Technische Samenvatting: Schatten van causale effecten van functionele behandelingen met gemodificeerde functionele behandelingspolicys (MFTP)

1. Het Probleem: Beperkingen van de huidige methoden

In de biomedische wetenschap worden behandelingen steeds vaker geregistreerd als functionele data: continue trajecten (bijv. fysieke activiteit gedurende een hele dag) in plaats van enkelvoudige getallen. De huidige methoden voor causale inferentie bij functionele behandelingen richten zich voornamelijk op de Causal Average Dose-Response Functional (ADRF). De auteurs identificeren twee fundamentele problemen met de ADRF:

• Positiviteitsaanname (Positivity/Overlap): De ADRF vereist dat een specifieke behandelingscurve $a(\cdot)$ voor iedereen in de populatie mogelijk is. Bij oneindig-dimensionale functies is dit biologisch en statistisch onwaarschijnlijk (bijv. een extreem intensief activiteitsprofiel is voor een zieke patiënt onmogelijk). Dit leidt tot schendingen van de overlap-conditie.
• Interpretatie: De ADRF is zelf een oneindig-dimensionale functie, wat het presenteren en begrijpen van resultaten voor clinici zeer complex maakt.

2. Methodologie: De MFTP-benadering

De auteurs introduceren een nieuw causaal estimand: de Modified Functional Treatment Policy (MFTP).

Conceptueel kader

In plaats van te vragen wat het effect is als iedereen exact dezelfde curve krijgt (zoals bij ADRF), vraagt de MFTP: "Wat is het gemiddelde potentiële resultaat als elk individu zijn eigen geobserveerde traject licht aanpast volgens een vooraf bepaalde regel $q(x, a(\cdot))$?"
Dit maakt de interventie veel realistischer en interpreteerbaar (bijv. "wat als iedereen zijn nachtelijke activiteit met 50% vermindert?").

Mathematische innovatie: De populatie-gemiddelde definitie

Een groot theoretisch obstakel is dat een functionele variabele geen dichtheidsfunctie heeft in de traditionele zin, waardoor het definiëren van een verwachtingswaarde (gemiddelde) over functies problematisch is. De auteurs lossen dit op door gebruik te maken van Functional Principal Component Analysis (FPCA).
Zij definiëren het populatiegemiddelde als de limiet van het gemiddelde over de eerste $K$ hoofdcomponenten wanneer $K \to \infty$. Hiermee bewijzen zij dat hun definitie consistent is met de standaard verwachtingswaarden van de geobserveerde uitkomsten.

Schatters (Estimators)

Op basis van de identificatie via FPCA-scores stellen zij drie schatters voor:

1. Outcome Regression (OR) schatter: Gebruikt een model voor de verwachte uitkomst op basis van de gemodificeerde functie.
2. Inverse Probability Weighting (IPW) schatter: Gebruikt dichtheidsratio's van de FPCA-scores om de populatie te herwegen.
3. Doubly Robust (AIPW) schatter: Een gecombineerde schatter die robuust is tegen model-misspecificatie.

3. Belangrijkste Bijdragen

• Nieuw Causaal Estimand: De introductie van MFTP biedt een oplossing voor de positiviteitsproblemen van de ADRF.
• Theoretische Fundering: Het bewijs van causale identificeerbaarheid van MFTP door middel van FPCA-decompositie.
• Sterke Dubbele Robuustheid (Strong Double Robustness): De auteurs bewijzen dat hun AIPW-schatter $\sqrt{n}$-consistent is, zelfs als zowel het uitkomstmodel als het wegingmodel minder snel convergeren, zolang hun gecombineerde convergentiesnelheid voldoende is.
• Dimensionale Reductie: Het framework vertaalt een oneindig-dimensionaal probleem naar een eindig-dimensionaal probleem via FPCA-scores, wat computationeel haalbaar is.

4. Resultaten en Validatie

Simulatiestudies

De simulaties bevestigen dat:

• De AIPW-schatter een $\sqrt{n}$-convergentiesnelheid vertoont (root-n consistency).
• De schatter robuust is: zelfs als de uitkomstmodellen incorrect gespecificeerd zijn, blijft de schatting accuraat zolang één van de twee modellen (OR of IPW) correct is.
• Het aantal gebruikte hoofdcomponenten ($K$) een cruciale rol speelt in de nauwkeurigheid.

Praktische toepassing (NHANES data)

De methode werd toegepast op accelerometer-data van de NHANES-studie om de causale effecten van fysieke activiteit op mortaliteit te onderzoeken:

1. Nachtelijke activiteit: Het verminderen van "verstorende" nachtelijke activiteit (bijv. beweging tussen 23:00 en 06:00) leidde tot een significante daling in de geschatte mortaliteit.
2. Sedentair gedrag: Het verhogen van de intensiteit tijdens periodes van lage activiteit overdag (sedentair gedrag) bleek eveneens een causaal voordelig effect te hebben op de overlevingskans.

5. Betekenis en Conclusie

Dit werk is van groot belang voor de epidemiologie en de precisiegeneeskunde. Het stelt onderzoekers in staat om causale vragen te stellen over complexe, tijdgebonden gedragspatronen zonder de onrealistische eisen van de ADRF. De methodologie biedt een brug tussen de rijke theoretische wereld van de functionele data-analyse en de praktische noodzaak van robuuste causale inferentie in observationele studies.