Robust Causal Inference for EHR-based Studies of Point Exposures with Missingness in Eligibility Criteria

Technische Samenvatting: Robuuste Causale Inferentie voor EHR-gebaseerde Studies van Puntexposities met Ontbrekingsin de Toelatingscriteria

Probleemstelling
Elektronische gezondheidsdossiers (EHR) bieden een waardevol alternatief voor gerandomiseerde klinische trials voor observationeel onderzoek. Echter, in tegenstelling tot prospectieve studies waar toelating strikt wordt gescreend, bevatten EHR-data vaak ontbrekende waarden voor variabelen die de toelating tot het studie bepalen (bijvoorbeeld BMI, A1c-niveaus, medicatiegeschiedenis). De standaardpraktijk bestaat erin patiënten met onvolledige toelatingsdata uit te sluiten, wat selectiebias introduceert als de ontbrekings niet volledig willekeurig is (MCAR). Omgekeerd proberen onderzoekers dit vaak te mitigeren door "terugkijkvensters" te verlengen om oudere data te vinden; een strategie die het risico loopt patiënten onterecht op te nemen die op het studie-baseline niet in aanmerking kwamen (bijvoorbeeld patiënten waarvan de diabetesstatus op het moment van de operatie onbekend was, maar wordt afgeleid uit verouderde dossiers).

Bestaande methoden voor het omgaan met ontbrekende toelating, zoals multiple imputatie of inverse probability weighting (IPW), vereisen vaak de correcte specificatie van alle componentmodellen (uitkomst, behandeling, ontbrekings en imputatie) om consistente schattingen te leveren. Bovendien hebben deze methoden vaak moeite wanneer ze worden gecombineerd met flexibele machine learning (ML) technieken, die typisch last hebben van trage convergentiesnelheden die asymptotische inferentie ongeldig maken.

Methodologie
De auteurs stellen een kader voor voor het schatten van het Gemiddelde Behandelings-effect op de Behandelde onder de Studie-toegelaten (ATTE), aangeduid als $\theta_{ATT}^{elig} = E[Y(1) - Y(0) \mid A=1, E=1]$. De aanpak vertrouwt op semiparametrische theorie om schatters te ontwikkelen die robuust zijn tegen modelmisspecificatie en compatibel met moderne machine learning.

1. Aannames en Identificatie:

   • De methode veronderstelt Consistentie, Positiviteit en Geen Ongemeten Verwarring binnen de toegelaten populatie.
   • Cruciaal is de aanname van Ontbreken Willekeurig (MAR) voor toelatingsbepalende covariaten ($L_m$), conditioneel op volledig waargenomen covariaten ($L^*$) en behandeling ($A$). Specifiek is de indicator voor volledige toelatingsdata ($R$) onafhankelijk van de uitkomst ($Y$) en ontbrekende covariaten ($L_m$) gegeven $L^*$ en $A$.
   • De auteurs leiden een nieuwe factorisatie af van de waargenomen data-likelihood die het behandelingsmechanisme, het vaststellingsmechanisme ($\eta$), de verdeling van ontbrekende covariaten ($\lambda$) en het uitkomstmodel ($\mu$) scheidt.

2. Schatters:
   Het artikel introduceert twee primaire schatters gebaseerd op efficiënte invloedfuncties (EIF):

   • $\hat{\theta}_{EIF}$ (Efficiënte Invloedfunctie Schatter): Deze schatter richt zich op de semiparametrische efficiëntiegrens. Hij maakt gebruik van een complexe set van "geneste" storende functies (bijvoorbeeld $\xi, \gamma, \chi$) die rekening houden met de onzekerheid in de toelatingsstatus door te marginaliseren over de ontbrekende covariaten. Het vereist de schatting van meerdere componentfuncties ($\mu, u, \eta, \varepsilon$, enz.) met behulp van flexibele ML-methoden (bijvoorbeeld SuperLearner). Theoretische resultaten tonen aan dat als het product van de schattingsfouten van deze storende functies convergeert met een snelheid van $o_P(n^{-1/2})$, de schatter $\sqrt{n}$-consistent en asymptotisch normaal is.
   • $\hat{\theta}_{IF}$ (Invloedfunctie Schatter): Een computatievriendelijker alternatief dat enkele van de diep geneste storende functies vermijdt die nodig zijn voor $\hat{\theta}_{EIF} Hoewel het mogelijk niet de semiparametrische efficiëntiegrens bereikt, biedt het een afweging tussen computatiecomplexiteit en biasreductie.
   • Basisvergelijkers: De auteurs evalueren ook een Complete Case (CC) schatter en een Inverse Gewogen Uitkomstregressie (IWOR) schatter om de noodzaak van hun voorgestelde aanpak aan te tonen.

