Causal Inference with Multiple Misclassified Exposures: A Control Variate-Adjusted Calibration Weighting Approach

Resumo Técnico: Inferência Causal com Múltiplas Exposições Mal Classificadas

Definição do Problema
Em estudos de infecções respiratórias entre pacientes com fibrose cística (FC), a classificação errônea da exposição é um problema onipresente. Embora as culturas de escarro representem o padrão-ouro para detectar patógenos como Pseudomonas aeruginosa e Staphylococcus aureus, elas são frequentemente difíceis de obter, particularmente em pacientes mais jovens. Consequentemente, pesquisadores frequentemente dependem de swabs de garganta, que exibem sensibilidade e especificidade imperfeitas. Esse erro de medição, particularmente a classificação errônea não diferencial, enviesa as estimativas de efeito causal em direção ao nulo, podendo levar à subestimação do impacto dos patógenos na função pulmonar (ex: percentual previsto de FEV1). A literatura existente sobre erro de medição em inferência causal tem focado amplamente em exposições univariadas ou dependido de modelos paramétricos para o mecanismo de classificação errônea, deixando uma lacuna metodológica para lidar com múltiplas exposições binárias mal classificadas e agrupadas sem modelar explicitamente o processo de erro.

Metodologia
Os autores propõem um framework combinando ponderação de calibração e ajuste por covariável de controle para abordar a inferência causal com múltiplas exposições binárias mal classificadas em dados agrupados. A estrutura dos dados é particionada em três subamostras mutuamente exclusivas:

1. Amostra de padrão-ouro: Observações com apenas culturas de escarro (exposição verdadeira $A$ observada).
2. Amostra propensa a erro: Observações com apenas swabs de garganta (exposição mal classificada $A^*$ observada).
3. Amostra de validação: Observações com medições pareadas de escarro e swab coletadas simultaneamente.

A metodologia procede em duas etapas:

1. AIPW (Estimador de Probabilidade Inversa Ponderada Aumentada) com Calibração de Pesos:
   Os autores tratam a classificação errônea como um problema de dados faltantes. Eles constroem pesos de calibração para as subamostras de padrão-ouro e de erro, para equilibrar as distribuições de covariáveis contra uma margem de população alvo. Esses pesos são derivados via tilting exponencial para minimizar a divergência de Kullback–Leibler.

   • Um estimador consistente ($\hat{\tau}_1$) é construído usando a amostra de padrão-ouro.
   • Um estimador separado ($\tilde{\tau}_0$) é construído usando a amostra propensa a erro.
   • Ambos os estimadores utilizam modelos de regressão de desfecho (ajustados via Multivariate Adaptive Regression Splines, MARS) e são duplamente robustos: permanecem consistentes se tanto os pesos de calibração (escore de propensão) quanto o modelo de desfecho forem especificamente corretos. Crucialmente, esta abordagem alcança consistência sem modelar a sensibilidade ou a especificidade do mecanismo de classificação errônea.

2. Ajuste por Covariável de Controle:
   Para melhorar a eficiência, os autores utilizam a amostra de validação para construir uma covariável de controle.

   • Um terceiro estimador ($\tilde{\tau}_{val}$) é construído usando a amostra de validação com a exposição propensa a erro $A^*$.
   • Sob a suposição de amostragem de erro propensa intercambiável, a diferença $\hat{\zeta} = \tilde{\tau}_{val} - \tilde{\tau}_0$ possui uma esperança de zero.
   • Esta quantidade de média zero é usada como uma covariável de controle para ajustar o estimador de padrão-ouro: $\hat{\xi} = \hat{\tau}_1 + b\hat{\zeta}$.
   • O coeficiente $b$ é escolhido para minimizar a variância, baseando-se na covariância entre o estimador de padrão-ouro e a covariável de controle, que é identificável através da amostra de validação.

Principais Contribuições
O artigo apresenta quatro contribuições primárias:

1. Quantificação do Viés: Ele quantifica empiricamente o viés introduzido pela dependência de swabs de garganta versus culturas de escarro para P. aeruginosa e S. aureus em pacientes com FC.
2. Framework de Calibração: Descreve estimadores de ponderação de calibração que tratam a classificação errônea como dados faltantes, aplicando-os separadamente às amostras de padrão-ouro e propensas a erro sem modelar o mecanismo de classificação errônea.
3. Covariáveis de Controle Multivariadas: Estende o método de covariável de controle para exposições binárias bivariadas com observações agrupadas. Notavelmente, caracteriza um teto estrutural de eficiência no cenário multivariado. Os autores demonstram que a redução da variância é limitada pela probabilidade conjunta de classificação correta para ambas as exposições, que é inferior às probabilidades marginais, resultando em ganhos mais modestos em comparação com aplicações univariadas.
4. Validação por Simulação e Empírica: Os métodos são avaliados através de simulações sob erro de especificação de modelo e aplicados a uma coorte de mundo real de FC.

Resultos

• Estudos de Simulação: Os estimadores propostos demonstraram consistência e dupla robustez sob várias especificações incorretas de modelo (escores de propensão ou modelos de desfecho incorretos). O estimador de covariável de controle reduziu a variância em até 13% em comparação com o estimador de padrão-ouro isolado. No entanto, as probabilidades de cobertura para os intervalos de confiança nominais de 95% mostraram uma leve subcobertura (89–92%) quando a proporção de observações de padrão-ouro era pequena ($\eta=0.2$), atribuída à instabilidade de amostra finita nos pesos de calibração.
• Aplicação em Coorte de FC: O estudo analisou 651 pacientes com FC (12.971 observações).
  • Atenuação do Viés: As estimativas baseadas em swab atenuaram o efeito de P. aeruginosa no percentual previsto de FEV1 em aproximadamente 69% em comparação com as estimativas baseadas em escarro ($-2,67$ vs. $-8,52$ pontos percentuais).
  • Associações Espúrias: As estimativas baseadas em swab sugeriram uma associação positiva significativa entre S. aureus e função pulmonar ($+2,86$ pontos), um artefato da baixa especificidade (63,6%) dos swabs para este patógeno, que classifica erroneamente pacientes não colonizados (mais saudáveis) como colonizados.
  • Desempenho da Covariável de Controle: O estimador de covariável de controle produziu estimativas próximas aos resultados de escarro de padrão-ouro ($-8,00$ para P. aeruginosa) e reduziu os erros padrão em menos de 1% para cerca de 6%, consistente com o teto estrutural teórico no cenário bivariado.

Significância e Alegações
Os autores alegam que seus métodos fornecem um framework robusto para inferência causal ao lidar com múltiplas exposições mal classificadas, particularmente em cenários onde um padrão-ouro existe, mas é escasso. A principal significância reside em demonstrar que a dependência de proxies imperfeitos (swabs de garganta) pode levar a uma subestimação substancial dos efeitos dos patógenos e a conclusões clínicas potencialmente enganosas (ex: sugerir que o S. aureus é benéfico).

O artigo alega modestamente que, embora o ajuste por covariável de controle ofereça ganhos de eficiência, estes são estruturalmente limitados em cenários multivariados devido ao requisito de classificação correta conjunta. Os autores enfatizam que sua abordagem alcança consistência sem a necessidade de especificar a sensibilidade ou a especificidade do erro de medição, uma vantagem distinta sobre os métodos de correção paramétrica. Eles concluem que os achados sugerem uma necessidade clínica de evitar o subtratamento de P. aeruginosa baseando-se apenas em dados de swab e destacam a utilidade do framework proposto para aplicações mais amplas envolvendo múltiplas exposições mal classificadas.