Technische Samenvatting: Detectie van Confounders via Behandelintentie (CDTI)

Probleemstelling

In causale inferentie zijn Gerandomiseerde Gecontroleerde Studies (RCT's) de gouden standaard, maar worden ze vaak beperkt door kosten, tijd en ethische beperkingen, wat noodzaakt tot het gebruik van observationele data. Observationele studies staan echter voor de kritieke uitdaging van niet-geobserveerde confounding (UC): het aanwezig zijn van variabelen die zowel de toewijzing van de behandeling ($X$) als het resultaat ($Y$) beïnvloeden, maar niet in het dataset zijn vastgelegd. Standaard aanpassingsmethoden (zoals het back-door criterium) falen wanneer dergelijke variabelen ontbreken.

Hoewel domeinexperts kennis hebben van deze niet-geobserveerde factoren (bijvoorbeeld de perceptie van een arts over de ademhalingsmoeilijkheden van een patiënt), zijn ze zelden getraind om deze abstract op te sommen. Bestaande methoden voor het eliciteren van UC's zijn beperkt. Dit artikel adresseert de kloof in het systematisch identificeren van kandidaat-niet-geobserveerde confounders door gebruik te maken van het besluitvormingsproces van de agent die de behandeling toewijst.

Methodologie: Detectie van Confounders via Behandelintentie (CDTI)

De auteurs stellen een nieuw observationeel onderzoeksontwerp voor genaamd Detectie van Confounders via Behandelintentie (CDTI). De kernpremiss is dat elke niet-geobserveerde confounder $U$ die de behandelbeslissing $X$ beïnvloedt, beschikbaar moet zijn voor de Beslissingsnemer (DM) op het moment van de beslissing. In plaats van de DM te vragen om confounders abstract op te sommen, vraagt de methode de DM om specifieke paren van eenheden (patiënten) te vergelijken om de redenen voor differentiële behandelbeslissingen te eliciteren.

Componenten van het Kader

Het kader bestaat uit twee hoofdstrategieën:

1. Matching-strategie ($\mathcal{M}$): Een principiële methode voor het selecteren van paren van eenheden $(i, j)$ waarbij $X_i=1$ (behandeld) en $X_j=0$ (niet-behandeld) om aan de expert te presenteren.
2. Extractie-strategie ($\varepsilon$): Een methode voor het verwerken van de redenering van de expert om kandidaat-niet-geobserveerde variabelen te identificeren.

Matching-strategieën

Het artikel formaliseert drie specifieke matching-strategieën die zijn ontworpen om de waarschijnlijkheid te maximaliseren dat de uitleg van de DM berust op niet-geobserveerde variabelen ($U$) in plaats van geobserveerde covariaten ($Z$):

• $Z$-matching ($\mathcal{M}_{Z\text{-match}}$): Selecteert paren met identieke geobserveerde covariaten ($Z_i = Z_j$). Als de behandeling verschilt, moet de uitleg in $U$ liggen.
• $\pi$-matching ($\mathcal{M}_{\pi\text{-match}}$): Selecteert paren met identieke propensiteitsscores ($\pi(Z_i) = \pi(Z_j)$). Dit maakt matching mogelijk in hoog-dimensionale ruimtes waar exacte $Z$-matching onhaalbaar is.
• $Z$-dominantie ($\mathcal{M}_{Z\text{-dom}}$): Selecteert paren waarbij de behandelde eenheid strikt "kleiner" (minder ernstig) is dan de niet-behandelde eenheid over alle geobserveerde dimensies heen ($Z_i \le Z_j$). Intuïtief: als een "gezondere" patiënt behandeling ontvangt terwijl een "ziekere" dat niet doet, moet de beslissing worden gedreven door niet-geobserveerde ernstmarkers.

Theoretische Fundamenten

De auteurs vestigen resultaten van stochastische dominantie (Stelling 1) onder specifieke aannames (monotonie van de behandelkans in $U$, en log-supermodulariteit van de gezamenlijke verdeling van $U$ gegeven $Z$). Deze stellingen bewijzen dat onder de voorgestelde matching-strategieën de verdeling van niet-geobserveerde confounders $U$ voor de behandelde eenheid stochastisch groter is dan voor de niet-behandelde eenheid. Dit creëert een systematische verschuiving die $U$ tot de meest waarschijnlijke verklaring voor het behandelsverschil maakt.