3. Implementatie:
   De schattingsprocedure maakt gebruik van steekproefverdeling (cross-fitting) om geldige inferentie te garanderen bij het gebruik van niet-parametrische ML-algoritmen. Dit voorkomt overfitting en stelt de schatters in staat de vereiste convergentiesnelheden te bereiken, zelfs wanneer storende functies worden geschat via complexe algoritmen zoals random forests of generalised additive models.

Belangrijkste Bijdragen

• Formeel Kader voor Ontbrekende Toelating: Het artikel biedt het eerste rigoureuze kader voor causale inferentie dat specifiek ingaat op selectiebias die voortkomt uit ontbrekende toelatingscriteria in EHR-studies, en onderscheidt dit van standaard ontbrekende data-problemen.
• Robuustheid en Efficiëntie: De voorgestelde schatters zijn "meervoudig robuust", wat betekent dat ze consistent blijven als verschillende combinaties van storende modellen correct zijn gespecificeerd. Ze behouden ook geldige asymptotische inferentie bij het gebruik van flexibele ML-methoden, waardoor de trage convergentieproblemen die dergelijke aanpakken typisch teisteren, worden overwonnen.
• Nieuwe Factorisatie: De afleiding van een specifieke likelihood-factorisatie die de identificatie van de ATTE faciliteert zonder te conditioneren op niet-gewaardeerde strata van toelating.

Toepassing en Resultaten
De methodologie wordt toegepast op een cohort van 14.809 patiënten uit de Kaiser Permanente DURABLE-studie die een bariatrische operatie ondergingen (Roux-en-Y maagbypass [RYGB] versus Sleeve Gastrectomie [SG]) tussen 2008 en 2011. De studie evalueert langetermijn gewichtsverandering en remissie van Type 2 Diabetes (T2DM).

• Gevoeligheid voor Operationalisatie: De auteurs analyseerden 40 verschillende operationalisaties van toelatingscriteria (variërende terugkijkvensters voor BMI en T2DM).
• Bias in Standaard Aanpakken: De Complete Case (CC) schatter toonde significante bias (variërend van -7,1% tot -6,2% voor gewichtsverandering en 3,7% tot 8,2% voor remissie), wat suggereert dat het uitsluiten van patiënten met ontbrekende toelatingsdata het behandelings-effect systematisch overschat.
• Prestatie van Voorgestelde Schatters: De voorgestelde op invloedfunctie gebaseerde schatters ($\hat{\theta}_{EIF}$ en $\hat{\theta}_{IF}$) verzwakten deze effecten richting nul.
  • Voor gewichtsverandering gaf $\hat{\theta}_{EIF}$ nog steeds een voordeel aan voor RYGB ten opzichte van SG, hoewel de grootte gemiddeld met 19,5% werd gereduceerd ten opzichte van de CC-schatter.
  • Voor T2DM-remissie waren de resultaten genuanceerder. Hoewel de CC-schatter een aanzienlijk voordeel voor RYGB suggereerde, toonden de robuuste schatters een veel kleiner effect (bereik 0,1% tot 7,4%), waarbij de betrouwbaarheidsintervallen vaak nul omvatten. Dit suggereert dat het schijnbare voordeel van RYGB voor remissie in eerdere studies mogelijk werd gedreven door selectiebias.
• Gevoeligheidsanalyse: Een tipping point-analyse toonde aan dat de conclusie over gewichtsverliesvoordelen voor RYGB robuust is tegen schendingen van de MAR-aanname; er zijn onwaarschijnlijk grote verschillen in ontbrekingskansen nodig om de resultaten omver te werpen. De T2DM-remissiebevindingen waren echter gevoeliger voor dergelijke schendingen.

Betekenis en Claims
De auteurs claimen dat hun werk een kritieke, vaak over het hoofd geziene bron van bias in EHR-gebaseerd onderzoek aanpakt. Door aan te tonen dat standaard uitsluitingsstrategieën kunnen leiden tot opgeblazen schattingen van behandelings-effecten, pleit het artikel voor de adoptie van semiparametrische, robuuste methoden.

De studie concludeert dat hoewel RYGB waarschijnlijk superieur langetermijn gewichtsverlies biedt ten opzichte van SG, het bewijs voor een superieure T2DM-remissiegraad minder definitief is dan eerder werd gesuggereerd door studies die complete-case analyses gebruikten. De auteurs suggereren dat dit robuuste bewijsbestand huidige klinische richtlijnen ondersteunt en pleit tegen de noodzaak van nieuwe grootschalige gerandomiseerde trials voor deze specifieke uitkomsten, aangezien voldoende klinische equipoise mogelijk niet bestaat. Het werk biedt een praktische toolkit voor onderzoekers om ontbrekende toelatingsdata te hanteren zonder terug te grijpen naar willekeurige uitsluiting of potentieel bevooroordeelde terugkijkstrategieën.