Transport G-Computation: A Distributional Approach to Longitudinal Causal Inference via Optimal Transport

Technische Samenvatting: Transport G-Computation (TGC)

Probleemstelling
Longitudinale causale inferentie met behulp van observationele gezondheidsgegevens staat voor aanzienlijke uitdagingen, primair door tijd-afhankelijke confounding, feedbackloops tussen de toewijzing van behandelingen en evoluerende patiënttoestanden, en heterogene post-interventie uitkomstverdelingen. Conventionele longitudinale g-computation methoden richten zich doorgaans op het schatten van effecten op gemiddeld niveau (bijv. gemiddelde behandelingseffecten). Echter, in veel klinische contexten kunnen interventies de vorm, spreiding of multimodaliteit van uitkomstverdelingen veranderen, in plaats van alleen het gemiddelde. Bovendien leunt parametrische g-computation zwaar op de correcte specificatie van conditionele transitiemodellen; wanneer data kenmerken vertonen zoals nonlineariteit, multimodaliteit, heteroscedasticiteit of complexe feedbackstructuren, falen deze modellen vaak, wat leidt tot systematische bias. Er is behoefte aan een framework dat in staat is om distributionele causale effecten te schatten terwijl het robuust omgaat met complexe dynamische afhankelijkheden zonder te vertrouwen op rigide globale parametrische aannames.

Methodologie: Transport G-Computation (TGC)
De auteurs stellen Transport G-Computation (TGC) voor, een distributioneel framework dat longitudinale g-computation integreert met optimal transport (OT) theorie. Het kerndoel is het schatten van het Wasserstein Causal Effect (WCE), gedefinieerd als de tweede-orde Wasserstein-afstand ($W_2$) tussen de terminale potentiële uitkomstverdelingen onder twee statische interventieregimes ($A_t \equiv 1$ en $A_t \equiv 0$).

Het TGC-algoritme verloopt als volgt:

1. Identificatie: Onder standaardveronderstellingen (Consistentie, Sequentiële Ignorabiliteit en Positiviteit) wordt de terminale distributie geïdentificeerd via de longitudinale g-formule.
2. Lokale Transitie-estimatie: In plaats van een globale parametrische model te fitten voor de conditionele transitie-kernel $\mathbb{P}(L_{t+1} | L_t, A_t)$, construeert TGC een niet-parametrische benadering op elk tijdstip en voor elk behandelingsniveau.
   • Het extraheert een empirische transitie-bibliotheek uit geobserveerde dataparen $(L_t, L_{t+1})$ waar $A_t = a$.
   • Voor een query-toestand identificeert het lokale dichtstbijzijnde buren om een substeekproef te vormen, waarbij de estimatie wordt beperkt tot de geobserveerde regio om bias door dimensionaliteit te mitigeren.
   • Het lost een entropie-geregulariseerd optimal transport-probleem op deze lokale substeekproef op om een "soft-matching" koppeling tussen bron- en doeltoestanden te genereren. Dit behoudt de multimodaliteit en de stochastische structuur van de empirische distributie.
   • Gaussian kernel-gewichten worden toegepast op de lokale bron-toestanden, en de OT-koppeling wordt rij-genormaliseerd om een lokale conditionele distributie te vormen.
3. Recursieve Simulatie: Startend vanaf initiële toestand-steekproeven, simuleert het algoritme recursief trajecten onder statische interventies door te samplen uit de geschatte lokale conditionele distributies op elk tijdstip.
4. Effect-estimatie: De Wasserstein-afstand wordt berekend tussen de resulterende empirische terminale distributies van de twee interventiearmen.
5. Positiviteitsafhandeling: De methode controleert expliciet op de voldoendeheid van steekproeven in lokale buurten. Als de effectieve steekproefomvang onder een drempelwaarde valt, signaleert het algoritme een positiviteitsverificatie in plaats van te extrapoleren, om zo spookmatige schattingen in niet-identificeerbare regio's te vermijden.

