Resumo Técnico: Acoplamento de Modelagem Generativa e um Autoencoder com a Ponte Causal

Declaração do Problema

O artigo aborda o desafio de inferir o efeito causal de um tratamento ($X$) sobre um desfecho ($Y$) na presença de um confundidor não observado ($U$) que influencia ambos. Métodos tradicionais de inferência causal frequentemente dependem de pressupostos fortes, como a ausência de confundidores não observados ou a disponibilidade de variáveis instrumentais válidas, os quais podem não se sustentar na prática. Embora abordagens recentes utilizem variáveis de controle (controles negativos) — especificamente um controle de tratamento ($Z$) e um controle de desfecho ($W$) — para mitigar esse viés, os métodos existentes para estimar a função da "ponte causal" (que liga os proxies ao efeito causal) enfrentam limitações quanto à compreensão teórica e implementação prática, particularmente no que diz respeito à eficiência do aprendizado e ao tratamento de relações não lineares complexas.

Metodologia

Os autores propõem um framework que acopla a função de ponte causal à modelagem generativa e a uma arquitetura de autoencoder para melhorar a estimação dos efeitos do tratamento.

1. Refinamento Teórico da Ponte Causal

O artigo reexamina os pressupostos necessários para que a função de ponte causal $b(W, x)$ satisfaça a equação integral de Fredholm:
$$E(Y |x, z) = E(b(W, x)|x, z)$$
Os autores demonstram que a função de ponte não precisa corresponder à função estrutural subjacente ponto a ponto, mas sim em expectativa. Eles derivam um novo limite informacional sobre o erro médio ($\eta$) da estimativa do efeito do tratamento. Esse limite relaciona o erro à informação mútua condicional $I(U; Z|W, x)$, sugerindo que a qualidade da aproximação da ponte depende criticamente de $W$ ser uma representação de baixo ruído do confundidor latente $U$.

2. Modelagem Generativa para Amostragem

Em vez de depender apenas da estimativa de expectativas condicionais (como em métodos anteriores de aprendizado causal por proxy profundo), os autores introduzem uma abordagem generativa. Eles modelam a distribuição condicional $p(W|x, z)$ usando um modelo generativo (por exemplo, um GAN Condicional ou um modelo de difusão) para amostrar proxies de desfecho $W$ dado o tratamento $X$ e o proxy de tratamento $Z$. Isso permite a simulação de amostras da distribuição do confundidor latente $p(U|W, x)$ via uma função $h(W, x, \epsilon)$, onde $\epsilon$ é o ruído. A função de ponte é então formulada como uma expectativa sobre essas variáveis latentes amostradas:
$$b(W, x) \approx E_{\epsilon}[g_Y(x, W, h(W, x, \epsilon))]$$

3. Arquitetura de Autoencoder para Força Estatística

Para aumentar a qualidade da representação latente aprendida $h(W, x, \epsilon)$, os autores propõem uma arquitetura de autoencoder que compartilha força estatística entre as variáveis observadas. O modelo minimiza conjuntamente uma função de perda composta:

• Perda de Desfecho ($L_{\theta_Y}$): Minimiza o erro entre os desfechos observados $Y$ e a previsão da ponte.
• Perda de Controle de Tratamento ($L_{\theta_X}$): Reconstrói o tratamento $X$ a partir da representação latente.
• Perda de Proxy ($L_{\theta_Z}$): Reconstrói o proxy de tratamento $Z$ a partir da representação latente.

Ao compartilhar o encoder $h_{\theta_U}$ entre essas tarefas, o modelo aproveita a informação de $X$ e $Z$ para inferir melhor o confundidor latente $U$, levando a estimativas causais mais robustas, particularmente quando os tamanhos das amostras são pequenos.

4. Extensão para Desfechos de Sobrevivência

O framework é estendido para lidar com dados de sobrevivência (desfechos de tempo até o evento com censura). Em vez de modelar o valor esperado de $Y$, o método modela a função de risco (hazard) $\lambda(Y | W, x) = \lambda_0(t) \exp(b(W, x))$. O efeito causal é estimado via razão de risco (HR), otimizado usando uma função de perda de verossimilhança parcial semelhante ao modelo de riscos proporcionais de Cox, sem exigir um risco basal paramétrico.

Principais Contribuições

1. Limite Teórico: O artigo fornece um novo limite para o erro médio da ponte causal, ligando o erro de estimativa à informação mútua condicional entre o confundidor não observado e os proxies. Ele esclarece que a função de ponte não precisa ser independente de $Z$ ponto a ponto, mas deve satisfazer uma condição de correspondência de expectativa.
2. Framework de Aprendizado Generativo: Uma formulação de aprendizado inovadora que utiliza modelos generativos para amostrar da distribuição condicional de proxies, indo além da estimativa de expectativas condicionais usada em métodos de estado da arte anteriores (como o Deep Feature Proxy Variables).
3. Integração de Autoencoder: A introdução de uma arquitetura de autoencoder que compartilha o encoder latente entre os modelos de tratamento, proxy e desfecho, melhorando a estimativa da ponte causal ao aproveitar a força estatística compartilhada.
4. Extensão para Análise de Sobrevivência: A primeira aplicação do framework da ponte causal a desfechos de sobrevivência, permitindo a inferência causal para dados de tempo até o evento na presença de confusão não observada.

Resultados Experimentais

O método proposto foi validado em conjuntos de dados sintéticos e do mundo real:

• Dados Sintéticos (Demand e dSprite): Em conjuntos de dados sintéticos onde os efeitos causais reais são conhecidos, o método proposto (CB + AE) superou significativamente o método de estado da arte Deep Feature Proxy Variable (DFPV). Os resultados mostraram que a amostragem de $p(W|x, z)$ e o uso do autoencoder compartilhado reduziram o Erro Quadrático Médio (MSE) das estimativas do efeito causal.
• Dados do Mundo Real (Framingham Heart Study): O método foi aplicado para estimar o efeito causal do uso de estatinas sobre eventos cardiovasculares (CVD).
  • Métodos observacionais padrão (CoxPH com vários esquemas de ponderação) produziram estimativas enviesadas (Razão de Risco > 1), provavelmente devido a confusão residual (pacientes de alto risco têm maior probabilidade de receber o tratamento).
  • Os métodos de Ponte Causal propostos (CB e CB + AE) produziram Razões de Risco < 1, consistentes com a direção do efeito encontrada em um Ensaio Clínico Randomizado (RCT) separado usado como referência.
  • A variante CB + AE forneceu intervalos de confiança mais estreitos e melhor alinhamento com os resultados do RCT em comparação com a variante apenas CB, demonstrando o benefício do componente autoencoder.

Significância e Alegações

Os autores afirmam que seu trabalho avança a compreensão teórica da ponte causal ao relaxar pressupostos de independência estrita e fornecer um limite de erro concreto. Praticamente, a integração de modelos generativos e autoencoders oferece um mecanismo mais flexível e robusto para inferência causal com variáveis de proxy, particularmente em cenários com dados limitados ou confusão não linear complexa. A extensão para análise de sobrevivência amplia a aplicabilidade da inferência causal proximal a domínios biomédicos críticos. Os autores observam que, embora o método mostre desempenho superior em comparação com métodos existentes baseados em proxies, verificar os pressupostos subjacentes continua sendo um desafio, e a partição das covariáveis em proxies ($W$ e $Z$) requer consideração cuidadosa em aplicações práticas.