📊 statistics

Causal Inference for Preprocessed Outcomes with an Application to Functional Connectivity

Dit artikel stelt een semiparametrisch raamwerk voor met multiply robuuste schatters voor causale inferentie op afgeleide uitkomsten verkregen uit intra-subject preprocessing, waarbij de methode wordt toegepast om de impact van stimulerende medicatie op de hersenconnectiviteit bij kinderen met een autismespectrumstoornis te analyseren.

Oorspronkelijke auteurs: Zihang Wang, Razieh Nabi, Benjamin B. Risk

Gepubliceerd 2026-02-03

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Zihang Wang, Razieh Nabi, Benjamin B. Risk

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat je probeert uit te zoeken of een specifere vitamine mensen sneller laat rennen. Je hebt een groep hardlopers en je meet hun snelheid elke seconde gedurende een uur. Maar hier komt de crux: de hardlopers zweten ook, trillen en struikelen soms over hun veters. Deze "trillingen en struikelpartijen" hebben niets met de vitamine te maken; het is gewoon ruis die je snelheidsmetingen verstoort.

Het Probleem: Het Rommelige Deeltje Schoonmaken Voordat Je Meet
In de echte wetenschap (zoals het bestuderen van de hersenen) moeten onderzoekers hun data vaak "schoonmaken" voordat ze de data kunnen gebruiken. Ze moeten de "trillingen en struikelpartijen" (zoals hoofdbewegingen tijdens hersenscans) verwijderen om het ware signaal te kunnen zien.

De paper wijst op een groot probleem: wetenschappers zijn erg goed geworden in het schoonmaken van de data binnen het bestand van elk individu (intra-subject verwerking), maar ze hebben niet echt nagedacht over hoe dat schoonmaakproces de wiskunde verandert wanneer ze verschillende mensen met elkaar vergelijken (inter-subject analyse). Het is alsof je je eigen hardloopschoenen perfect hebt schoongemaakt, maar dan probeert je snelheid te vergelijken met iemand anders die zijn schoenen op een andere manier heeft schoongemaakt, zonder rekening te houden met het feit dat jouw schoonmaakmethode de veters misschien heeft uitgerekt.

De Oplossing: Een Nieuw "Dubbelcheck"-Kader
De auteurs stellen een nieuw wiskundig kader voor om dit aan te pakken. Ze noemen het een "semiparametrisch kader", maar je kunt het zien als een superintelligent, dubbelcheck-systeem.

De "Afgeleide Uitkomst" (Derived Outcome): Omdat de "ware" hersenverbinding niet direct zichtbaar is (het is verborgen achter de ruis), creëren ze een "afgeleide uitkomst". Denk aan dit als een proxy-score. Je kunt de onzichtbare hersendraad niet zien, maar je kunt een score berekenen op basis van de schoongemaakte data die die draad representeert.
De "Multiply Robust" Schatter: Meestal, als je een computermodel gebruikt om de data schoon te maken, en dat model is een klein beetje fout, dan is je uiteindelijke antwoord ook fout.
- De auteurs hebben een systeem gebouwd dat "multiply robust" is. Stel je voor dat je de winnaar van een race probeert te voorspellen. Je hebt drie verschillende manieren om de race te voorspellen:
  - Methode A: Kijk naar de schoenen van de hardlopers.
  - Methode B: Kijk naar de eerdere prestaties van de hardlopers.
  - Methode C: Kijk naar het weer.
- Bij oude methoden, als je "schoen"-model fout was, verloor je. In deze nieuwe methode geldt: zolang één van je modellen (schoenen, geschiedenis of weer) maar ongeveer goed is, zal je uiteindelijke antwoord nog steeds correct zijn. Dit stelt wetenschappers in staat om zeer flexibele, complexe computergestuurde leertools (Machine Learning) te gebruiken zonder de angst dat een kleine fout in een onderdeel het hele onderzoek verpest.

De "Beweging" Mediator
In hun specifieke voorbeeld (het bestuderen van kinderen met Autisme) keken ze naar hoe stimulerende middelen de hersenverbindingen beïnvloeden.

