A Unified Three-Stage Weighting Framework for Causal Inference and Mediation Analysis under Case-Control Sampling

Sintesi Tecnica: Un Framework di Ponderazione Unificato in Tre Fasi per l'Inferenza Causale e l'Analisi di Mediazione sotto Campionamento Caso-Controllo

1. Definizione del Problema

Gli studi caso-controllo rappresentano una pietra miliare della ricerca epidemiologica, offrendo sostanziali guadagni di efficienza per lo studio di esiti rari o quando il follow-up prospettico non è praticabile. Tuttavia, il meccanismo di campionamento retrospettivo, dipendente dall'esito, intrinseco a questi disegni distorce la distribuzione marginale dell'esito nella popolazione. Sebbene le associazioni condizionali (ad esempio, gli odds ratio) rimangano identificabili, gli estimandi causali marginali — come l'Effetto Medio del Trattamento (ATE) e gli effetti di mediazione specifici per percorso — non possono essere direttamente recuperati dai dati caso-controllo senza assunzioni aggiuntive.

I metodi esistenti per l'inferenza causale in contesti caso-controllo affrontano tre limitazioni primarie:

1. Dipendenza dalla Prevalenza Nota: La maggior parte degli approcci basati sulla ponderazione richiede la conoscenza preventiva della prevalenza dell'esito nella popolazione, che è frequentemente non disponibile o stimata con elevata incertezza.
2. Assunzioni Restrittive: Le analisi di mediazione spesso si affidano ad approssimazioni per malattie rare o a forti assunzioni parametriche che sono difficili da verificare empiricamente.
3. Mancanza di un Framework Unificato: La letteratura attuale si concentra ampiamente sugli effetti totali, mancando di una strategia unificata per stimare simultaneamente gli effetti di mediazione totali e specifici per percorso (diretti, indiretti e di interazione) sotto campionamento retrospettivo senza formulazioni di verosimiglianza specializzate.

2. Metodologia: Il Framework di Ponderazione in Tre Fasi (3S-Weighting)

Gli autori propongono un framework modulare in tre fasi per ricostruire la distribuzione della popolazione target dai dati caso-controllo retrospettivi, consentendo una valida inferenza causale e di mediazione utilizzando tecniche standard di modellazione strutturale marginale. Il metodo si basa su informazioni marginali sui covariate disponibili esternamente (ad esempio, da dati censuari), ma non richiede la conoscenza preventiva della prevalenza dell'esito nella popolazione.

Fase 1: Stima della Prevalenza dell'Esito nella Popolazione
La prima fase affronta la prevalenza della popolazione ($\pi$) sconosciuta utilizzando l'apprendimento del rapporto di densità e la correzione dello spostamento di etichetta (label-shift).

• Generazione di una Popolazione Sintetica: Una popolazione sintetica viene generata utilizzando le distribuzioni marginali dei covariate disponibili esternamente ($P(X)$) per approssimare la distribuzione congiunta meno informativa che soddisfi tali vincoli.
• Stima del Rapporto di Densità: Il rapporto tra la distribuzione dei covariate della popolazione target e la distribuzione osservata caso-controllo, $r(X) = P_{Pop}(X)/P_{CC}(X)$, viene stimato addestrando un classificatore probabilistico per distinguere tra il campione sintetico e il campione caso-controllo osservato.
• Correzione dello Spostamento di Etichetta: Viene applicato un modello di regressione dell'esito iniziale sui dati caso-controllo, con un fattore di correzione dello spostamento di etichetta, $\alpha(\pi)$, per regolare l'intercetta, recuperando la funzione di rischio della popolazione $P_{Pop}(Y=1|X)$.
• Iterazione a Punto Fisso: La prevalenza $\pi$ viene stimata risolvendo un'equazione a punto fisso in cui il rischio atteso della popolazione (pesato dal rapporto di densità) è uguale alla stima della prevalenza stessa.

Fase 2: Ricostruzione della Popolazione Target
Una volta stimato $\hat{\pi}$, vengono costruiti pesi basati sul disegno per trasformare il campione retrospettivo in una pseudo-popolazione che imiti la distribuzione marginale dell'esito della popolazione target.

• Pesi di Disegno: I casi ($Y=1$) sono pesati per $\hat{\pi}/\hat{p}_{CC}$ e i controlli ($Y=0$) per $(1-\hat{\pi})/(1-\hat{p}_{CC})$, dove $\hat{p}_{CC}$ è la proporzione di casi osservata. Questo passaggio ripristina la prevalenza dell'esito della popolazione a $\hat{\pi}$.

Fase 3: Ponderazione Causale e di Mediazione
All'interno di questa pseudo-popolazione ricostruita, vengono applicati pesi strutturali stabilizzati per correggere il confondimento e lo squilibrio del mediatore.

