Estimating causal effects of functional treatments with modified functional treatment policies

Resumo Técnico: Estimativa de Efeitos Causais de Tratamentos Funcionais com Políticas de Tratamento Funcional Modificadas (MFTP)

1. O Problema

A análise de dados funcionais (FDA) é comum em pesquisas biomédicas, onde tratamentos são representados como curvas contínuas (ex: níveis de atividade física ao longo de 24 horas). Embora existam métodos para estudar a associação entre tratamentos funcionais e desfechos, a inferência causal com tratamentos funcionais ainda é pouco explorada.

Os métodos existentes focam no Causal Average Dose-Response Functional (ADRF), que estima o desfecho médio se toda a população recebesse uma trajetória de tratamento idêntica $a(\cdot)$. Os autores identificam dois problemas críticos no ADRF:

• Violação de Positividade: Exige que qualquer trajetória $a(\cdot)$ seja possível para todos os indivíduos, o que é improvável em dimensões infinitas (ex: é impossível que um indivíduo sedentário receba uma trajetória de atleta olímpico).
• Interpretabilidade Limitada: O ADRF é um objeto de dimensão infinita, difícil de visualizar e muitas vezes cientificamente irrelevante para a prática clínica.

2. Metodologia Proposta

Os autores introduzem o Modified Functional Treatment Policy (MFTP). Em vez de impor uma trajetória única a todos, o MFTP imagina um mundo contrafactual onde cada indivíduo modifica sua própria trajetória observada de acordo com uma regra determinística $q(x, a(\cdot))$, baseada em suas covariáveis $x$ e seu tratamento original $a(\cdot)$.

Inovações Metodológicas Principais:

• Definição de Média Populacional em Dimensão Infinita: Um desafio matemático central é que variáveis funcionais não possuem uma função de densidade tradicional. Os autores resolvem isso utilizando a Análise de Componentes Principais Funcionais (FPCA). Eles definem a média populacional como o limite de uma sequência de médias baseadas nos primeiros $K$ componentes principais, garantindo que o estimador seja bem definido e consistente.
• Identificabilidade: O artigo estabelece as condições sob as quais o MFTP pode ser identificado, incluindo suposições de consistência, positividade (mais branda que a do ADRF) e troca de exogeneidade condicional.

Estimadores Desenvolvidos:

1. Outcome Regression (OR): Baseado na modelagem do desfecho condicional ao tratamento modificado.
2. Inverse Probability Weighting (IPW): Utiliza a razão de densidades dos escores dos componentes principais para ponderar a amostra.
3. Augmented Estimator (AIPW): Um estimador de dupla robustez forte. Ele combina OR e IPW, garantindo consistência de ordem $\sqrt{n}$ mesmo que um dos modelos (de desfecho ou de peso) seja mal especificado, desde que a taxa de convergência combinada seja suficiente.

3. Principais Contribuições

• Novo Estimando Causal: O MFTP oferece uma alternativa mais realista e interpretável ao ADRF, permitindo perguntas como: "O que aconteceria se cada pessoa reduzisse sua atividade noturna em 50%?".
• Rigor Teórico: Demonstração de que o uso de FPCA para definir a média populacional é matematicamente válido e converge para a média observada.
• Robustez Estatística: Prova de que o estimador aumentado (AIPW) é robusto a erros de modelagem, o que é crucial em dados de alta dimensão onde modelos perfeitos são raros.

4. Resultados e Aplicações

Simulações: Os experimentos confirmaram que o estimador AIPW atinge a taxa de convergência $\sqrt{n}$ e possui boas taxas de cobertura de intervalos de confiança, superando os outros métodos quando há erro de especificação de modelo.

Aplicação Prática (Dados NHANES):
Os autores aplicaram o framework a dados de acelerômetros para estudar a mortalidade por todas as causas:

• Atividade Noturna: Demonstraram que reduzir a atividade física disruptiva durante a noite (mantendo a intensidade total diária constante) tem um efeito causal na redução da mortalidade.
• Baixa Atividade (Sedentarismo): Mostraram que aumentar a intensidade da atividade durante períodos de baixa atividade durante o dia (reduzindo o tempo sedentário) também reduz o risco de mortalidade.

5. Significância

Este trabalho preenche uma lacuna crítica na literatura de inferência causal. Ao permitir que as intervenções sejam "ancoradas" no comportamento real dos indivíduos, o MFTP torna a análise de tratamentos contínuos e complexos (como sensores vestíveis e monitoramento fisiológico) muito mais útil para a tomada de decisão clínica e políticas de saúde pública, contornando as limitações matemáticas da dimensão infinita.