Resumo Técnico: Análise de Mediação Semiparamétrica com Mediador e Desfecho Observados Separadamente sob Confundimento Não Medido

1. Definição do Problema

A análise de mediação é uma ferramenta padrão para decompor o efeito causal total de uma exposição $D$ sobre um desfecho $Y$ em efeitos indiretos naturais (NDE) e efeitos indiretos naturais (NIE) operando através de um mediador $M$. No entanto, uma limitação prática crítica surge quando $M$ e $Y$ nunca são observados conjuntamente no mesmo conjunto de dados. Este cenário é comum na genômica integrativa (ex: combinando estudos de eQTL para expressão gênica com GWAS para status de doença) e na saúde populacional (ex: fundindo coortes de exposição de larga escala com bancos de dados clínicos contendo fenótipos intermediários granulares).

Nesses contextos, a estratégia de identificação padrão para NDE e NIE falha porque depende da distribuição conjunta não observada de $(M, Y)$. Além disso, este problema é exacerbado pela presença de confundimento não medido entre o mediador e o desfecho ($M$-$Y$ confounding), que é um obstáculo importante mesmo em configurações de dados completos. Os métodos existentes de fusão de dados geralmente assumem que algum nível de sobreposição existe onde ambas as variáveis são observadas, ou dependem de suposições paramétricas que podem não se sustentar. Este artigo aborda o desafio de identificar efeitos de mediação causal quando:

1. As fontes de dados são heterogêneas: uma fonte contém $(D, Y)$ e outra contém $(D, M)$, sem observação conjunta de $(M, Y)$.
2. Existem confundidores não medidos $U$ entre $M$ e $Y$.

2. Metodologia e Estratégia de Identificação

2.1 Configuração e Suposições

Os autores consideram um modelo causal estrutural (SCM) com variáveis exógenas $D = (T, Z, A)$, onde $T$ é a exposição alvo, $Z$ representa variáveis instrumentais (IVs) sem efeito direto sobre $Y$, e $A$ são variáveis auxiliares com efeitos diretos sobre $Y$. Os dados vêm de duas fontes ($S=0$ e $S=1$):

• $S=0$: Observa $(Y, D, X)$.
• $S=1$: Observa $(M, D, X)$.

A identificação baseia-se nas seguintes suposições fundamentais:

• Exposição Não Confundida: $D \perp\!\!\!\perp (\epsilon_Y, \epsilon_M, U) \mid X, S$.
• Mediador Latente Não Confundido: $\epsilon_Y \perp\!\!\!\perp \epsilon_M \mid X, U, S$.
• Ausência de Interação $M$-$U$: O efeito de $M$ sobre $Y$ não depende do confundidor não medido $U$ (uma condição de "não-interação").
• Alinhamento entre Fontes: Condicional a $D$ e $X$, as distribuições de $U, M$ e $Y$ são permutáveis entre as fontes ($S \perp\!\!\!\perp (U, M, Y) \mid D, X$). Isso permite deslocamentos de covariáveis e de exposição entre as fontes.
• Condições de Completude:
  • $M-Z$ Completude: A variabilidade em $M$ é capturada pela variabilidade em $Z$.
  • $Z-M$ Completude (para eficiência): A variabilidade em $Z$ é capturada pela variabilidade em $M$.

2.2 Identificação via Funções de Ponte (Bridge Functions)

A inovação central é o uso de funções de ponte ($w$) para alinhar a distribuição observada do mediador em uma fonte com a distribuição do mediador contrafactual necessária para a outra. Sob a condição de completude, os autores provam a existência de funções $w_{tt'}^s$ que satisfazem uma equação integral (Equação 2 no artigo). Essas funções reponderam os estratos observados do mediador para corresponder aos estratos contrafactuais, contornando efetivamente a necessidade de observar $(M, Y)$ conjuntamente.

Os efeitos diretos e indiretos naturais são identificados como funcionais das distribuições dos dados observados usando essas funções de ponte:
$$\psi^{NDE}_s = \psi^{10}_s - \psi^{00}_s, \quad \psi^{NIE}_s = \psi^{11}_s - \psi^{10}_s$$
onde os termos $\psi^{tt'}_s$ envolvem as esperanças de $Y$ e das funções de ponte $w$.

2.3 Lidando com IVs Desconhecidas

Quando o conjunto de IVs válidas $Z$ é desconhecido, mas um conjunto candidato $C$ está disponível, os autores propõem uma estratégia de identificação baseada em esparsidade. Eles assumem que mais da metade dos IVs candidatos são válidos (Suposição 6). Ao resolver um problema de regressão esparsa para encontrar uma função $r^*(M, D, X)$ que vincula o desdobramento condicional na fonte 0 ao mediador condicional na fonte 1, as IVs válidas são identificadas como os componentes de $D$ dos quais $r^*$ não depende.

