Resumo Técnico: Detecção de Confundidores via Intenção de Tratamento (CDTI)

Declaração do Problema

Na inferência causal, os Ensaios Clínicos Randomizados (ECR) são o padrão-ouro, mas frequentemente são limitados por custos, tempo e restrições éticas, tornando necessário o uso de dados observacionais. No entanto, estudos observacionais enfrentam o desafio crítico de confundimento não observado (UC): a presença de variáveis que influenciam tanto a alocação do tratamento ($X$) quanto o desfecho ($Y$), mas que não são registradas no conjunto de dados. Métodos padrão de ajuste (por exemplo, o critério de porta-trás) falham quando tais variáveis estão ausentes.

Embora especialistas do domínio possuam conhecimento desses fatores não observados (por exemplo, a percepção de um médico sobre a dificuldade respiratória de um paciente), raramente são treinados para enumerá-los de forma abstrata. Os métodos existentes para elicitar UCs são limitados. Este artigo aborda a lacuna de identificar sistematicamente candidatos a confundidores não observados, aproveitando o processo de tomada de decisão do agente que atribui o tratamento.

Metodologia: Detecção de Confundidores via Intenção de Tratamento (CDTI)

Os autores propõem um novo desenho de estudo observacional chamado Detecção de Confundidores via Intenção de Tratamento (CDTI). A premissa central é que qualquer confundidor não observado $U$ que afete a decisão de tratamento $X$ deve estar disponível ao Tomador de Decisão (DM) no momento da decisão. Em vez de pedir ao DM que liste confundidores de forma abstrata, o método consulta o DM para comparar pares específicos de unidades (pacientes) a fim de elicitar as razões para decisões de tratamento diferenciadas.

Componentes do Framework

O framework consiste em duas estratégias principais:

1. Estratégia de Emparelhamento ($\mathcal{M}$): Um método principiado para selecionar pares de unidades $(i, j)$ onde $X_i=1$ (tratado) e $X_j=0$ (não tratado) para apresentar ao especialista.
2. Estratégia de Extração ($\varepsilon$): Um método para processar o raciocínio do especialista a fim de identificar variáveis candidatas não observadas.

Estratégias de Emparelhamento

O artigo formaliza três estratégias específicas de emparelhamento projetadas para maximizar a probabilidade de que a explicação do DM dependa de variáveis não observadas ($U$) e não de covariáveis observadas ($Z$):

• Emparelhamento por $Z$ ($\mathcal{M}_{Z\text{-match}}$): Seleciona pares com covariáveis observadas idênticas ($Z_i = Z_j$). Se o tratamento difere, a explicação deve residir em $U$.
• Emparelhamento por $\pi$ ($\mathcal{M}_{\pi\text{-match}}$): Seleciona pares com escores de propensão idênticos ($\pi(Z_i) = \pi(Z_j)$). Isso permite o emparelhamento em espaços de alta dimensionalidade onde o emparelhamento exato por $Z$ é inviável.
• Dominação por $Z$ ($\mathcal{M}_{Z\text{-dom}}$): Seleciona pares onde a unidade tratada é estritamente "menor" (menos grave) que a unidade não tratada em todas as dimensões observadas ($Z_i \le Z_j$). Intuitivamente, se um paciente "mais saudável" recebe tratamento enquanto um "mais doente" não recebe, a decisão deve ser impulsionada por marcadores de gravidade não observados.

Fundamentos Teóricos

Os autores estabelecem resultados de dominância estocástica (Teorema 1) sob suposições específicas (monotonicidade da probabilidade de tratamento em $U$, e log-supermodularidade da distribuição conjunta de $U$ dado $Z$). Esses teoremas provam que, sob as estratégias de emparelhamento propostas, a distribuição de confundidores não observados $U$ para a unidade tratada é estocasticamente maior do que para a unidade não tratada. Isso cria uma mudança sistemática que torna $U$ a explicação mais provável para a diferença no tratamento.

