Assumption-Lean Differential Variance Inference for Heterogeneous Treatment Effect Detection

Technische Samenvatting: Aanname-arme Differentiële Variantie-inferentie voor de Detectie van Heterogene Behandelingseffecten

Probleemstelling
In klinische studies is de Conditionele Gemiddelde Behandelingseffect (CATE) het standaardinstrument voor het detecteren van heterogene behandelingseffecten (HTE). Echter, CATE-gebaseerde inferentie is kritisch afhankelijk van de inclusie van alle ware effectmodificatoren in de set van basiscovariaten. Wanneer effectmodificatoren worden weggelaten vanwege beperkte middelen, meetfouten of een onvolledig mechanistisch begrip, falen CATE-gebaseerde methoden in het detecteren van schendingen van de hypothese van een homogeen behandelingseffect. Dit kan besluitvormers misleiden door te doen suggereren dat behandelingseffecten uniform zijn wanneer dat niet het geval is. Bovendien vereist high-dimensional inferentie voor CATE vaak onverifieerbare schaarste-aannames en is aangetoond dat dit leidt tot verhoogde percentages fout-positieve en fout-negatieve resultaten. Bestaande Variable Importance Parameter (VIP) benaderingen voor behandelingseffect-modificatoren (TEM-VIPs) kampen met vergelijkbare beperkingen, aangezien zij ook vereisen dat de effectmodificatoren aanwezig zijn in de data. Daarnaast negeert standaard CATE-inferentie residuele heterogeniteit waarbij het gemiddelde behandelingseffect constant is, maar de variantie van potentiële uitkomsten verschilt—een scenario dat relevant is voor risicosensitieve besluitvorming.

Methodologie
De auteurs stellen een raamwerk voor "aanname-arme" inferentie voor het detecteren van HTE zonder toegang te vereisen tot de effectmodificatoren. De kern van deze aanpak is de schatting van differentiële variatie-estimanden, die de varianties van potentiële uitkomsten onder behandeling en controle contrasteren.

1. Estimanden:

   • Absolute Differentiële Variantie ($\Psi$): Gedefinieerd als het verschil tussen de standaarddeviaties van potentiële uitkomsten: $\Psi(P_0) = \sigma(P_0; 1) - \sigma(P_0; 0)$.
   • Relatieve Differentiële Variantie ($\Lambda$): Gedefinieerd als de ratio van de varianties: $\Lambda(P_0) = \sigma^2(P_0; 1) / \sigma^2(P_0; 0)$.
   • Het artikel stelt vast dat als $\Psi(P_0) \neq 0$ (of $\Lambda(P_0) \neq 1$), de "tweede-moment homogene behandelingseffect-hypothese" wordt geschonden. Dit is een versoepelde versie van de scherpe homogene behandelingseffect-hypothese, die verschillende residuele ruistermen toestaat zolang hun conditionele tweede momenten gelijk zijn. Cruciaal is dat deze estimanden heterogeniteit kunnen detecteren zelfs wanneer effectmodificatoren ($V$) ontbreken uit de data ($V = \emptyset$), mits conditionele uitwisselbaarheid standhoudt.

2. Identificeerbaarheid:
   Onder standaard causale aannames (conditionele uitwisselbaarheid, consistentie en positiviteit) zijn de varianties van potentiële uitkomsten identificeerbaar vanuit geobserveerde data. De auteurs tonen aan dat deze estimanden geldig blijven voor het detecteren van heterogeniteit in gerandomiseerde gecontroleerde studies (RCT's) zonder te conditioneren op covariaten, hoewel conditionering op prognostische variabelen de efficiëntie verbetert.

3. Estimatoren:
   De auteurs leiden causale machine learning-estimatoren af op basis van Efficient Influence Functions (EIF's) binnen een nonparametrisch model:

   • One-Step Estimatoren: Geconstrueerd met behulp van de EIF van de varianties van de potentiële uitkomsten.
   • Targeted Maximum Likelihood Estimators (TMLE): Ontwikkeld door nuisance-parameter-estimatoren (outcome regressie en propensity score) te "tilten" om de EIF-vergelijking op te lossen.
   • Cross-Fitted Versies: Varianten van bovenstaande estimatoren die sample-splitting gebruiken om de noodzaak voor Donsker-klasse condities te vermijden.
   • De estimatoren maken gebruik van flexibele machine learning-algoritmen (bijv. Super Learner, Random Forests) voor de schatting van de nuisance-parameters.

