📊 statistics

Causal Mediation Analysis with a Time-Dependent Mediator, Time-Dependent Confounders and a Time-to-Event Outcome: Revisiting the Difference Method

Questo articolo valuta la prestazione del metodo della differenza per l'analisi di mediazione causale con mediatori, confonditori tempo-dipendenti ed esiti tempo-dipendenti, riscontrando che, sebbene possa fornire stime non distorte sotto ipotesi specifiche (come l'assenza di effetti del trattamento sui confonditori tempo-dipendenti) utilizzando modelli di Aalen o di Cox, esso generalmente fallisce a causa di problemi di distorsione o di collassabilità rispetto alla più robusta g-formula mediale parametrica.

Autori originali: Robin Denz, Nina Timmesfeld

Pubblicato 2026-08-14

📖 4 min di lettura☕ Lettura da pausa caffè

CC BY 4.0

Autori originali: Robin Denz, Nina Timmesfeld

Articolo originale sotto licenza CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo

Immagina di essere un detective che cerca di risolvere un mistero: come fa un'azione specifica, come prendere un medicinale, a cambiare effettivamente il futuro di una persona? A volte il medicinale funziona direttamente, come uno scudo magico. Ma spesso, funziona indirettamente, come un allenatore che addestra un giocatore, e quel giocatore vince poi la partita. Nel mondo della scienza medica, questo viene chiamato analisi di mediazione. È l'arte di dividere un effetto totale in due parti: il percorso "diretto" e il percorso "indiretto".

Ora, immagina che il mistero diventi più difficile. Il "giocatore" (un marcatore biologico nel corpo) non è solo un'istantanea; cambia ogni giorno. Anche l' "allenatore" (il trattamento) potrebbe cambiare l'ambiente intorno a sé ogni giorno. E la "partita" (l'esito, come la sopravvivenza) non avviene in un momento fisso; potrebbe accadere domani o tra dieci anni. Questo è la realtà disordinata dei dati di tempo all'evento con variabili dipendenti dal tempo. Gli scienziati hanno costruito computer incredibilmente complessi e super-potenziati per risolvere questi enigmi, ma sono così pesanti e complicati che la maggior parte dei medici e dei ricercatori non può usarli. Così, molte persone provano una "scorciatoia" chiamata metodo della differenza. È come cercare di indovinare il peso di un oggetto nascosto pesando l'intera scatola, poi pesando la scatola senza l'oggetto, e sottraendo i due. È semplice, veloce e richiede pochissima matematica. Ma questa scorciatoia funziona quando la partita è così complicata, o ti conduce verso il sospettato sbagliato?

Questo articolo è un test drive rigoroso di quella scorciatoia. Gli autori, Robin Denz e Nina Timmesfeld, hanno allestito un enorme laboratorio digitale per vedere se il "metodo della differenza" può sopravvivere al caos delle variabili che cambiano nel tempo e agli esiti di sopravvivenza. Non si sono limitati a indovinare; hanno costruito migliaia di mondi artificiali (simulazioni) dove conoscevano esattamente la verità. Hanno messo alla prova il semplice metodo della differenza contro uno strumento pesante e complesso chiamato g-formula parametrica di mediazione, che funge da gold standard.

Ecco cosa hanno scoperto nelle loro simulazioni:

Primo, la scorciatoia non è una soluzione universale. Se il trattamento cambia un fattore dipendente dal tempo (come un effetto collaterale che appare più tardi) che poi rovina la relazione tra il mediatore e l'esito, il metodo della differenza fallisce clamorosamente. Si confonde, mescolando effetti diretti con quelli indiretti, e produce risultati distorti. In questi scenari disordinati, la scorciatoia è semplicemente sbagliata.