• Effetto Totale: Vengono applicati pesi di probabilità inversa del trattamento (IPTW) stabilizzati per stimare l'Effetto Totale (TE).
• Decomposizione della Mediazione: Seguendo il framework di decomposizione a tre vie (VanderWeele, 2014), vengono costruiti pesi specifici per stimare:
  • Effetto Diretto Puro (PDE): I pesi regolano l'assegnazione del trattamento e la distribuzione del mediatore sotto la condizione di controllo.
  • Effetto Diretto Totale (TDE): I pesi regolano l'assegnazione del trattamento e la distribuzione del mediatore sotto la condizione di trattamento.
  • Effetti Indiretti e di Interazione: Derivati moltiplicativamente da TE, PDE e TDE.
• Stima: Vengono applicati modelli strutturali marginali (MSM) pesati con link logaritmici per stimare i rischi relativi (RR) per tutti i componenti causali.

Il framework è inoltre esteso a contesti longitudinali dinamici che coinvolgono esposizioni e mediatori tempo-varianti, dove le tre fasi sono applicate sequenzialmente attraverso i set di rischio per ricostruire le funzioni di incidenza cumulativa.

3. Risultati Chiave

Studi di Simulazione:
Sono state condotte simulazioni Monte Carlo sotto un framework di mediazione controfattuale con esposizione, mediatore ed esito binari.

• Riduzione del Bias: Le analisi convenzionali che ignorano il campionamento retrospettivo hanno prodotto un bias sostanziale nelle stime degli effetti totali e di mediazione. Al contrario, il framework 3S-weighting proposto ha recuperato costantemente i parametri causali della popolazione target in vari scenari di campionamento (dimensioni del campione compresi tra 500 e 8.000).
• Consistenza: All'aumentare della dimensione del campione, il bias empirico, la deviazione standard (SD) e l'errore quadratico medio (RMSE) per tutti gli estimandi sono diminuiti monotonicamente, dimostrando la consistenza degli stimatori.
• Precisione: Sono stati osservati significativi guadagni di efficienza, con riduzioni della SD superiori al 70% rispetto allo scenario più piccolo all'aumentare della dimensione del campione.

Applicazione Empirica (NHANES):
Il framework è stato applicato ai dati del National Health and Nutrition Examination Survey (NHANES) 2017–2018 per analizzare la mediazione causale del fumo sul rischio cardiovascolare (CVD) tramite l'ipertensione.

• Recupero della Prevalenza: Il metodo ha ricostruito con successo la prevalenza della popolazione per la CVD ($\hat{\pi} = 0.114$) da un campione caso-controllo bilanciato, avvicinandosi molto alla vera prevalenza della popolazione ($0.111$).
• Stime dell'Effetto: L'effetto totale stimato del fumo sulla CVD era $RR_{TE} = 1.16$. L'analisi ha suggerito che l'associazione operava principalmente attraverso percorsi diretti piuttosto che tramite la mediazione dell'ipertensione ($RR_{PIE} = 1.03$).
• Confronto: Il metodo proposto ha prodotto una stima dell'effetto totale più piccola sulla scala dell'odds ratio (1.18) rispetto a una regressione logistica aggiustata standard (1.74). Gli autori attribuiscono questa attenuazione alla correzione del campionamento dipendente dall'esito proposta dal metodo, che mira a un estimando marginale della popolazione piuttosto che a un'associazione condizionale.

4. Significato e Rivendicazioni

L'articolo sostiene di fornire un approccio pratico e teoricamente fondato per l'inferenza causale negli studi caso-controllo che supera il "gap di prevalenza". I suoi principali contributi sono:

• Eliminazione dell'Assunzione di Prevalenza: A differenza dei precedenti metodi di ponderazione, questo framework non richiede che la prevalenza dell'esito nella popolazione sia nota a priori; la stima internamente utilizzando informazioni sui covariate esterne.
• Analisi di Mediazione Unificata: Offre una strategia unificata per stimare contemporaneamente gli effetti totali, diretti, indiretti e di interazione sotto campionamento retrospettivo, evitando approssimazioni per malattie rare.
• Modularità: L'approccio separa il recupero della prevalenza, la ricostruzione della popolazione e la stima causale, permettendo di combinare il metodo con gli standard stimatori causali basati sulla ponderazione senza richiedare formulazioni di verosimiglianza dipendenti dall'esito specializzate.
• Ampia Applicabilità: Integrando il recupero della prevalenza e la ricostruzione della popolazione, il metodo amplia l'ambito delle domande causali affrontabili con i dati caso-controllo, rendendolo adatto a contesti in cui il follow-up completo della coorte è impraticabile ma esistono dati ausiliari sulla popolazione.

Gli autori concludono che, sebbene il metodo faccia affidamento sulle assunzioni causali standard (consistenza, scambiabilità, positività) e assuma la trasportabilità della relazione covariata-esito, esso rappresenta un passo significativo verso il superamento del divario tra la metodologia tradizionale caso-controllo e la moderna inferenza causale.