Technische Samenvatting: ConfoundingSHAP

Probleemstelling

Bij observationele causale inferentie is de toewijzing van behandeling vaak niet-willekeurig, wat leidt tot systematische verschillen tussen behandelde en niet-behandelde groepen. Variabelen die zowel de toewijzing van de behandeling als de uitkomsten beïnvloeden, staan bekend als verwarringvariabelen (confounders). Hoewel gerandomiseerde klinische trials dit probleem elimineren, moeten onderzoekers bij observationele studies verwarringvariabelen identificeren en corrigeren om causale effecten (bijvoorbeeld de Conditionele Gemiddelde Behandelingsimpact, CATE) nauwkeurig te schatten.

Een kritieke uitdaging blijft bestaan: Welke geobserveerde covariaten drijven daadwerkelijk de sterkte van de verwarring?
Bestaande verklarmethoden voor causaal machine learning richten zich doorgaans op verschillende objecten:

1. Propensiteitsscores: Verklaring van mechanismen voor toewijzing van behandeling.
2. Uitkomstmodellen: Verklaring van prognostisch risico.
3. CATE-schatters: Verklaring van heterogeniteit in behandelingsimpact (effectmoderatoren).

De auteurs betogen dat het toepassen van standaard SHAP (Shapley Additive exPlanations) op CATE-schatters ongeschikt is voor het identificeren van verwarringvariabelen. CATE-verklaringen richten zich op variatie in behandelingsimpact; als een verwarringvariabele de potentiële uitkomsten voor zowel behandelde als controlegroepen op vergelijkbare wijze verschuift, heft zijn bijdrage zich op in de CATE ($\tau(x) = \mu_1(x) - \mu_0(x)$), waardoor deze onzichtbaar wordt voor standaard methoden voor feature importance. Bijgevolg ontbreekt het aan methoden om specifiek de geobserveerde sterkte van verwarring te kwantificeren en toe te schrijven aan individuele covariaten.

Methodologie: ConfoundingSHAP

Het artikel introduceert ConfoundingSHAP, een op Shapley gebaseerde methode die is ontworpen om de sterkte van verwarring toe te schrijven aan individuele covariaten. De methode werkt door een coöperatief spel direct te definiëren over een functionaal voor verwarringsbias, in plaats van over een voorspellend model.

1. Definiëren van het Functionaal voor Verwarringsbias

De kern van de methode is het kwantificeren van de residuale verwarringsbias ($b_S$) bij het beperken van de correctieset tot een subset van covariaten $S$.

• Observationeel Contrast ($\delta_S$): Het verschil in geobserveerde uitkomsten tussen behandelde en controleenheden, conditioneel op de subset $X_S$.
• Causaal Contrast ($\tau_S$): De projectie van de volledig gecorrigeerde CATE op de subset $X_S$ (d.w.z. $E[\tau(X) | X_S]$).
• Residuale Bias: $b_S(x_S) = \delta_S(x_S) - \tau_S(x_S)$.

Als $S$ alle verwarringvariabelen bevat, is $b_S = 0$. Als $S$ ontoereikend is, is $b_S \neq 0$ (tenzij biases perfect elkaar opheffen).

2. Het Coöperatieve Spel

De auteurs definiëren een coöperatief spel waarbij:

• Spelers: De individuele covariaten.
• Coalities: Subsets van covariaten die zijn opgenomen in de correctieset.
• Waardefunctie ($\nu$): Gedefinieerd als de negatieve verwachte residuale bias, $\nu(S) = -E[b_S(X_S)]$.
  • Het negatieve teken zorgt ervoor dat een positieve Shapley-waarde de bijdrage van een covariabele aangeeft aan het verminderen van bias (d.w.z. zijn belangrijkheid als verwarringvariabele).
• Shapley-waarden: De Shapley-waarde $\phi_j$ voor covariabele $j$ ontbindt de totale biasreductie (van geen correctie tot volledige correctie) in individuele bijdragen.

3. Schaalbare Schatting via TabPFN

Het evalueren van de waardefunctie voor elke coalitie vereist het passen van modellen voor elke subset $S$, wat computationeel onhaalbaar is ($O(2^p)$). Om dit aan te pakken, stellen de auteurs een schaalbare schattingsstrategie voor met behulp van TabPFN (een fundamenteel model voor tabulaire data):

1. Precomputation: Pas een volledig uitkomstmodel op alle covariaten aan om pseudo-uitkomsten te genereren (schatters voor volledig gecorrigeerde CATE).
2. In-Context Learning: Gebruik voor elke opgevraagde coalitie $S$ TabPFN om het observationele contrast en het geprojecteerde causale contrast te schatten zonder modelparameters opnieuw te trainen. TabPFN konditioneert op de trainingsdata die in de context wordt verstrekt, waarbij de subset $S$ wordt behandeld als de invoerfeatures.
3. Shapley-benadering: Gebruik efficiënte Shapley-schatters (bijvoorbeeld RegressionMSR) om de waarden te benaderen op basis van een budget aan coalitie-evaluaties, waardoor exhaustieve enumeratie wordt vermeden.