2.4 Estimação

Os autores desenvolvem estimadores de um passo baseados em função de influência e semiparamétricos.

• Robustez Múltipla: Os estimadores são consistentes se pelo menos uma combinação de parâmetros de incômodo (ex: as funções de ponte $w$, a regressão do desfecho $\nu$, ou o escore de propensão $\lambda$) for corretamente especificada. Especificamente, a consistência mantém-se se o modelo de desfecho estiver correto, ou se a função de ponte estiver correta, ou combinações específicas de ambos.
• Eficiência: Sob completude mútua (onde $Z$ é completo em $M$ e vice-versa), os estimadores propostos atingem o limite de eficiência semiparamétrica. Os autores derivam os gradientes canônicos (funções de influência) para os efeitos.
• Regularização: Como a resolução das funções de ponte envolve problemas inversos mal postos (equações integrais de Fredholm), os autores sugerem estratégias de regularização (ex: regularização de Tikhonov ou penalidades baseadas em variância) para estabilizar a estimação.

3. Principais Resultados

3.1 Contribuições Teóricas

• Identificação: O artigo estabelece que o NDE e o NIE são identificáveis sob confundimento não medido e observação separada de $M$ e $Y$, desde que existam IVs válidas e uma condição de não-interação.
• Limites de Eficiência: Os autores derivam os limites de eficiência semiparamétrica e mostram que seus estimadores atingem esses limites sob completude mútua.
• Conexão com a Literatura: O framework generaliza problemas de variáveis instrumentais (IV) de duas amostras, mostrando que os efeitos de tratamento médio em configurações de duas amostras são casos especiais de seu framework de mediação.

3.2 Estudos de Simulação

• Desempenho: Em simulações com instrumentos únicos e múltiplos, os estimadores propostos exibiram viés negligenciável em vários cenários de especificação incorreta do modelo, confirmando a propriedade de robustez múltipla.
• Eficiência: Em configurações com múltiplos instrumentos onde apenas o mediador é completo em relação ao conjunto de instrumentos (configuração não completa), o método proposto usando agregação adaptativa de instrumentos mostrou ganhos substanciais de eficiência (menores erros padrão) em comparação com o uso de uma única IV.
• Seleção de IV: O algoritmo proposto para selecionar IVs válidas de um conjunto candidato operou com alta precisão (identificação quase 100% correta) conforme o tamanho da amostra aumentava, mesmo na presença de IVs inválidas.
• Inferência: Intervalos de confiança baseados em bootstrap mostraram-se mais estáveis e confiáveis do que intervalos baseados em função de influência, particularmente sob especificação incorreta do modelo.

3.3 Aplicação de Dados

O framework foi aplicado ao Alzheimer's Disease Neuroimaging Initiative (ADNI) para quantificar a mediação do SNP rs610932 no risco de demência através da expressão gênica de PTK2B e CD33.

• Fusão de Dados: O estudo combinou as coortes ADNI-1 (desfechos e SNPs, sem expressão gênica) e ADNI-GO/2 (SNPs e expressão gênica, sem desfechos de longo prazo).
• Achados: O efeito indireto natural (NIE) estimado através de PTK2B foi negativo e substancial em relação ao efeito total, sugerindo um mecanismo protetor. O NIE através de CD33 foi próximo de nulo.
• Interpretação: Os autores observam que, embora os intervalos de confiança fossem amplos e cruzassem o zero, os resultados sugerem um mecanismo biológico onde o alelo menor de rs610932 opera através da expressão alterada de PTK2B e vias imunes microgliais a jusante.

4. Significância e Alegações

O artigo afirma introduzir um novo framework de fusão de dados que restaura a identificação de efeitos de mediação causal em cenários onde o mediador e o desfecho nunca são observados conjuntamente e o confundimento não medido está presente.

• Superação de Limitações de Dados: Aborda um problema persistente na genômica integrativa moderna e na ciência de dados de saúde, onde silos de dados impedem a observação conjunta de variáveis-chave.
• Robustez ao Confundimento Não Medido: Diferente da análise de mediação padrão, que exige suposições fortes sobre confundidores não medidos, este método utiliza IVs e uma condição de não-interação para identificar efeitos mesmo quando $U \neq \emptyset$.
• Flexibilidade: O método acomoda deslocamentos de covariáveis e de exposição entre fontes de dados e lida com casos onde o conjunto de IVs válidas é desconhecido.
• Eficiência: Ao utilizar a teoria de eficiência semiparamétrica, os estimadores propostos mostram-se eficientes sob condições apropriadas, fornecendo uma base estatística rigorosa para inferência nesses contextos complexos.

Os autores posicionam este trabalho como um avanço necessário para "desvendar caminhos causais" em estudos do mundo real onde a completude de dados é inalcançável, indo além da questão de "se funciona" para "através de quais caminhos funciona", mesmo em ambientes de dados fragmentados.