De Twist: Kinderen die stimulerende middelen gebruiken, hebben de neiging om hun hoofd minder te bewegen tijdens de scan.
De Valstrik: Als je alleen naar de hersenverbindingen kijkt, zou je kunnen denken dat het medicijn de hersenverbindingen sterker heeft gemaakt. Maar eigenlijk heeft het medicijn ervoor gezorgd dat ze minder bewogen, en minder beweging laat de hersenverbindingen er sterker uitzien.
De Fix: De auteurs behandelen "hoofdbeweging" als een boodschapper (een mediator). Hun kader scheidt het effect van het medicijn op de hersenen van het effect van het medicijn op de hoofdbeweging. Het is also wordt beseffen dat de hardloper niet sneller is door de vitamine, maar omdat de vitamine hem heeft gestopt met struikelen.

De Resultaten: Minder Dataverlies, Betere Antwoorden

Oude Manier: Om schone data te krijgen, gooiden wetenschappers vroeger elke scan weg waarbij het kind te veel bewoog. Dit betekende dat ze enorme hoeveelheden data weggooiden (soms wel 60% van de deelnemers!) en daarmee belangrijke informatie verloren.
Nieuwe Manier: Ze gebruikten een flexibele computergestuurde leertool (genaamd "Super Learner") om de data wiskundig schoon te maken zonder alles weg te gooien.
De Uitkomst: In hun tests waren de oude methoden ofwel bevooroordeeld (foute antwoorden) of hadden ze enorme foutmarges. De nieuwe methode gaf antwoorden die veel dichter bij de waarheid lagen, met de juiste mate van onzekerheid.

De Kern van het Verhaal
Deze paper geeft wetenschappers een nieuw regelboek. Het zegt: "Je kunt geavanceerde, flexibele computertools gebruiken om je rommelige data schoon te maken, en je kunt je uiteindelijke resultaten nog steeds vertrouwen, zolang je deze specifieke 'multiply robust' wiskunde gebruikt om de schoonmaakstap te combineren met de uiteindelijke vergelijking."

Ze testten dit op hersenscans van kinderen met Autisme om te zien of stimulerende middelen de manier waarop hersendelen met elkaar communiceren veranderen. Hoewel de studie geen enorm, definitief "smoking gun"-effect vond (waarschijnlijk omdat de groep klein en gevarieerd was), bewees het dat hun nieuwe methode een veel veiligere en nauwkeurigere manier is om dit soort onderzoek te doen dan de oude methoden waarbij data wordt weggegooid.

Technische Samenvatting: Causale Inferentie voor Preverwerkte Uitkomsten met een Toepassing op Functionele Connectiviteit

Probleemstelling
In biomedisch onderzoek, met name in neuroimaging (bijv. rusttoestand-fMRI), worden herhaalde metingen binnen subjecten routinematig verwerkt om artefacten (bijv. beweging, fysiologische ruis) te verwijderen voordat de inter-subject statistische analyse plaatsvindt. Deze intra-subject verwerking genereert "afgeleide uitkomsten" die dienen als proxies voor onwaarneembare wetenschappelijke grootheden (bijv. functionele connectiviteit). Hoewel dit breed wordt toegepast, is de impact van deze voorverwerking op de inter-subject causale inferentie nog niet systematisch bestudeerd. Bestaande semiparametrische kaders voor causale inferentie (bijv. dubbel robuuste schatters) gaan ervan uit dat uitkomsten direct observeerbaar zijn of dat afgeleide uitkomsten uitsluitend voortkomen uit schattingsfouten, waarbij de extra onzekerheid die door de voorverwerkingsstap zelf wordt geïntroduceerd, wordt genegeerd. Standaardmethoden vertrouwen vaak op rigide lineaire nuisance-regressie en volume scrubbing (het verwijderen van datapunten), wat selectiebias kan introduceren door subjecten met veel beweging uit te sluiten—een groep die vaak gecorreleerd is met gedragsproblemen. Er is een gebrek aan een principieel kader dat flexibele, datagestuurde intra-subject verwerking (inclusclusief machine learning) mogelijk maakt terwijl geldige causale inferentie op inter-subject niveau behouden blijft.

Methodologie
De auteurs stellen een semiparametrisch kader voor causale inferentie voor onder een hiërarchische setting bestaande uit intra-subject verwerking gevolgd door inter-subject analyse.

