Resumo Técnico: ConfoundingSHAP

Declaração do Problema

Na inferência causal observacional, a atribuição do tratamento é frequentemente não aleatória, levando a diferenças sistemáticas entre os grupos tratados e não tratados. Variáveis que influenciam tanto a atribuição do tratamento quanto os desfechos são conhecidas como variáveis de confusão. Embora ensaios clínicos randomizados eliminem esse problema, estudos observacionais exigem que os pesquisadores identifiquem e ajustem para variáveis de confusão para estimar efeitos causais (por exemplo, Efeito Médio do Tratamento Condicional, CATE) com precisão.

Um desafio crítico permanece: Quais covariáveis observadas realmente impulsionam a força da confusão?
Métodos de explicação existentes para aprendizado de máquina causal geralmente visam objetos diferentes:

1. Pontuações de propensão: Explicar mecanismos de atribuição de tratamento.
2. Modelos de desfecho: Explicar risco prognóstico.
3. Estimadores de CATE: Explicar heterogeneidade do efeito do tratamento (modificadores de efeito).

Os autores argumentam que aplicar SHAP padrão (Shapley Additive exPlanations) a estimadores de CATE é inadequado para identificar variáveis de confusão. Explicações de CATE focam na variação dos efeitos do tratamento; se uma variável de confusão desloca os desfechos potenciais para os grupos tratado e controle de forma similar, sua contribuição se cancela no CATE ($\tau(x) = \mu_1(x) - \mu_0(x)$), tornando-a invisível para métodos padrão de importância de características. Consequentemente, há uma falta de métodos para quantificar e atribuir especificamente a força de confusão observada a covariáveis individuais.

Metodologia: ConfoundingSHAP

O artigo introduz o ConfoundingSHAP, um método baseado em Shapley projetado para atribuir a força de confusão a covariáveis individuais. O método opera definindo um jogo cooperativo diretamente sobre um funcional de viés de confusão, em vez de um modelo preditivo.

1. Definindo o Funcional de Viés de Confusão

O núcleo do método é quantificar o viés de confusão residual ($b_S$) ao restringir o conjunto de ajuste a um subconjunto de covariáveis $S$.

• Contraste Observacional ($\delta_S$): A diferença nos desfechos observados entre unidades tratadas e de controle, condicionada ao subconjunto $X_S$.
• Contraste Causal ($\tau_S$): A projeção do CATE de ajuste total sobre o subconjunto $X_S$ (ou seja, $E[\tau(X) | X_S]$).
• Viés Residual: $b_S(x_S) = \delta_S(x_S) - \tau_S(x_S)$.

Se $S$ contiver todas as variáveis de confusão, $b_S = 0$. Se $S$ for insuficiente, $b_S \neq 0$ (a menos que os vieses se cancelem perfeitamente).

2. O Jogo Cooperativo

Os autores definem um jogo cooperativo onde:

• Jogadores: As covariáveis individuais.
• Coalizões: Subconjuntos de covariáveis incluídos no conjunto de ajuste.
• Função de Valor ($\nu$): Definida como o viés residual esperado negativo, $\nu(S) = -E[b_S(X_S)]$.
  • O sinal negativo garante que um valor Shapley positivo indique a contribuição de uma covariável para reduzir o viés (ou seja, sua importância como variável de confusão).
• Valores de Shapley: O valor de Shapley $\phi_j$ para a covariável $j$ decompõe a redução total do viés (de nenhum ajuste para ajuste total) em contribuições individuais.

3. Estimação Escalável via TabPFN

Avaliar a função de valor para cada coalizão exige ajustar modelos para cada subconjunto $S$, o que é computacionalmente proibitivo ($O(2^p)$). Para abordar isso, os autores propõem uma estratégia de estimação escalável usando TabPFN (um modelo fundamental tabular):

1. Pré-cálculo: Ajustar um modelo de desfecho completo em todas as covariáveis para gerar pseudo-desfechos (estimativas de CATE de ajuste total).
2. Aprendizado em Contexto: Para cada coalizão consultada $S$, usar o TabPFN para estimar o contraste observacional e o contraste causal projetado sem re-treinar parâmetros do modelo. O TabPFN condiciona-se aos dados de treinamento fornecidos no contexto, tratando o subconjunto $S$ como as características de entrada.
3. Aproximação de Shapley: Usar estimadores de Shapley eficientes (por exemplo, RegressionMSR) para aproximar os valores com base em um orçamento de avaliações de coalizão, evitando enumeração exaustiva.

