Bayesian Nonparametric Causal Inference for High-Dimensional Nutritional Data via Factor-Based Exposure Mapping

Resumo Técnico: Inferência Causal Não Paramétrica Bayesiana para Dados Nutricionais de Alta Dimensionalidade

Definição do Problema
A inferência causal em epidemiologia nutricional enfrenta três desafios primários: (i) os dados dietéticos são de alta dimensionalidade e altamente correlacionados, criando um espaço de tratamento massivo que é difícil de modelar; (ii) estudos nutricionais visam tipicamente identificar padrões dietéticos latentes em vez dos efeitos de itens alimentares individuais; e (iii) há uma necessidade de estimar efeitos causais heterogêneos desses padrões sobre desfechos de saúde. Métodos existentes, como as Florestas Causais Bayesianas (BCF), são projetados primariamente para tratamentos binários ou discretos e têm dificuldade em acomodar a natureza contínua, de alta dimensionalidade e ordenada das exposições nutricionais. Além disso, técnicas padrão de redução de dimensionalidade frequentemente operam fora de um framework causal formal, potencialmente sacrificando informações relevantes ou falhando em considerar a incerteza na definição da exposição.

Metodologia
Os autores propõem um framework unificado integrando o mapeamento de exposição com a modelagem não paramétrica Bayesiana. A metodologia procede em três estágios:

1. Mapeamento de Exposição via Análise Fatorial Bayesiana:
   Para reduzir a dimensionalidade do vetor de ingestão de nutrientes de alta dimensionalidade $Z \in (\mathbb{R}^+_0)^p$, os autores empregam um modelo fatorial Bayesiano. Este modelo assume que os dados de nutrientes observados são gerados por um conjunto de fatores latentes de menor dimensionalidade (padrões dietéticos).

   • Modelo: $Z^*_i = \Lambda l_i + \epsilon_i$, onde $Z^*$ é a ingestão padronizada, $\Lambda$ é a matriz de cargas fatoriais, $l_i$ são os escores dos fatores latentes e $\epsilon_i$ é o ruído.
   • Priors: Uma prior de encolhimento de processo gamma (Bhattacharya e Dunson, 2011) é colocada sobre as cargas fatoriais para incentivar a esparsidade e selecionar automaticamente o número de fatores.
   • Discretização: As estimativas posteriores contínuas dos escores fatoriais são discretizadas em três níveis ordenados (baixo, médio, alto) usando tercis. Isso transforma o tratamento contínuo de alta dimensionalidade em uma variável de exposição discreta e ordenada $T_i \in \{0, 1, 2\}^J$, onde $J$ é o número de padrões identificados.

2. Framework Causal sob Mapeamento de Exposição:
   O artigo formaliza a configuração causal sob o framework de resultados potenciais (Rubin, 1974) adaptado para mapeamento de exposição (Sävje, 2024).

   • Pressupostos: O framework assume ausência de interferência entre unidades, consistência (o desfecho observado é igual ao desfecho potencial sob a exposição observada) e ignorabilidade forte condicional a covariáveis $X$.
   • Identificabilidade: Os autores demonstram que os Efeitos Médios de Tratamento Condicional (CATEs) e os CATEs Específicos do Fator (FS-CATEs) são identificáveis sob esses pressupostos. Os FS-CATEs permitem a estimativa do efeito de mudar a adesão a um único padrão dietético mantendo os outros fixos.

3. BCF3L (Floresta Causal Bayesiana para Três Níveis Ordenados):
   Os autores estendem o modelo BCF padrão (Hahn, Murray e Carvalho, 2020) para lidar com três níveis de tratamento ordenados.

   • Estrutura: O desfecho $Y_i$ é modelado como $f(x, t_j, t_{j-1}) + \epsilon_i$, onde a função $f$ é decomposta em uma resposta de linha de base $\mu(\cdot)$ e efeitos de tratamento heterogêneos $\tau_{0,1}(\cdot)$ e $\tau_{1,2}(\cdot)$.
   • Implementação: Cada componente ($\mu, \tau_{0,1}, \tau_{1,2}$) é modelado como uma soma de árvores de regressão (BART). O modelo incorpora escores de propensão generalizados ($\hat{\pi}_{ij}$) para o tratamento multinível para ajustar o confundimento.
   • Flexibilidade: Esta extensão permite a estimativa de contrastes causais entre níveis adjacentes (médio vs. baixo, e alto vs. médio) enquanto captura relações não lineares e heterogeneidade de efeito impulsionada por covariáveis.