Hiërarchisch Model en Afgeleide Uitkomsten:
- Het kader modelleert een mediatiestructuur waarbij behandeling $A$ een uitkomst $Y$ beïnvloedt zowel direct als indirect via een mediator $M$ (bijv. bewegingseigenschappen).
- De ware subject-niveau uitkomst $Y(a, m)$ is onwaarneembaar. In plaats daarvan wordt deze gedefinieerd als een functionaal $g$ van residuen verkregen na het regresseren van nuisance-variabelen $H$ (bijv. bewegingsparameters) uit ruwe responsen $X$ met behulp van een intra-subject verwerkingsfunctie $f$ .
- De geobserveerde "afgeleide uitkomst" $\hat{Y}$ wordt geconstrueerd met behulp van gefitte functies $\hat{f}$ en $\hat{g}$ . Het kader houdt expliciet rekening met de bias geïntroduceerd door het schatten van $f$ en $g$ .
Identificatie en Aannames:
- Identificatie van causale parameters (Natural Direct Effect, Natural Indirect Effect, Average Treatment Effect) steunt op standaard causale aannames (Consistentie, Positiviteit, Conditionele Randomisatie, Cross-world Onafhankelijkheid) uitgebreid naar de volledige set van intra-subject metingen ( $X, H$ ).
- Een cruciale aanname is Asymptotische Onbevooroordeeldheid: De afgeleide uitkomst moet convergeren naar de ware potentiële uitkomst wanneer het aantal intra-subject tijdspunten $T \to \infty$ .
Multi-Robuuste Schatting:
- De auteurs ontwikkelen een Multi-Robuuste Augmented Inverse Probability Weighted (AIPW) schatter.
- Convergentiecondities: Theoretische garanties vereisen specifieke convergentiesnelheden voor zowel de intra-subject verwerkingsfuncties ( $\hat{f}$ ) als de inter-subject nuisance-modellen (propensity scores, uitkomstregressies).
- Cross-Product Structuur: Voor uitkomsten gedefinieerd door cross-producten van residuen (bijv. correlaties in functionele connectiviteit), staat het kader toe dat de intra-subject verwerkingsfuncties trager convergeren dan $T^{-1/2}$ (specifiek $O(T^{-\alpha_0})$ waar $n^{1/2}T^{-2\alpha_0} = o(1)$ ). Deze versoepeling maakt het gebruik van flexibele machine learning algoritmen voor nuisance-regressie mogelijk.
- Meervoudige Robuustheid: De schatter is consistent als één van de drie combinaties van nuisance-modellen correct gespecificeerd is: (i) beide propensity score modellen, (ii) de uitkomstregressie en de behandeling propensity score, of (iii) de uitkomstregressie en de sequentiële regressieterm.
Inferentie en Meervoudig Testen:
- De schatter laat een asymptotische lineaire expansie toe, wat leidt tot asymptotische normaliteit.
- Voor hoog-dimensionale inferentie (bijv. het testen van duizenden hersenverbindingen), maken de auteurs gebruik van een step-down procedure gecombineerd met een Gaussian multiplier bootstrap. Dit controleert de exceedance rate van de False Discovery Proportion (FDP), wat een sterkere foutcontrole biedt dan standaard False Discovery Rate (FDR) methoden.
Implementatie:
- Het kader maakt gebruik van de Super Learner ensemble methode om zowel de intra-subject nuisance functies als de inter-subject modellen te schatten, waardoor model-misspecificatie wordt geminimaliseerd.
- Cross-fitting wordt gebruikt om empirische procestermen te behandelen en de Donsker-condities te vermijden.

Belangrijkste Bijdragen

Theoretisch Kader: Dit is het eerste werk dat een theoretisch kader biedt voor causale inferentie na intra-subject verwerking, waarbij de propagatie van schattingsfouten van de intra-subject fase naar de inter-subject causale schattingen expliciet wordt gemodelleerd.
Multi-Robuuste Schatters: De ontwikkeling van schatters die consistent blijven onder flexibele machine learning voor zowel nuisance-regressie (intra-subject) als causale modellering (inter-subject), mits aan specifieke convergentiecondities wordt voldaan.
Relaxes Convergentie-snelheden: De demonstratie dat voor cross-product type uitkomsten, intra-subject verwerkingsfuncties niet de parametrische snelheid hoeven te halen, wat het gebruik van complexe, niet-lineaire machine learning modellen voor artefactverwijdering mogelijk maakt.
Hoog-Dimensionale Inferentie: De toepassing van een step-down procedure om FDP-exceedance rates te controleren in de context van afgeleide uitkomsten.