Secondo, la scorciatoia funziona a volte, ma solo sotto condizioni molto specifiche. Se l'esito è raro (come una malattia che colpisce pochissime persone) e i ricercatori utilizzano un tipo specifico di modello matematico chiamato modello dei rischi proporzionali di Cox, il metodo della differenza può fornire risposte non distorte. Allo stesso modo, se utilizzano un modello di rischi additivi di Aalen, funziona bene anche se l'esito è comune, a patto che il trattamento non causi direttamente i confonditori dipendenti dal tempo. Tuttavia, se provano a usare la scorciatoia con i modelli di tempo di guasto accelerato (AFT), producono quasi sempre un errore piccolo ma costante, indipendentemente da quanto siano puliti i dati. Questo accade a causa di un vezzo matematico chiamato "non collassabilità", dove la matematica non torna come ci si aspetterebbe.

Infine, gli autori hanno applicato questo test a un esempio del mondo reale: uno studio sull'acido ursodesossicolico (UDCA), un farmaco utilizzato per trattare una malattia del fegato chiamata colangite biliare primaria. Volevano vedere se il farmaco aiutasse i pazienti a vivere più a lungo rallentando il danno al tessuto epatico (il mediatore). In questo specifico dataset, piccolo, sia la semplice scorciatoia che lo strumento complesso gold-standard hanno dato risultati molto simili. Tuttavia, gli autori avvertono che questa somiglianza potrebbe essere un colpo di fortuna causato dalla dimensione ridotta del campione e dal fatto che i dati fossero così puliti. Essi sottolineano che nel mondo reale, dove i dati sono disordinati e le assunzioni sono spesso violate, fare affidamento sul semplice metodo della differenza è rischioso.

In breve, l'articolo suggerisce che, sebbene il metodo della differenza sia uno strumento tentatore e facile da usare, è un po' una "trappola" per i dati di sopravvivenza dipendenti dal tempo. Funziona solo se si è estremamente attenti alle proprie assunzioni e al tipo di matematica che si utilizza. Per la maggior parte degli scenari reali, gli autori raccomandano di attenersi ai metodi pesanti e complessi come la g-formula parametrica, anche se sono più difficili da usare, perché hanno molte più probabilità di dire la verità. La scorciatoia può farvi risparmiare tempo, ma nel gioco ad alta posta della ricerca medica, potrebbe costarvi la risposta.

Sintesi Tecnica: Analisi di Mediazione Causale con un Mediatore Tempo-Dipendente, Confonditori Tempo-Dipendenti e un Esito Tempo-Dipendente (Time-to-Event)

1. Definizione del Problema

L'analisi di mediazione è uno strumento standard per scomporre gli effetti totali del trattamento in componenti dirette e indirette. Tuttavia, l'applicazione di questi metodi in contesti che coinvolgono esiti tempo-dipendenti (time-to-event), mediatori tempo-dipendenti e confonditori tempo-dipendenti presenta sfide significative. I metodi rigorosi esistenti (ad es. la formula g parametrica per la mediazione, l'analisi dei percorsi dinamici, la modellazione multi-stato) sono spesso statisticamente complessi, computazionalmente intensivi e mancano di implementazioni software intuitive.

Di conseguenza, i ricercatori sono spesso tentati di utilizzare il metodo della differenza, un approccio semplice in cui l'effetto indiretto viene stimato sottraendo il coefficiente dell'effetto diretto dal coefficiente dell'effetto totale in due modelli di regressione separati. Sebbene sia ampiamente utilizzato per esiti continui e mediatori fissi nel tempo, le prestazioni del metodo della differenza nei complessi contesti di sopravvivenza longitudinale sono controverse. Studi precedenti suggeriscono che possa produrre stime distorte a causa della non-collassibilità (nei modelli di Cox) o di violazioni strutturali (ad es. confonditori tempo-dipendenti causati dal trattamento). Tuttavia, non è stata condotta una valutazione sistematica delle sue prestazioni empiriche in processi generatori di dati (DGP) realistici con mediatori tempo-dipendenti per estimandi target ben definiti.

2. Metodologia

2.1 Estimandi Target e Identificazione

Gli autori definiscono gli estimandi target basandosi sugli effetti specifici del percorso utilizzando la notazione controfattuale (Vansteelandt et al., 2019). Questo approccio evita i problemi di confondimento post-trattamento definendo le storie controfattuali per i confonditori tempo-dipendenti ( $L_t$ ) e i mediatori ( $M_t$ ) in modo ricorsivo.