Principais Contribuições

1. Framework Causal Formal: O artigo estabelece um framework causal geral para mapeamento de exposição, especificando as propriedades da função de mapeamento, os pressupostos necessários e os estimandos para tratamentos de alta dimensionalidade.
2. Mapeamento de Exposição Inovador: Introduz um mapeamento de exposição baseado em análise fatorial especificamente desenhado para reduzir dados nutricionais correlacionados de alta dimensionalidade em padrões latentes interpretáveis, preservando a estrutura causal.
3. Extensão BCF3L: Os autores desenvolvem o BCF3L, uma nova extensão da Floresta Causal Bayesiana que acomoda três níveis de tratamento ordenados, permitendo a estimativa de efeitos causais heterogêneos através de gradientes de exposição ordenados.

Resultados

• Simulações: Estudos de simulação extensos em três cenários (tratamentos únicos lineares e não lineares, e tratamentos baseados em fatores de alta dimensionalidade) demonstram que o BCF3L supera a Regressão Linear Bayesiana com uma prior horseshoe (BLR-HS) e extensões padrão de BART. O BCF3L alcança consistentemente menor viés e Erro Quadrático Médio (RMSE) na estimativa de efeitos causais heterogêneos, particularmente em configurações de alta dimensionalidade que exigem mapeamento de exposição.
• Aplicação (HCHS/SOL): O método foi aplicado ao conjunto de dados do Hispanic Community Health Study/Study of Latinos (HCHS/SOL) ($N=9.298$).
  • Padrões Dietéticos: Seis padrões distintos foram identificados: Lipídio Vegetal–Antioxidante, Produto Lácteo, Alimento Processado, Baseado em Plantas, Proteína Animal e Frutos do Mar.
  • Efeitos Causais: O estudo estimou os efeitos causais desses padrões sobre o Índice de Massa Corporal (IMC) e a insulina em jejum.
    • Achados Significativos: O consumo mais elevado (alto vs. médio) dos padrões de Lipídio Vegetal–Antioxidante, Baseado em Plantas e Produto Lácteo foi associado à redução do IMC e da insulina em jejum.
    • Achados Matizados: Para a Proteína Animal, a redução no IMC foi mais pronunciada ao passar do consumo baixo para o médio, enquanto a melhoria na regulação da insulina foi mais significativa ao passar do médio para o alto.
    • Alimento Processado: Não foram encontrados efeitos estatisticamente significativos, embora uma tendência positiva para a insulina em jejum tenha sido observada.
    • Observação Geral: Os autores observam que aumentar a ingestão de baixo para médio frequentemente resultou em intervalos de credibilidade mais amplos e menor significância estatística em comparação com aumentos de médio para alto, sugerindo que aumentos moderados nem sempre geram mudanças substanciais na saúde, enquanto a maior adesão a padrões específicos o faz.

Significância e Alegações
O artigo afirma preencher a lacuna entre a epidemiologia nutricional e a inferência causal ao fornecer um método principiado para lidar com tratamentos de alta dimensionalidade e correlacionados. A significância reside em:

• Avanço Metodológico: Oferecer uma ferramenta robusta (BCF3L) para estimar efeitos causais heterogêneos em cenários com três níveis de tratamento ordenados, um cenário comum mas subatendido na inferência causal.
• Utilidade Prática: Permitir a identificação de padrões dietéticos latentes e seus impactos causais específicos na saúde, indo além da análise de nutrientes isolados.
• Reprodutibilidade: Os autores disponibilizaram um pacote R de código aberto (BCF3L) e o código que integra o mapeamento de exposição com o procedimento de estimativa, facilitando aplicações mais amplas em configurações de alta dimensionalidade além da nutrição.

Os autores mantêm um tom modesto, reconhecendo que, embora seu método melhore as abordagens existentes em simulações e aplicações no mundo real, trabalhos futuros poderiam incorporar a incerteza do modelo fatorial diretamente na etapa de estimativa causal e estender o framework para modelar conjuntamente múltiplas variáveis de exposição ordenadas.