Causal-ICM: A Data Fusion Framework For Heterogeneous Treatment Effect Estimation With Multi-Task Gaussian Processes

1. O Problema

A estimativa de efeitos de tratamento heterogêneos (HTE) é crucial para a tomada de decisões personalizadas em medicina, epidemiologia e ciências sociais. O desafio central reside em equilibrar a validade interna e a validade externa:

• Ensaios Clínicos Randomizados (RCTs): Oferecem alta validade interna devido à randomização (eliminando confusão), mas frequentemente sofrem de baixa validade externa devido a critérios de elegibilidade rigorosos, tamanhos de amostra limitados e viés de seleção, dificultando a generalização para populações mais amplas.
• Estudos Observacionais: Possuem grandes amostras e melhor representatividade da população-alvo (alta validade externa), mas são suscetíveis a confusão não observada (variáveis latentes que afetam tanto o tratamento quanto o resultado), o que pode enviesar as estimativas.

O objetivo é fundir esses dois tipos de dados para obter estimativas de HTE precisas e generalizáveis, sem permitir que o grande volume de dados observacionais enviesados domine a estimativa, nem que a incerteza seja subestimada artificialmente.

2. Metodologia: Causal-ICM

Os autores propõem o Causal-ICM, uma abordagem Bayesiana não paramétrica baseada em Processos Gaussianos (GP) Multi-tarefa e no modelo de Intrinsic Coregionalization (ICM).

A. Estrutura do Modelo

• Abordagem T-Learner: O modelo estima separadamente as superfícies de resposta para cada braço de tratamento ($E[Y|A=1]$ e $E[Y|A=0]$) e depois calcula a diferença para obter o efeito de tratamento.
• GP Multi-tarefa: Trata os dados do RCT (experimental) e do estudo observacional como duas tarefas distintas, mas correlacionadas.
  • $f_e(x)$: Função de resposta do RCT (não enviesada).
  • $f_o(x)$: Função de resposta observacional (potencialmente enviesada por confusão).
• Modelo ICM: Assume que ambas as funções são combinações lineares de funções latentes independentes ($u_1, u_2$):
  $$f_e(x) = u_1(x)$$
  $$f_o(x) = \rho f_e(x) + \sqrt{1-\rho^2}u_2(x)$$
  Onde:
  • $u_1(x)$ captura o efeito de tratamento verdadeiro (compartilhado).
  • $u_2(x)$ captura o componente específico do estudo observacional (incluindo o viés de confusão).
  • $\rho \in (0, 1)$ é um hiperparâmetro que controla o grau de "empréstimo" (borrowing) de informação do estudo observacional para o RCT.

B. Controle do Viés e Quantificação de Incerteza

• Limitação de Informação: Diferente de métodos que maximizam a verossimilhança marginal, o Causal-ICM impõe uma estrutura paramétrica específica nos coeficientes do ICM. Isso garante que, mesmo com um tamanho de amostra observacional infinito ($n_o \to \infty$), a variância posterior da estimativa do RCT não diminua arbitrariamente.
• Proposição 1 (Limite de Variância): O modelo prova que a variância posterior $V^e(x^*)$ é limitada inferiormente por $(1-\rho^2)V^e_{De}(x^*)$, onde $V^e_{De}$ é a variância usando apenas os dados do RCT. Isso impede intervalos de credibilidade artificialmente estreitos em torno de estimativas enviesadas.
• Seleção Adaptativa de $\rho$: Um procedimento de validação cruzada é utilizado para escolher o valor ótimo de $\rho$. O objetivo é minimizar o Erro Quadrático Médio (RMSE) em uma subamostra de pacientes do RCT, ponderando indivíduos que têm maior probabilidade de pertencer à distribuição do estudo observacional (para melhorar a extrapolação).

3. Contribuições Principais

1. Modelo Flexível e Interpretável: O Causal-ICM não assume formas funcionais paramétricas para o efeito de tratamento ou para a função de confusão, capturando relações não lineares complexas.
2. Garantia Teórica de Robustez: Demonstra-se teoricamente que o modelo limita a influência dos dados observacionais, protegendo contra a superconfiança (intervalos de credibilidade estreitos) quando há confusão não observada.
3. Quantificação de Incerteza Principiada: Fornece estimativas de incerteza que refletem tanto a variabilidade amostral quanto a incerteza decorrente do empréstimo de informação entre domínios diferentes.
4. Desempenho Superior em Estrapolação: O modelo utiliza a cobertura de covariáveis mais ampla dos dados observacionais para melhorar as estimativas fora do suporte do RCT, mantendo a fidelidade aos dados experimentais.

4. Resultados Experimentais

Os autores avaliaram o Causal-ICM através de simulações e um estudo com dados reais (Tennessee STAR).

• Simulações:

  • Em cenários lineares, o Causal-ICM teve desempenho comparável aos melhores métodos existentes.
  • Em cenários não lineares (efeitos de tratamento e confusão não lineares), o Causal-ICM superou significativamente todos os concorrentes (incluindo Integrative HTE, Elastic HTE e Experimental Grounding), que sofreram com a violação de suas suposições de linearidade.
  • Quantificação de Incerteza: O modelo produziu intervalos de credibilidade de 95% com cobertura próxima ao nível nominal, enquanto métodos baseados apenas em dados observacionais tendiam a ter cobertura próxima de 0% (intervalos muito estreitos e enviesados).
  • Robustez ao Tamanho da Amostra: Ao contrário de outros métodos que degradam com o aumento do tamanho da amostra observacional (devido ao viés), o Causal-ICM manteve ou melhorou seu desempenho.

• Dados Reais (Tennessee STAR):

  • Estudo sobre o impacto do tamanho da classe no desempenho dos alunos.
  • O Causal-ICM (com $\rho=0.4$) alcançou um RMSE competitivo (6.29), comparável ao método de Experimental Grounding com Random Forests (6.27) e superior a métodos que não lidaram bem com a dimensionalidade ou viés.

5. Significado e Impacto

O Causal-ICM representa um avanço significativo na síntese de evidências para inferência causal.

• Tomada de Decisão Personalizada: Ao fornecer estimativas de HTE com incerteza confiável, permite que médicos e formuladores de políticas identifiquem subgrupos de pacientes onde o tratamento é eficaz e onde a incerteza é alta.
• Generalização Segura: Oferece uma estrutura rigorosa para extrapolar resultados de RCTs para populações do mundo real, mitigando o risco de viés de confusão não observada.
• Futuro: O framework baseado em GPs abre caminho para extensões, como a inclusão de mais fontes de dados, likelihoods não-Gaussianos e priors sobre o parâmetro de empréstimo $\rho$.

Em resumo, o Causal-ICM resolve o dilema clássico de fundir dados experimentais e observacionais ao introduzir um mecanismo de "freio" controlado ($\rho$) que permite aproveitar o poder estatístico dos dados observacionais sem sacrificar a integridade causal dos dados experimentais.