Belangrijkste Bijdragen

1. Distributioneel Causaal Doel: Het artikel introduceert de Wasserstein-afstand als een formele estimand voor longitudinale causale effecten, waarbij verschuivingen in locatie, spreiding en vorm worden gevangen, in plaats van enkel te focussen op gemiddelden.
2. Nieuw Framework: Het stelt TGC voor, dat lokale kernel smoothing combineert met optimal transport coupling om terminale distributies onder statische interventies te schatten zonder globale parametrische aannames.
3. Theoretische Analyse: De auteurs leveren identificatiebewijzen voor de WCE onder standaard causale aannames en analyseren de benaderingseigenschappen van de lokale transitie-estimator. Zij stellen vast dat de terminale fout begrensd wordt door de som van lokale estimatiefouten, wat het belang van stabiliteit bij elke recursieve stap benadrukt.
4. Diagnostische Capaciteit: De methode bevat een expliciet mechanisme om positiviteitsverificaties te diagnosticeren en te rapporteren, waardoor ongecontroleerde extrapolatie wordt voorkomen.

Resultaten
De prestaties van TGC werden geëvalueerd tegenover parametrische g-computation over vier simulatiescenario's (elk 100 replicaties):

• Lineair Gaussian Scenario: Parametrische g-computation presteerde beter dan TGC (RMSE 0,075 vs. 0,659), wat aangeeft dat wanneer het ware model lineair is en correct gespecificeerd, de parametrische aanpak superieur is, en dat TGC onnodige smoothing-bias introduceert.
• Gaussian Mixture Scenario: Parametrische g-computation bleef nauwkeuriger (RMSE 0,080 vs. 0,252). TGC toonde niet het verwachte voordeel in het vangen van multimodale structuren onder deze specifieke instellingen, wat wijst op gevoeligheid voor hyperparameters zoals buurtgrootte en regularisatiestuctuur.
• Confounded Feedback Scenario: TGC toonde zijn sterkste voordeel, waarbij de RMSE significant werd verminderd van 1,821 (parametrisch) naar 0,486. In deze complexe setting met dynamische feedback mitigeerde de lokale OT-aanpak effectief de systematische bias veroorzaakt door modelmisspecificatie in de parametrische baseline.
• Nonlineair Heteroscedastisch Scenario: Beide methoden vertoonden substantiële fouten (RMSE ~3,65 voor beide), wat aangeeft dat geen van beide benaderingen de complexe distributionele structuren in deze specifieke setting volledig kon vangen.
• Computationele Kosten: TGC was aanzienlijk trager en vereiste ongeveer 136–235 seconden per replicatie vergeleken met ~1,1 seconden voor de parametrische methode, wat een overhead van ongeveer twee ordes van grootte vertegenwoordigt.
• Stabiliteit: Beide methoden behaalden een faalpercentage van 0% in alle scenario's, waarbij TGC succesvol de positiviteitsinstorting voorkwam door middel van de expliciete diagnostiek.

Betekenis en Claims
Het artikel concludeert dat TGC geen universeel superieure vervanging is voor parametrische g-computation. De primaire waarde ligt in scenario's die gekenmerkt worden door dynamische feedback-confounding en complexe distributionele transities waar parametrische modellen vatbaar zijn voor misspecificatie. In dergelijke settings biedt TGC een robuustere, flexibelere en interpreteerbaarder benadering voor distributionele causale inferentie.

De auteurs erkennen echter bescheiden dat in eenvoudige, correct gespecificeerde lineaire settings, traditionele parametrische methoden de voorkeur verdienen vanwege lagere bias en variantie. Ze merken ook op dat TGC momenteel aanzienlijke computationele kosten met zich meebrengt en zorgvuldige hyperparameter-tuning vereist. De methode wordt gepositioneerd als een gespecialiseerd instrument voor observationeel medisch onderzoek waar de focus ligt op distributionele veranderingen en waar feedbackstructuren de standaard modellering compliceren, in plaats van als een standaardoplossing voor alle longitudinale causale problemen. Toekomstig werk wordt geïdentificeerd als noodzakelijk om efficiëntie, hyperparameterselectie en praktische implementatie voor grootschalige data te verbeteren.