Resultaten

Simulaties: In simulaties met variërende steekproefgroottes ( $n=150, 300$ $n = 150, 300$ ) en tijdspunten ( $T=300, 600$ $T = 300, 600$ ), toonde de voorgestelde SL+AIPW methode (Super Learner voor verwerking + AIPW voor inferentie) aan:
- Lage Bias: Significante lagere bias vergeleken met standaard lineaire regressiemethoden, die aanzienlijke bias vertoonden door niet-gemodelleerde bewegings-mediatie.
- Geldige Type-I Fout: De voorgestelde methode hield Type-I foutpercentages dicht bij het nominale niveau (0.05), terwijl lineaire methoden zonder mediatie-correctie ernstige inflatie vertoonden (tot ~0.85).
- Power: De voorgestelde methode bereikte een redelijke statistische power (hoger dan 0.8 voor $n=300$ ), waarmee het lineaire methoden met mediatie-correctie overtrof die een drastisch verlies aan power leden.
- Bewegingscorrectie: De Super Learner benadering verwijderde bewegingsartefacten effectief zonder de noodzaak van "scrubbing" (dataverwijdering), waardoor meer datapunten behouden bleven en selectiebias werd vermeden.
Toepassing (ASD rs-fMRI): Toegepast op data van 128 kinderen met Autisme Spectrum Stoornis (ASD) om het effect van stimulerende middelen op de functionele connectiviteit (FC) te schatten.
- Data Behoud: In tegenstelling tot de "36p + Scrubbing" benadering, die 75% van de deelnemers uitsloot (waardoor slechts 32 overbleven), behield de voorgestelde methode alle 128 subjecten.
- Bevindingen: De voorgestelde methode identificeerde minder spurious significante associaties vergeleken met het ongecorrigeerde lineaire model. Hoewel geen effecten significant bleven na strikte multiple testing correctie in de primaire analyse, suggereerde een exploratieve post-hoc analyse mogelijke normaliserende effecten van stimulerende middelen op de connectiviteit tussen de posterieure en anterieure default mode network regio's. De resultaten benadrukten dat beweging fungeert als een mediator die waargenomen behandelingseffecten kan attenueren, wat de noodzaak van het mediatie-kader versterkt.

Betekenis en Claims
Het artikel beweert een kritieke kloof in de biomedische causale inferentie te vullen door een rigoureus kader te bieden voor situaties waarin uitkomsten afgeleid zijn van verwerkte intra-subject data. De auteurs benadrukken dat hun benadering:

Adaptief Leren Mogelijk Maakt: Het ondersteunt het gebruik van moderne machine learning voor nuisance-regressie (bijv. het denoisen van fMRI-data) zonder de geldigheid van causale inferentie op te offeren, een capaciteit die ontbreekt in de bestaande doubly robust theorie.
Selectiebias Vermindert: Door de noodzaak van data scrubbing en participant exclusie te vermijden, mitigeert de methode de selectiebias die inherent is aan het verwijderen van subjecten met veel beweging, die vaak systematisch verschillen in klinische kenmerken.
Robuustheid Biedt: De multi-robuuste eigenschap zorgt ervoor dat causale schattingen geldig blijven, zelfs als sommige nuisance-modellen verkeerd gespecificeerd zijn, mits aan de convergentiecondities wordt voldaan.

De auteurs concluderen dat hoewel het kader theoretisch solide is en goed presteert in simulaties en een reële toepassing, het rust op de consistentie van de intra-subject verwerkingsschattingen. Zij merken beperkingen op met betrekking tot het modelleren van positief definitieve correlatiematrices in functionele connectiviteit en suggereren toekomstig werk over het modelleren van afhankelijkheidsstructuren en het uitbreiden van het kader naar longitudinale of subgroep-specifieke analyses.

Meer zoals dit