The Digital Twin Counterfactual Framework: A Validation Architecture for Simulated Potential Outcomes

Resumo Técnico: O Framework de Contrafactuais de Gêmeo Digital (DTCF)

1. O Problema Fundamental

O artigo aborda o problema fundamental da inferência causal: a impossibilidade de observar simultaneamente os dois resultados potenciais para um mesmo indivíduo (o resultado sob tratamento, $Y_i(1)$, e o resultado sob controle, $Y_i(0)$).

• Limitação Atual: Todas as abordagens existentes (ensaios controlados randomizados, pareamento, variáveis instrumentais, etc.) substituem os dados ausentes por suposições (como ignorabilidade, tendências paralelas ou restrições de exclusão). Nenhuma delas produz o contrafactual real; elas apenas estimam quantidades agregadas (como o Efeito Médio do Tratamento - ATE) sob essas suposições.
• Consequência: O efeito do tratamento individual (ITE), a distribuição completa dos efeitos, a variância e a probabilidade de benefício ou dano permanecem inacessíveis ou dependem de suposições não testáveis sobre a estrutura de dependência entre os resultados potenciais.

2. Metodologia: O Framework de Gêmeo Digital (DTCF)

O DTCF propõe uma mudança de paradigma: em vez de estimar estatisticamente o contrafactual, simulá-lo usando um "Gêmeo Digital" (uma réplica computacional do indivíduo) e submeter essa simulação a um regime rigoroso de validação.

A. O Simulador de Gêmeo Digital

• Definido como um mapeamento estocástico $S: \mathcal{X} \times \{0, 1\} \times \mathcal{U} \to \mathcal{Y}$.
• Para cada indivíduo $i$ com covariáveis $X_i$, o simulador gera os dois resultados potenciais: $\hat{Y}_i(1) = S(X_i, 1, U_i)$ e $\hat{Y}_i(0) = S(X_i, 0, U_i)$.
• Ponto Crítico: O mesmo ruído latente $U_i$ é usado para ambos os cenários. Isso cria uma cópula (estrutura de dependência) dentro do indivíduo, permitindo calcular o efeito individual $\hat{\tau}_i = \hat{Y}_i(1) - \hat{Y}_i(0)$.

B. Hierarquia de Fidelidade e Assunções
O framework substitui a suposição de ignorabilidade por uma hipótese de fidelidade do simulador, que é parcialmente testável:

1. Fidelidade Marginal ($\epsilon$-Fidelidade): O simulador reproduz corretamente as distribuições marginais $F_d(y|x)$. Isso é testável comparando o braço factual simulado com os dados observados. Garante a identificação de ATE, ATT, CATE, etc.
2. Fidelidade Conjunta: O simulador reproduz corretamente a distribuição conjunta $H(y_1, y_0|x)$, incluindo a cópula. Isso é não testável diretamente a partir de dados observacionais, pois nunca vemos $Y_i(1)$ e $Y_i(0)$ juntos.
3. Transportabilidade: Assume-se que a fidelidade no braço observado se transfere para o braço contrafactual (com uma penalidade de extrapolação $\delta$).

C. Arquitetura de Validação em 5 Níveis
O artigo propõe uma estrutura hierárquica para validar o simulador e determinar quais estimandos são credíveis:

• Nível 0 (Calibração Marginal): Testa se a distribuição global simulada corresponde à realidade (ex: teste de Kolmogorov-Smirnov).
• Nível 1 (Calibração Condicional): Testa a correspondência dentro de estratos de covariáveis. Se aprovado, garante limites de erro para ATE e CATE.
• Nível 2 (Calibração Individual): Testa se o simulador prevê corretamente o resultado observado de cada indivíduo (erro de previsão).
• Nível 3 (Calibração de Efeito do Tratamento): Compara o efeito médio simulado com um padrão-ouro (ex: RCT ou quasi-experimento) para detectar viés de transporte.
• Nível 4 (Teste de Estresse Distribucional): Testa a robustez da cópula (ex: reexecutar com ruído independente para ver a sensibilidade, verificar limites de Fréchet-Hoeffding).

3. Principais Contribuições

1. Decomposição Formal da Credibilidade Causal:
   O DTCF separa explicitamente as quantidades causais em duas categorias:

   • Marginais (Testáveis): ATE, ATT, CATE, QTE. Podem ser validadas empiricamente contra dados observáveis (Níveis 0-3).
   • Conjuntas (Não Testáveis): Distribuição do ITE, probabilidade de benefício/dano, variância do efeito. Dependem da cópula (estrutura de dependência não observada). O framework não as esconde, mas as isola.

2. Arquitetura de Validação Falsificável:
   Transforma a afirmação não falsificável "o simulador é perfeito" em uma série de testes falsificáveis. O framework define claramente quais estimandos são suportados em cada nível de validação.

3. Ferramentas para o "Gap" Irredutível:
   Para as quantidades dependentes da cópula, o DTCF oferece:

   • Limites de Fréchet-Hoeffding: Limites teóricos assumption-free para a variância e probabilidade de benefício.
   • Análise de Sensibilidade à Cópula: Medir como as estimativas mudam ao variar a estrutura de dependência assumida.
   • Índice de Sensibilidade à Cópula (CSI): Uma métrica para quantificar o impacto da escolha da cópula.

4. Resultados e Implicações Teóricas

• Teorema da Completude da Validação: Demonstra que todas as estimativas baseadas apenas em distribuições marginais podem ser validadas com precisão arbitrária, enquanto as baseadas na cópula permanecem não testáveis, mas podem ser delimitadas.
• Exemplo Ilustrativo (Indistinguibilidade): O artigo mostra que dois simuladores podem ter fidelidade marginal perfeita (passando todos os testes de Nível 0-3) e produzir o mesmo ATE, mas gerar conclusões clínicas opostas devido a diferentes cópulas (um sugere benefício universal, o outro sugere dano para 40% dos pacientes).
• Troca de Assunções: O DTCF não elimina a necessidade de suposições, mas troca a suposição de ignorabilidade (totalmente não testável) por uma suposição de fidelidade do simulador (parcialmente testável) e explicita o que permanece não testável.

5. Significado e Implementação

• Mudança de Paradigma: O framework move a inferência causal de um problema de "estimação estatística com dados faltantes" para um problema de "fidelidade de simulação".
• Aplicação em LLMs: O artigo discute a implementação usando Grandes Modelos de Linguagem (LLMs) como motores de simulação.
  • Desafio: Garantir que o LLM acople corretamente os resultados (usando o mesmo "perfil latente" para tratamento e controle) para não gerar uma cópula de independência artificial.
  • Estratégias: Prompting conjunto, controle de sementes ou imposição pós-hoc de cópulas.
• Transparência: A maior contribuição é a honestidade metodológica. O DTCF permite que pesquisadores relatem: "Este resultado é validado empiricamente" (ATE) e "Este resultado é uma estimativa pontual dependente de uma suposição de cópula, com limites de [X, Y] e sensibilidade [Z]".

Conclusão:
O DTCF não resolve o problema fundamental da inferência causal (o contrafactual continua não observado), mas fornece uma arquitetura rigorosa para simular o que falta, validar onde é possível e quantificar explicitamente a incerteza onde não é. Isso representa um avanço defensável sobre as abordagens clássicas, que muitas vezes escondem a dependência de suposições não testáveis sob uma única hipótese de ignorabilidade.