Causal Inference for Case Studies in Behavioral Health

Sintesi Tecnica: Inferenza Causale per Casi Clinici nella Salute Comportamentale

Problematica
Il documento affronta la sfida fondamentale di condurre l'inferenza causale in contesti osservazionali $N=1$, specificamente all'interno di casi clinici della salute comportamentale. Le metodologie standard di inferenza causale si affidano tipicamente alla randomizzazione, al controllo sperimentale o a ampi quadri di popolazione per correggere i fattori di confondimento. Tuttavia, i processi di cura individuali mancano di queste caratteristiche. I fornitori e i clienti operano in un contesto di "confondimento non misurato" ($U$), dove una rete di variabili latenti influenza sia la selezione del trattamento ($T$) che gli esiti ($Y$). Inoltre, i disegni sperimentali rigorosi (ad esempio, inversioni A-B-A-B) sono spesso non etici o sovversivi per la relazione terapeutica. Di conseguenza, i fornitori non possono misurare empiricamente i controfattuali (ad esempio, $Y|do(t=0)$ quando $Y|do(t=1)$ è osservato) né fare affidamento su assunzioni di matching basate sulla popolazione che presuppongono un' "identità essenziale" tra diversi punti temporali o individui. Il problema centrale è stabilire una via valida verso gli estimandi causali senza richiedere la misurazione o l'aggiustamento dei confonditori.

Metodologia e Framework
Gli autori propongono un framework basato sui Modelli Causali Strutturali (SCM) e su un'interpretazione soggettivista (di de Finetti) della probabilità, in cui la probabilità è vista come una misura personale di incertezza piuttosto che come una frequenza oggettiva.

1. $\Omega$-Estimandi: Il documento sposta il focus dai contrasti di distribuzioni di probabilità (ad esempio, differenze tra medie) ai contrasti di supporti. Il supporto di una variabile casuale, denotato come $\Omega$, è l'insieme dei valori con probabilità non nulla. Gli autori definiscono gli $\Omega$-estimandi come funzioni di questi supporti (ad esempio, $\max(\Omega)$, $\min(\Omega)$, range o cardinalità) che non incorporano pesi di probabilità.
2. L'Assunzione Centrale (Positività): Il framework si basa su un'unica, critica assunzione: la Positività. Formalmente, per tutti i valori di trattamento $t \in \Omega_T$ e confonditori non misurati $u \in \Omega_U$, la probabilità condizionata $f(t|u) > 0$. Nel contesto soggettivista, ciò implica che nessun stato del confonditore non misurato $u$ renda impossibile un determinato trattamento $t$. Gli autori sostengono che se il trattamento viene concettualizzato a un livello sufficientemente grossolano (ad esempio, "esposizione al case management" piuttosto che micro-interventi specifici), la positività sussiste anche in presenza di confonditori non misurati.
3. Coincidenza del Supporto: Il risultato teorico centrale (Proposizione 1) dimostra che, sotto l'assunzione di positività, il supporto osservazionale dell'esito coincide con il suo supporto interventale: $\Omega_{Y|t} = \Omega_{Y|do(t)}$. Ciò significa che l'insieme dei possibili esiti osservati nel mondo reale è identico all'insieme dei possibili esiti che si verificherebbero sotto un'ipotesi di intervento, rendendo l'identificazione degli $\Omega$-effetti immune dal confondimento non misurato.

Contributi Chiave ed Estensioni
Il documento introduce tre condizioni per facilitare l'inferenza:

• Condizione I (Positività): Sufficiente per identificare che i supporti osservazionale e interventale coincidono.
• Condizione II (Preservazione Epistemica): Assume che il "motivo strutturale" dell'incertezza dell'agente (specificamente la relazione tra il valore atteso e la media funzionale del supporto) rimanga invariato tra gli stati di trattamento e di non trattamento. Ciò consente la traduzione degli $\Omega$-effetti in differenze di valori attesi tramite un' identità tra atteso e media: $E(Y) = Av(Y) - \kappa$, dove $\kappa$ è un termine legato allo skew (asimmetria). Se $\kappa$ è preservato, le differenze tra le medie acquisiscono significato causale.
• Condizione III (Richiamo del Supporto): Permette che la stima di base ricordata dal cliente ($\hat{Y}$) serva da proxy per il non osservato supporto di base ($\Omega_{Y|t=0}$). Assume che, sebbene la distribuzione di probabilità del ricordo possa differire, l'insieme dei valori possibili (il supporto) rimanga ancorato alla stessa realtà.

Risultati e Applicazione del Caso Clinico
Gli autori dimostrano il framework utilizzando un caso clinico di uno studente di 23 anni in terapia cognitivo-comportamentale (CBT) per l'ansia.

• Dati: 19 punteggi settimanali di ansia (scala 0–10) che mostrano un trend decrescente da 10 a 4.
• Applicazione: Gli autori definiscono un $\Omega$-effetto come il contrasto tra il minimo del supporto di base e il minimo del supporto del trattamento ($\min(\Omega_{Y_0}) - \min(\Omega_{Y^*})$).
• Inferenza: Utilizzando un approccio bayesiano soggettivo, calcolano la probabilità a posteriori dell'efficacia del trattamento. Ponendo una credenza a priori e aggiornandola con i dati osservati (lo spostamento del punteggio minimo), derivano una probabilità a posteriori di efficacia ($\approx 0.59$).
• Interpretazione: Il risultato non è una garanzia basata sulla frequenza, ma una "credenza coerente e temperata" riguardo alla capacità del trattamento di eliminare le possibilità di sintomi ad alta intensità (uno spostamento del supporto).

Significatività e Rivendicazioni
Il documento sostiene di fornire una "via per l'inferenza causale" per i processi di cura individuali che evita la tradizionale necessità di chiudere i percorsi di backdoor o misurare i confonditori.

• Robustezza rispetto alla Sensibilità: Il framework scambia la sensibilità ai cambiamenti distributivi (che sono confusi) con la robustezza, concentrandosi sui cambiamenti di supporto (che sono identificabili sotto la positività). Sostiene che un trattamento efficace si manifesta spesso come l'eliminazione di possibilità estreme (ad esempio, prevenire un attacco di panico), che è un cambiamento nel supporto rilevabile senza conoscere i confonditori.
• Utilità Pratica: Offre un metodo principato ed elementare affinché i fornitori possano ragionare sull'efficacia del trattamento utilizzando dati di cura basata sulla misurazione senza richiedere formazione statistica avanzata o disegni sperimentali.
• Limitazioni: Gli autori riconoscono che la positività è non testabile e deve essere difesa tramite la validità del DAG sottostante. Notano inoltre che il framework è insensibile ai trattamenti che spostano solo la massa di probabilità all'interno di un supporto invariato (ad esempio, rendere un "5" più probabile di un "4" senza eliminare il "10"). Inoltre, i risultati sono affermazioni di coerenza per un agente che ragiona, non garanzie di frequenza.

In sintesi, il documento sostiene che ridefinendo i target causali come contrasti di supporti di esito anziché di distribuzioni, e accettando una visione soggettivista della probabilità, è possibile ottenere una valida identificazione causale nei casi clinici $N=1$ di salute comportamentale sotto l'unica condizione di positività.