della dimensione del campione, anche in presenza di IV non valide.
• Inferenza: Gli intervalli di confidenza basati sul bootstrap sono risultati più stabili e affidabili rispetto a quelli basati sulla funzione di influenza, particolarmente in presenza di misspecificazione del modello.

3.3 Applicazione dei Dati

Il framework è stato applicato all'Alzheimer's Disease Neuroimaging Initiative (ADNI) per quantificare la mediazione del SNP rs610932 sul rischio di demenza attraverso l'espressione genica di PTK2B e CD33.

• Fusione dei Dati: Lo studio ha combinato le coorti ADNI-1 (outcome e SNP, nessuna espressione genica) e ADNI-GO/2 (SNP e espressione genica, nessun outcome a lungo termine).
• Risultati: L'effetto indiretto naturale (NIE) stimato attraverso PTK2B era negativo e sostanziale rispetto all'effetto totale, suggerendo un meccanismo protettivo. Il NIE attraverso CD33 era vicino allo zero.
• Interpretazione: Gli autori osservano che, sebbene gli intervalli di confidenza fossero ampi e attraversassero lo zero, i risultati suggeriscono un meccanismo biologico in cui l'allele minore di rs610932 opera attraverso l'alterazione dell'espressione di PTK2B e le conseguenti vie immunitarie microgliali.

4. Significato e Rivendicazioni

Il paper sostiene di introdurre un nuovo framework di fusione dei dati che ripristina l'identificazione degli effetti di mediazione causale in contesti in cui il mediatore e l'outcome non sono mai osservati congiuntamente e in presenza di confondimento non misurato.

• Superamento dei Limiti dei Dati: Affronta un problema pervasivo nella moderna genomica integrativa e nella scienza dei dati sanitari, dove i silos di dati impediscono l'osservazione congiunta di variabili chiave.
• Robustezza al Confondimento Non Misurato: A differenza della classica analisi di mediazione che richiede assunzioni forti sui confonditori non misurati, questo metodo sfrutta le IV e una condizione di assenza di interazione per identificare gli effetti anche quando $U \neq \emptyset$.
• Flessibilità: Il metodo accoglie spostamenti di covariate ed esposizione tra le fonti di dati e gestisce i casi in cui l'insieme delle IV valide è sconosciuto.
• Efficienza: Utilizzando la teoria dell'efficienza semiparametrica, gli stimatori proposti sono mostrati essere efficienti sotto condizioni appropriate, fornendo una base statistica rigorosa per l'inferenza in questi contesti complessi.

Gli autori pongono questo lavoro come un avanzamento necessario per "disentangled i percorsi causali" (disattendere i percorsi causali) in studi del mondo reale dove la completezza dei dati è irraggiungibile, andando oltre la domanda "se funziona" per affrontare la domanda "attraverso quali percorsi funziona", anche in ambienti di dati frammentati.