Effetto Totale (TE): Contrasto tra $Y^{1,1}$ e $Y^{0,0}$ .
Effetto Diretto (DE): Contrasto tra $Y^{1,0}$ e $Y^{0,0}$ (mediatore impostato sul valore controfattuale sotto il controllo).
Effetto Indiretto (IE): Contrasto tra $Y^{1,1}$ e $Y^{1,0}$ .
Questi effetti sono valutati su tre scale corrispondenti a popolari modelli di sopravvivenza: rapporto di rischio logaritmico (Cox), differenza di rischio (Aalen) e tempo di sopravvivenza logaritmico (Modello di Fallimento Accelerato - AFT).

2.2 Metodi Confrontati

Lo studio confronta il metodo della differenza con la formula g per la mediazione parametrica (usata come benchmark).

Metodo della Differenza: Applica due modelli:
1. Modello dell'Effetto Totale: Esito $\sim$ Trattamento + Confonditori di Base.
2. Modello dell'Effetto Diretto: Esito $\sim$ Trattamento + Mediatore Tempo-Dipendente + Confonditori Tempo-Dipendenti + Confonditori di Base.
  L'effetto indiretto è stimato come la differenza tra i coefficienti del trattamento ( $\hat{\theta}_A - \hat{\beta}_A$ ).
- Modelli utilizzati: Cox Proportional Hazards, Aalen Additive Hazards e AFT (Weibull).
Formula G per la Mediazione Parametrica: Un approccio basato sulla simulazione che stima l'aspettativa degli esiti controfattuali modellando le probabilità condizionali del mediatore, dei confonditori e dell'esito nel tempo, simulando poi i dati sotto diversi scenari di intervento ( $a, a'$ ) per stimare gli effetti.

2.3 Design dello Studio di Simulazione

È stato utilizzato un design di simulazione a eventi discreti (algoritmo di Gillespie) per generare dati con $n=2000$ individui.

Variabili: Trattamento di base binario ( $A$ ), covariate di base ( $X, Z$ ), confonditore tempo-dipendente ( $L_t$ ), mediatore tempo-dipendente ( $M_t$ ) e esito tempo-dipendente ( $Y_t$ ).
Scenari: Sono stati costruiti sei scenari per variare la struttura causale:
1. Scenario 1: Trattamento randomizzato; $L_t$ è un puro predittore dell'esito (nessun confondimento).
2. Scenario 2: $L_t$ è un confonditore tempo-dipendente della relazione mediatore-esito.
3. Scenario 3: Loop di feedback tra $L_t$ e $M_t$ .
4. Scenario 4: $L_t$ è causato direttamente dal trattamento $A$ (violando l'assunto che il trattamento non influenzi i confonditori tempo-dipendenti).
5. Scenario 5: Trattamento non randomizzato con confondimento della relazione trattamento-mediatore.
6. Scenario 6: Trattamento non randomizzato con confondimento della relazione trattamento-esito.
Parametri: Gli scenari includevano variazioni nella probabilità di base dell'evento (esiti rari vs comuni) e la presenza/assenza di effetti indiretti.
Metriche di Performance: Bias (distorsione) e Errore Quadratico Medio (MSE) dell'effetto indiretto stimato.

2.4 Applicazione nel Mondo Reale

I metodi sono stati applicati ai dati di un trial controllato randomizzato (Lindor et al., 1994) sull'acido ursodesossicolico (UDCA) per la colangite biliare primaria (PBC).

Trattamento: UDCA vs Placebo.
Mediatore: Progressione istologica (tempo-dipendente).
Esito: Sopravvivenza libera da trapianto di fegato (tempo-all'evento).
Confonditori: Stadio della malattia al baseline, punteggio di rischio di Mayo, bilirubina; varici tempo-dipendenti.