4. Asymptotische Eigenschappen:
   Het artikel bewijst dat deze estimatoren dubbel robuust zijn (consistent indien ofwel de propensity score ofwel de outcome regressie correct gespecificeerd is) en asymptotisch lineair onder milde condities. Specifiek bereiken ze $n^{-1/2}$ convergentiesnelheden als het product van de schattingsfouten van de nuisance-parameters sneller convergeert dan $n^{-1/2}$. Dit maakt de constructie van geldige Wald-type betrouwbaarheidsintervallen en hypothesetests mogelijk in nonparametrische settings.

Belangrijkste Resultaten

• Simulatiestudie 1 (Dubbele Robuustheid): Toonde aan dat de voorgestelde estimatoren een verwaarloosbare empirische bias vertonen wanneer ofwel de propensity score ofwel de outcome regressie correct gespecificeerd is, wat de dubbele robuustheid bevestigt.
• Simulatiestudie 2 (Asymptotische Lineariteit): Toonde aan dat de estimatoren asymptotische lineariteit bereiken in eindige steekproeven, waarbij de dekkingspercentages convergeren naar nominale niveaus naarmate de steekproefomvang toeneemt. Cross-fitted estimatoren vertoonden superieure prestaties in grotere steekproeven, waardoor de bias-variantie trade-off geassocieerd met flexibele machine learning werd gemitigeerd.
• Simulatiestudie 3 (Detectie onder Meetfout): In een RCT-setting met een foutief gemeten effectmodificator behielden de differentiële variantie-estimatoren een hoge statistische power om HTE te detecteren. In tegen respect was een standaard causal forest-gebaseerde omnibus-test voor CATE-heterogeniteit minder krachtig; deze verloor power naarmate de meetfout toenam en slaagde er niet in om heterogeniteit te detecteren wanneer de effectmodificator volledig foutief gemeten was.
• Toepassing (TTM en TTM2 Trials): De methodologie werd toegepast op een heranalyse van de Target Temperature Management (TTM) en TTM2 trials. Hoewel de TTM-studie geen significante differentiële variantie liet zien (waarschijnlijk door de kleine steekproefomvang), verwierp de TTM2-studie de tweede-moment homogene behandelingseffect-hypothese ($p < 0,01$). Echter, de geschatte verschillen in standaarddeviaties waren kleiner dan één dag, wat suggereert dat hoewel er statistische heterogeniteit bestaat, deze mogelijk niet klinisch acteerbaar is.

Betekenis en Claims
Het artikel beweert een praktisch alternatief te bieden voor CATE-gebaseerde inferentie voor het detecteren van heterogeniteit in behandelingseffecten in situaties waar effectmodificatoren ontbreken of foutief gemeten zijn. Door te focussen op de variantie van potentiële uitkomsten, biedt de auteurs een methode die:

• Geen identificatie of meting van specifieke effectmodificatoren vereist.
• Interpreteerbare metrieken biedt (absolute of relatieve variantie-contrasten) voor risicosensitieve besluitvorming.
• Formele hypothesetests biedt met asymptotische garanties in zowel gerandomiseerde als observationele studies.
• Dient als een complementaire sensitiviteitsanalyse voor CATE- en TEM-VIP workflows; een significant resultaat in differentiële variantie-inferentie na een nul CATE-resultaat kan erop wijzen dat er heterogeniteit bestaat die gedreven wordt door niet-gemeten factoren.

De auteurs benadrukken dat hoewel hun methode de aanwezigheid van heterogeniteit detecteert, zij niet de bron of directionaliteit van het effect identificeert, een beperking die inherent is aan marginale variantie-contrasten. Desalniettemin argumenteren zij dat het detecteren van acteerbare afwijkingen van homogeniteit waardevol is, zelfs wanneer het onderliggende mechanisme onbekend blijft.