Contribuições Principais

1. Método Novel: Introdução do ConfoundingSHAP, o primeiro método baseado em Shapley especificamente projetado para medir e atribuir a força de confusão observada no nível da covariável.
2. Distinção Teórica: Uma demonstração formal de que a força de confusão é distinta da heterogeneidade do efeito do tratamento. O artigo prova que explicações padrão de CATE podem perder completamente variáveis de confusão se seus efeitos sobre os desfechos forem simétricos entre os braços de tratamento.
3. Algoritmo Escalável: Uma implementação prática usando TabPFN que evita o reajuste exaustivo exigido pela avaliação exata do funcional de viés, permitindo aplicação em conjuntos de dados de dimensão média e alta.
4. Validação Empírica: Experimentos abrangentes mostrando a capacidade do método de recuperar variáveis de confusão verdadeiras em dados sintéticos, detectar o desaparecimento da confusão em ensaios clínicos randomizados (RCTs) e identificar variáveis de confusão clinicamente plausíveis em estudos observacionais do mundo real.

Resultados Experimentais

Os autores avaliam o ConfoundingSHAP em três configurações principais:

1. Dados Sintéticos com Verdade Terrestre Conhecida:

   • Em configurações de baixa dimensão (4 covariáveis) e média dimensão (17 covariáveis), o ConfoundingSHAP atribui corretamente valores de Shapley altos a verdadeiras variáveis de confusão e valores próximos de zero a instrumentos, modificadores de efeito e preditores apenas de desfecho.
   • Em contraste, o SHAP padrão aplicado a um estimador de CATE falhou em identificar a variável de confusão em cenários específicos onde o efeito da variável de confusão se cancelou no cálculo do efeito do tratamento.
   • O método demonstrou alta estabilidade de rank em múltiplas sementes aleatórias.

2. Ensaio Controlado Randomizado (Conjunto de Dados ACTG):

   • Quando aplicado a um conjunto de dados de RCT do mundo real (ACTG 175) onde o tratamento foi atribuído aleatoriamente, o ConfoundingSHAP identificou corretamente que a força de confusão desapareceu (valores próximos de zero); mesmo quando a atribuição do tratamento foi artificialmente modificada para introduzir confusão em uma variante semi-sintética, o método recuperou com sucesso as variáveis de confusão introduzidas.

3. Estudo Observacional do Mundo Real (SUPPORT/RHC):

   • Aplicado ao estudo de cateterização cardíaca direita SUPPORT, o método identificou variáveis como a Pontuação de Fisiologia Aguda (APS1) como tendo alta força de confusão, alinhando-se ao conhecimento clínico de que a gravidade da doença impulsiona tanto as decisões de tratamento quanto a mortalidade.
   • Variáveis irrelevantes (por exemplo, ID do paciente) foram corretamente atribuídas com força de confusão próxima de zero.

Significado e Alegações

O artigo alega que o ConfoundingSHAP preenche uma lacuna crítica na explicabilidade do aprendizado de máquina causal. Ao deslocar o foco de "o que impulsiona a heterogeneidade do efeito do tratamento" para "o que impulsiona o viés de confusão", o método fornece insights acionáveis para:

• Seleção de Variáveis: Ajudar pesquisadores a escolher conjuntos de ajuste mínimos suficientes em estudos observacionais.
• Desenho de Estudo: Informar o desenho de estudos observacionais prospectivos (por exemplo, ensaios-alvo emulados) destacando quais covariáveis são críticas para a comparabilidade.
• Transparência: Oferecer uma ferramenta de diagnóstico para entender quais covariáveis medidas criam incomparabilidade entre os grupos de tratamento.

Os autores enfatizam que o ConfoundingSHAP não certifica a ausência de viés causal (o que depende de variáveis de confusão não medidas), mas sim quantifica o viés decorrente do ajuste restrito das covariáveis observadas. Ele serve como uma ferramenta complementar ao conhecimento de domínio, diagramas causais e análise de sensibilidade.