3. Risultati Chiave

3.1 Risultati della Simulazione

Modello Aalen (Metodo della Differenza): Ha prodotto stime non distorte negli Scenari 1–3 e 5–6, a condizione che il modello fosse correttamente specificato e che il trattamento non causasse direttamente il confonditore tempo-dipendente ( $L_t$ ). Ciò è stato valido sia per esiti rari che comuni.
Modello Cox (Metodo della Differenza): Ha prodotto stime non distorte solo quando l'esito era raro e il trattamento non causava direttamente $L_t$ . Con esiti comuni, il metodo ha prodotto stime distorte a causa della non-collassibilità, indipendentemente dallo scenario.
Modello AFT (Metodo della Differenza): Ha prodotto stime distorte in quasi tutti gli scenari, anche quando l'esito era raro e non esisteva confondimento tempo-dipendente. La distorsione derivava dalla non-collassibilità dei coefficienti AFT; l'effetto diretto marginale (estimando target) differiva dal coefficiente condizionale stimato dal modello.
Scenario 4 (Trattamento $\to$ Confonditore): In tutti gli scenari in cui il trattamento causava direttamente il confonditore tempo-dipendente ( $L_t$ ), tutte le versioni del metodo della differenza hanno prodotto stime distorte, indipendentemente dal modello utilizzato o dall'inclusione di $L_t$ nel modello dell'effetto diretto. Ciò accade perché il condizionamento su $L_t$ rimuove parte dell'effetto diretto che fluisce attraverso $A \to L_t \to Y$ .
Formula G Parametrica: Ha prodotto stime non distorte in tutti gli scenari e combinazioni di parametri, fungendo da benchmark robusto.
Efficienza: Quando il metodo della differenza era non distorto, ha generalmente mostrato un Errore Quadratico Medio inferiore (maggiore precisione) rispetto alla formula g, probabilmente a causa della varianza di simulazione inerente al calcolo della stima puntuale della formula g in questo studio.

3.2 Risultati dell'Applicazione nel Mondo Reale

Nel dataset PBC:

Sia il metodo della differenza (Cox/Aalen/AFT) che la formula g hanno fornito stime puntuali simili per gli effetti totali, diretti e indiretti.
L'effetto totale dell'UDCA ha mostrato una tendenza protettiva (Hazard Ratio $\approx$ 0,63), ma gli intervalli di confidenza erano ampi e includevano 1 a causa del piccolo campione ( $n=170$ ).
Gli effetti indiretti tramite la progressione istologica erano vicini a 1 (nulli), con intervalli di confidenza ampi.
Gli autori osservano che la quasi equivalenza dei risultati in questo specifico dataset può essere casuale o dovuta al piccolo campione che maschera violazioni strutturali (ad es. potenziali effetti diretti dell'UDCA sui confonditori tempo-dipendenti come le varici).

4. Significato e Rivendicazioni

L'articolo sostiene di colmare una lacuna nella letteratura valutando sistematicamente il metodo della differenza nel contesto specifico di mediatori e confonditori tempo-dipendenti con esiti tempo-dipendenti.

Utilità Condizionale: Il metodo della differenza non è generalmente raccomandato per questo setting. È un'alternativa semplice e valida solo se valgono assunti rigorosi:
1. Il trattamento non ha un effetto causale diretto su alcun confonditore tempo-dipendente.
2. Per i modelli di Cox, l'esito deve essere raro.
3. Per i modelli AFT, il metodo non è generalmente raccomandato a causa della distorsione intrinseca dalla non-collassibilità, anche in condizioni ideali.
Robustezza della Formula G: La formula g per la mediazione parametrica rimane il metodo preferito per una stima non distorta in diversi scenari strutturali, nonostante la sua complessità computazionale.
Guida Pratica: Gli autori sottolineano che, sebbene il metodo della differenza sia computazionalmente efficiente e facile da implementare (ad es. due righe di codice in R), il suo utilizzo richiede una valutazione attenta del DAG causale. Se l'assunto che "il trattamento non influenza i confonditori tempo-dipendenti" non può essere difeso, il metodo della differenza produrrà risultati distorti.

L'articolo conclude che, sebbene i metodi specializzati siano complessi, essi sono necessari per un'inferenza valida in dati longitudinali complessi. Il metodo della differenza deve essere usato con estrema cautela e solo quando i suoi restrittivi assunti strutturali sono plausibili.