Belangrijkste Bijdragen

1. Nieuwe Methode: Introductie van ConfoundingSHAP, de eerste op Shapley gebaseerde methode die specifiek is ontworpen om de geobserveerde sterkte van verwarring op covariaatniveau te meten en toe te schrijven.
2. Theoretisch Onderscheid: Een formele demonstratie dat de sterkte van verwarring onderscheiden moet worden van heterogeniteit in behandelingsimpact. Het artikel bewijst dat standaard CATE-verklaringen verwarringvariabelen volledig kunnen missen als hun effecten op uitkomsten symmetrisch zijn over behandelingsarmen.
3. Schaalbaar Algorithmus: Een praktische implementatie met behulp van TabPFN die het exhaustieve opnieuw passen vermijdt dat vereist is voor exacte evaluatie van bias-functionaliteiten, waardoor toepassing mogelijk is op datasets met een medium tot hoge dimensionaliteit.
4. Empirische Validatie: Uitgebreide experimenten die het vermogen van de methode tonen om grond-waarheid verwarringvariabelen te herstellen in synthetische data, het verdwijnen van verwarring te detecteren in gerandomiseerde trials (RCT's), en klinisch plausibele verwarringvariabelen te identificeren in real-world observationele studies.

Experimentele Resultaten

De auteurs evalueren ConfoundingSHAP in drie hoofdscenario's:

1. Synthetische Data met Bekende Grond-Waarheid:

   • In laag-dimensionale (4 covariaten) en medium-dimensionale (17 covariaten) scenario's wijst ConfoundingSHAP correct hoge Shapley-waarden toe aan ware verwarringvariabelen en bijna nul waarden aan instrumenten, effectmoderatoren en alleen-uitkomstpredictoren.
   • Daarentegen slaagde standaard SHAP toegepast op een CATE-schatter er niet in om de verwarringvariabele te identificeren in specifieke scenario's waar het effect van de verwarringvariabele zich ophef in de berekening van de behandelingsimpact.
   • De methode toonde hoge rangstabiliteit over meerdere willekeurige zaden.

2. Gerandomiseerde Gecontroleerde Studie (ACTG-dataset):

   • Bij toepassing op een real-world RCT-dataset (ACTG 175) waar behandeling willekeurig was toegewezen, identificeerde ConfoundingSHAP correct dat de sterkte van verwarring verdween (waarden dicht bij nul), zelfs wanneer de toewijzing van behandeling kunstmatig werd gewijzigd om verwarring in te voeren in een semi-synthetische variant, slaagde de methode erin om de ingevoerde verwarringvariabelen te herstellen.

3. Real-World Observationele Studie (SUPPORT/RHC):

   • Toegepast op de SUPPORT-studie over rechterhartkatheterisatie, identificeerde de methode variabelen zoals de Acute Physiology Score (APS1) als een hoge sterkte van verwarring hebbend, in overeenstemming met klinische kennis dat de ernst van de ziekte zowel behandelingsbeslissingen als mortaliteit drijft.
   • Irrelevante variabelen (bijvoorbeeld patiënt-ID) kregen correct bijna nul sterkte van verwarring toegeschreven.

Betekenis en Beweringen

Het artikel beweert dat ConfoundingSHAP een kritieke kloof vult in de verklaring van causaal machine learning. Door de focus te verschuiven van "wat heterogeniteit in behandelingsimpact drijft" naar "wat verwarringsbias drijft", biedt de methode actieerbare inzichten voor:

• Selectie van Variabelen: Onderzoekers helpen bij het kiezen van minimale voldoende correctiesets in observationele studies.
• Studieontwerp: Informeren van het ontwerp van prospectieve observationele studies (bijvoorbeeld nagebootste doeltrials) door aan te geven welke covariaten kritiek zijn voor vergelijkbaarheid.
• Transparantie: Bieden van een diagnostisch hulpmiddel om te begrijpen welke gemeten covariaten on vergelijkbaarheid tussen behandelingsgroepen creëren.

De auteurs benadrukken dat ConfoundingSHAP geen causale onbevooroordeeldheid certificeert (wat afhankelijk is van niet-gemeten verwarring), maar eerder de bias kwantificeert die voortkomt uit beperkte correctie van de geobserveerde covariaten. Het dient als een aanvullend hulpmiddel voor domeinkennis, causale diagrammen en sensitiviteitsanalyse.