Verder analyseert het artikel Extractie-strategieën en definieert de waarschijnlijkheid van "succes" (het nauwkeurig identificeren van een echte UC). Theoretische resultaten (Stellingen 2 en 3) tonen aan dat:

• $Z$-dominantie onder perfecte extractie bewezen de nauwkeurigheid verhoogt ten opzichte van $Z$-matching.
• $\pi$-matching marginale (willekeurige) matching domineert wanneer de geobserveerde covariaten $Z$ een significant deel van de variatie verklaren in vergelijking met $U$.

Belangrijkste Bijdragen

1. Formalisatie van CDTI: Introductie van een nieuw onderzoeksontwerp dat systematisch niet-geobserveerde confounders eliciteert door beslissingsnemers te bevragen over gematchte paren.
2. Theoretische Garanties: Ontwikkeling van een kader bestaande uit matching- en extractie-strategieën, ondersteund door stellingen over stochastische dominantie die karakteriseren wanneer deze strategieën informatieve paren opleveren.
3. Empirische Validatie op de IC:
   • Aantonen dat schattingen voor mechanische ventilatie uit Elektronische Gezondheidsdossiers (EHR) sterk verward zijn (schattingen suggereren verhoogde mortaliteit, in tegenspraak met klinische intuïtie).
   • Validatie van de methodologie met behulp van een semi-synthetisch dataset afgeleid van MIMIC-III, waarbij de grondwaarheid voor niet-geobserveerde confounders bekend is (geëxtraheerd uit klinische tekstnotities).
   • Toepassing op echte MIMIC-III-data om klinisch plausibele confounders te ontdekken (bijvoorbeeld pleurale effusie, dyspneu, pneumonie) die vaak ontbreken in gestructureerde EHR-velden.

Experimentele Resultaten

• Synthetische Verificatie: Experimenten bevestigden dat $Z$-dominantie beter presteert dan $Z$-matching wanneer theoretische voorwaarden gelden, en dat $\pi$-matching beter presteert dan marginale matching wanneer het signaal-ruisverhouding van geobserveerde covariaten hoog is.
• Semi-synthetisch MIMIC-III: Met klinische notities als proxy voor $U, toonde de studie aan dat paren geselecteerd via $\pi$-matching en $Z$-dominantie aanzienlijk hogere successpercentages opleverden in het identificeren van echte niet-geobserveerde confounders in vergelijking met willekeurige koppeling.
• Wereldwijde Toepassing:
  • De methode slaagde erin 20 kandidaat-confounders met hoge frequentie te identificeren uit klinische notities, waarvan er 17 als klinisch plausibel werden beschouwd (bijvoorbeeld pulmonaire insufficiëntie, SIRS, bloeding).
  • Effect op ETT: Wanneer de gedetecteerde confounders werden toegevoegd aan de aanpassingsset voor het schatten van het Effect van Behandeling op de Behandelde (ETT) van mechanische ventilatie, veranderden de schattingen licht maar verschilden ze niet naar nul of werden ze statistisch significant. De auteurs schrijven dit toe aan het ruisende en gedeeltelijke karakter van tekstdata (concepten worden slechts voor een minderheid van patiënten gedocumenteerd), wat suggereert dat hoewel de methode kandidaten identificeert, de huidige proxy (binair indicatoren uit notities) de back-door validiteit mogelijk niet volledig herstelt.

Betekenis en Claims

Het artikel claimt een theoretische basis te bieden voor een nieuw observationeel onderzoeksontwerp dat de kloof overbrugt tussen ruwe observationele data en domeinexpertise. De primaire betekenis ligt in:

• Het bieden van een systematisch, principieel alternatief voor ad-hoc expert-elicitering voor het blootleggen van niet-geobserveerde confounders.
• Het bieden van garanties voor stochastische dominantie die rechtvaardigen waarom specifieke matching-strategieën (zoals $Z$-dominantie en $\pi$-matching) waarschijnlijker zijn om niet-geobserveerde factoren te onthullen dan andere.
• Het demonstreren van een proof of concept in een hoog-risico medische setting (ICU), waarbij wordt aangetoond dat klinische tekstnotities kunnen dienen als proxy voor niet-geobserveerde kennis, hoewel de auteurs bescheiden blijven over het onmiddellijke vermogen van deze methode om causale schattingen volledig te corrigeren in aanwezigheid van ruisende proxies.

De auteurs stellen expliciet dat het kader kandidaten detecteert voor niet-geobserveerde confounders met probabilistische garanties, maar niet certificeert dat elke specifieke gedetecteerde variabele een echte confounder is of dat het toevoegen ervan automatisch back-door validiteit herstelt. Dit blijven open vragen voor toekomstig werk.