Bayesian Nonparametric Causal Inference for High-Dimensional Nutritional Data via Factor-Based Exposure Mapping

Technische Samenvatting: Bayesiaanse Niet-parametrische Causale Inferentie voor Hoog-dimensionale Nutritionele Data

Probleemstelling
Causale inferentie in de nutritionele epidemiologie staat voor drie primaire uitdagingen: (i) nutritionele gegevens zijn hoog-dimensionaal en sterk gecorreleerd, wat een enorme behandelingsruimte creëert die moeilijk te modelleren is; (ii) nutritionele studies streven doorgaans naar het identificeren van latente dieetpatronen in plaats van de effecten van individuele voedingsmiddelen; en (iii) er is een behoefte aan het schatten van heterogene causale effecten van deze patronen op gezondheidsuitkomsten. Bestaande methoden, zoals Bayesian Causal Forests (BCF), zijn primair ontworpen voor binaire of discrete behandelingen en hebben moeite om de continue, hoog-dimensionale en geordende aard van nutritionele blootstellingen te accommoderen. Bovendien opereren standaard technieken voor dimensionaliteitsreductie vaak buiten een formeel causaal inferentiekader, wat potentieel relevante informatie opoffert of faalt in het rekening houden met de onzekerheid in de definitie van de blootstelling.

Methodologie
De auteurs stellen een verenigd kader voor dat exposure mapping integreert met Bayesiaanse niet-parametrische modellering. De methodologie verloopt in drie stadia:

1. Exposure Mapping via Bayesiaanse Factoranalyse:
   Om de dimensionaliteit van de hoog-dimensionale nutriëntenintakevector $Z \in (\mathbb{R}^+_0)^p$ te reduceren, gebruiken de auteurs een Bayesiaans factormodel. Dit model gaat ervan uit dat de geobserveerde nutriëntendata worden gegenereerd door een lager-dimensionale set latente factoren (dieetpatronen).

   • Model: $Z^*_i = \Lambda l_i + \epsilon_i$, waarbij $Z^*$ gestandaardiseerde intake is, $\Lambda$ de factorladingenmatrix is, $l_i$ de latente factor scores zijn, en $\epsilon_i$ ruis is.
   • Priors: Een gamma-proces shrinkage prior (Bhattacharya en Dunson, 2011) wordt geplaatst op de factorladingen om spaarzaamheid (sparsity) te stimuleren en het aantal factoren automatisch te selecteren.
   • Discretisatie: De continue posterior schattingen van de factor scores worden gediscretiseerd in drie geordende niveaus (laag, medium, hoog) met behulp van tertielen. Dit transformeert de hoog-dimensionale continue behandeling in een discrete, geordende blootstellingsvariabele $T_i \in \{0, 1, 2\}^J$, waarbij $J$ het aantal geïdentificeerde patronen is.

2. Causaal Kader onder Exposure Mapping:
   Het artikel formaliseert de causale opzet onder het potentieel uitkomstkader (Rubin, 1974), aangepast voor exposure mapping (Sävje, 2024).

   • Aannames: Het kader gaat uit van geen interferentie tussen eenheden, consistentie (geobserveerde uitkomst is gelijk aan de potentiële uitkomst onder de geobserveerde blootstelling) en sterke onafhankelijkheid (strong ignorability) conditioneel op covariaten $X$.
   • Identificeerbaarheid: De auteurs demonstreren dat Conditional Average Treatment Effects (CATEs) en Factor-Specifieke CATEs (FS-CATEs) identificeerbaar zijn onder deze aannames. FS-CATEs maken de schatting mogelijk van het effect van het veranderen van de therapietrouw aan een enkel dieetpatroon terwijl andere constant worden gehouden.

3. BCF3L (Bayesian Causal Forest voor Drie Geordende Niveaus):
   De auteurs breiden het standaard BCF-model (Hahn, Murray en Carvalho, 2020) uit om drie geordende behandelingsniveaus te kunnen verwerken.

   • Structuur: De uitkomst $Y_i$ wordt gemodelleerd als $f(x, t_j, t_{j-1}) + \epsilon_i$, waarbij de functie $f$ is gedecomposeerd in een baseline respons $\mu(\cdot)$ en heterogene behandelingseffecten $\tau_{0,1}(\cdot)$ en $\tau_{1,2}(\cdot)$.
   • Implementatie: Elk component ($\mu, \tau_{0,1}, \tau_{1,2}$) wordt gemodelleerd als een som van regressiebomen (BART). Het model incorporeert gegeneraliseerde propensity scores ($\hat{\pi}_{ij}$) voor de multi-level behandeling om te corrigeren voor confounding.
   • Flexibiliteit: Deze uitbreiding maakt het mogelijk om causale contrasten tussen aangrenzende niveaus te schatten (medium vs. laag, en hoog vs. medium), terwijl niet-lineaire relaties en effect-heterogeniteit gedreven door covariaten worden gevangen.