Além disso, o artigo analisa Estratégias de Extração, definindo a probabilidade de "sucesso" (identificar com precisão um UC genuíno). Resultados teóricos (Teoremas 2 e 3) demonstram que:

• A dominação por $Z$ aumenta provadamente a precisão sobre o emparelhamento por $Z$ sob extração perfeita.
• O emparelhamento por $\pi$ domina o emparelhamento marginal (aleatório) quando as covariáveis observadas $Z$ explicam uma parcela significativa da variação em comparação com $U$.

Contribuições Principais

1. Formalização do CDTI: Introdução de um novo desenho de estudo que elicita sistematicamente confundidores não observados consultando tomadores de decisão sobre pares emparelhados.
2. Garantias Teóricas: Desenvolvimento de um framework compreendendo estratégias de emparelhamento e extração, apoiado por teoremas de dominância estocástica que caracterizam quando essas estratégias geram pares informativos.
3. Validação Empírica em UTI:
   • Demonstração de que as estimativas de Registros Eletrônicos de Saúde (EHR) para ventilação mecânica são fortemente confundidas (as estimativas sugerem aumento da mortalidade, contradizendo a intuição clínica).
   • Validação da metodologia usando um conjunto de dados semi-sintético derivado do MIMIC-III, onde a verdade fundamental para confundidores não observados é conhecida (extraída de anotações de texto clínico).
   • Aplicação a dados reais do MIMIC-III para descobrir confundidores clinicamente plausíveis (por exemplo, derrame pleural, dispneia, pneumonia) que frequentemente estão ausentes dos campos estruturados de EHR.

Resultados Experimentais

• Verificação Sintética: Experimentos confirmaram que a dominação por $Z$ supera o emparelhamento por $Z$ quando as condições teóricas são atendidas, e que o emparelhamento por $\pi$ supera o emparelhamento marginal quando a relação sinal-ruído das covariáveis observadas é alta.
• MIMIC-III Semi-Sintético: Usando notas clínicas como proxy para $U$, o estudo mostrou que pares selecionados via emparelhamento por $\pi$ e dominação por $Z$ produziram taxas de sucesso significativamente maiores na identificação de verdadeiros confundidores não observados em comparação com o pareamento aleatório.
• Aplicação no Mundo Real:
  • O método identificou com sucesso 20 confundidores candidatos de alta frequência de anotações clínicas, 17 dos quais foram considerados clinicamente plausíveis (por exemplo, comprometimento pulmonar, SIRS, hemorragia).
  • Efeito sobre o ETT: Quando os confundidores detectados foram adicionados ao conjunto de ajuste para estimar o Efeito do Tratamento nos Tratados (ETT) da ventilação mecânica, as estimativas mudaram ligeiramente, mas não se deslocaram para zero ou se tornaram estatisticamente significativas. Os autores atribuem isso à natureza ruidosa e parcial dos dados de texto (conceitos são documentados apenas para uma minoria de pacientes), sugerindo que, embora o método identifique candidatos, o proxy atual (indicadores binários de anotações) pode não recuperar totalmente a validade de porta-trás.

Significado e Alegações

O artigo alega fornecer uma base teórica para um novo desenho de estudo observacional que preenche a lacuna entre dados observacionais brutos e expertise do domínio. Seu significado principal reside em:

• Oferecer uma alternativa sistemática e principada à elicitação ad-hoc de especialistas para descobrir confundidores não observados.
• Fornecer garantias de dominância estocástica que justificam por que estratégias específicas de emparelhamento (como dominação por $Z$ e emparelhamento por $\pi$) são mais propensas a revelar fatores não observados do que outras.
• Demonstrar uma prova de conceito em um cenário médico de alto risco (UTI), mostrando que anotações de texto clínico podem servir como proxy para conhecimento não observado, embora os autores permaneçam modestos quanto à capacidade imediata deste método de corrigir totalmente as estimativas causais na presença de proxies ruidosos.

Os autores afirmam explicitamente que o framework detecta candidatos para confundidores não observados com garantias probabilísticas, mas não certifica que qualquer variável detectada especificamente seja um verdadeiro confundidor ou que adicioná-los recupere automaticamente a validade de porta-trás. Essas permanecem questões em aberto para trabalhos futuros.