Belangrijkste Bijdragen

1. Formeel Causaal Kader: Het artikel vestigt een algemeen causaal kader voor exposure mapping, waarbij de eigenschappen van de mappingfunctie, vereiste aannames en estimanden voor hoog-dimensionale behandelingen worden gespecificeerd.
2. Nieuwe Exposure Mapping: Het introduceert een op factoranalyse gebaseerde exposure mapping die specifelijk is ontworpen om hoog-dimensionale, gecorreleerde nutritionele data te reduceren tot interpreteerbare latente patronen, terwijl de causale structuur behouden blijft.
3. BCF3L Uitbreiding: De auteurs ontwikkelen BCF3L, een nieuwe uitbreiding van de Bayesian Causal Forest die drie geordende behandelingsniveaus kan accommoderen, wat de schatting van heterogene causale effecten over geordende blootstellingsgradiënten mogelijk maakt.

Resultaten

• Simulaties: Uitgebreide simulatiestudies over drie scenario's (lineaire en niet-lineaire enkelvoudige behandelingen, en hoog-dimensionale factor-gebaseerde behandelingen) tonen aan dat BCF3L beter presteert dan de Bayesian Linear Regression met een horseshoe prior (BLR-HS) en standaard BART-uitbreidingen. BCF3L bereikt consistent een lagere bias en Root Mean Squared Error (RMSE) bij het schatten van heterogene causale effecten, met name in hoog-dimensionale settings die exposure mapping vereisen.
• Applicatie (HCHS/SOL): De methode werd toegepast op de Hispanic Community Health Study/Study of Latinos (HCHS/SOL) dataset ($N=9.298$).
  • Dieetpatronen: Zes onderscheidende patronen werden geïdentificeerd: Plant Lipid–Antioxidant, Zuivelproducten, Bewerkte Voeding, Plant-gebaseerd, Dierlijk Eiwit en Vis/Zeevruchten.
  • Causale Effecten: De studie schatte de causale effecten van deze patronen op de Body Mass Index (BMI) en nuchtere insuline.
    • Significante Bevindingen: Een hogere consumptie (hoog vs. medium) van de patronen Plant Lipid–Antioxidant, Plant-gebaseerd en Zuivelproducten was geassocieerd met een verminderde BMI en nuchtere insuline.
    • Genuanceerde Bevindingen: Voor Dierlijk Eiwit was de reductie in BMI prominenter wanneer men bewoog van lage naar medium consumptie, terwijl de verbetering in insulineregulatie significanter was bij de beweging van medium naar hoge consumptie.
    • Bewerkte Voeding: Er werden geen statistisch significante effecten gevonden, hoewel een positieve trend voor nuchtere insuline werd waargenomen.
    • Algemene Observatie: De auteurs merken op dat het verhogen van de inname van laag naar medium vaak leidde tot bredere betrouwbaarheidsintervallen en minder statistische significantie vergeleken met de toename van medium naar hoog, wat suggereert dat matige toenames niet altijd substantiële gezondheidsveranderingen opleveren, terwijl een hogere therapietrouw aan specifieke patronen dat wel doet.

Betekenis en Claims
Het artikel claimt de kloof tussen de nutritionele epidemiologie en causale inferentie te overbruggen door een principieel methode te bieden voor het omgaan met hoog-dimensionale, gecorreleerde behandelingen. De betekenis ligt in:

• Methodologische Vooruitgang: Het aanbieden van een robuust instrument (BCF3L) voor het schatten van heterogene causale effecten in settings met drie geordende behandelingsniveaus, een veelvoorkomend maar onderbelicht scenario in causale inferentie.
• Praktisch Nut: Het mogelijk maken van de identificatie van latente dieetpatronen en hun specifieke causale impact op gezondheidsuitkomsten, waarmee men verder gaat dan enkelvoudige nutriëntenanalyse.
• Reproduceerbaarheid: De auteurs hebben een open-source R-package (BCF3L) en code vrijgegeven die de exposure mapping integreert met de schattingsprocedure, wat een bredere toepassing in hoog-dimensionale settings buiten de voeding faciliteert.

De auteurs hanteren een bescheiden toon en erkennen dat, hoewel hun methode in simulaties en real-world applicaties beter presteert dan bestaande benaderingen, toekomstig werk de onzekerheid uit het factormodel direct in de causale schattingsfase kan integreren en het kader kan uitbreiden om gezamenlijk meerdere geordende blootstellingsvariabelen te modelleren.