Causal Inference for Case Studies in Behavioral Health

Resumo Técnico: Inferência Causal para Estudos de Caso em Saúde Comportamental

Problema
O artigo aborda o desafio fundamental de realizar inferência causal em contextos observacionais $N=1$, especificamente em estudos de caso de saúde comportamental. As metodologias padrão de inferência causal dependem tipicamente de randomização, controle experimental ou grandes quadros populacionais para ajustar o confundimento. No entanto, os processos de cuidado individual carecem dessas características. Provedores e clientes operam em um contexto de "confundimento não mensurado" ($U$), onde uma teia de variáveis latentes influencia tanto a seleção do tratamento ($T$) quanto os resultados ($Y$). Além disso, designs experimentais rigorosos (ex: reversões A-B-A-B) são frequentemente antiéticos ou subversivos à relação terapêutica. Consequentemente, os provedores não podem mensurar empiricamente contrafatuais (ex: $Y|do(t=0)$ quando $Y|do(t=1)$ é observado) ou confiar em pressupostões de pareamento baseadas na população que pressupõem uma "identidade essencial" entre pontos temporais ou indivíduos distintos. O problema central é estabelecer uma rota válida para estimandos causais sem exigir a mensuração ou o ajuste de confundidores.

Metodologia e Estrutura
Os autores propõem uma estrutura baseada em Modelos Causais Estruturais (SCMs) e uma interpretação subjetivista (de Finetti) da probabilidade, onde a probabilidade é vista como uma medida pessoal de incerteza, em vez de uma frequência objetiva.

1. Estimandos $\Omega$: O artigo desloca o foco dos contrastes de distribuições de probabilidade (ex: diferenças de médias) para contrastes de suportes. O suporte de uma variável aleatória, denotado por $\Omega$, é o conjunto de valores com probabilidade não nula. Os autores definem estimandos $\Omega$ como funções desses suportes (ex: $\max(\Omega)$, $\min(\Omega)$, amplitude ou cardinalidade) que não incorporam pesos de probabilidade.
2. O Pressuposto Central (Positividade): A estrutura baseia-se em um único pressuposto crítico: a Positividade. Formalmente, para todos os valores de tratamento $t \in \Omega_T$ e confundidores não mensurados $u \in \Omega_U$, a probabilidade condicional $f(t|u) > 0$. No contexto subjetivista, isso implica que nenhum estado do confundidor não mensurado $u$ torna um tratamento específico $t$ impossível. Os autores argumentam que, se o tratamento for conceituado em um nível suficientemente grosseiro (ex: "exposição ao gerenciamento de caso" em vez de microintervenções específicas), a positividade se mantém mesmo na presença de confundidores não mensurados.
3. Coincidência de Suporte: O resultado teórico central (Proposição 1) prova que, sob o pressuposto da positividade, o suporte observacional de um resultado coincide com seu suporte intervencional: $\Omega_{Y|t} = \Omega_{Y|do(t)}$. Isso significa que o conjunto de resultados possíveis observados no mundo real é idêntico ao conjunto de resultados que ocorreriam sob uma intervenção hipotética, tornando a identificação de efeitos-$\Omega$ imune ao confundimento não mensurado.

Principais Contribuições e Extensões
O artigo introduz três condições para facilitar a inferência:

• Condição I (Positividade): Suficiente para identificar que os suportes observacional e intervencional coincidem.
• Condição II (Preservação Epistêmica): Assume que o "motivo estrutural" da incerteza do agente (especificamente a relação entre o valor esperado e a média funcional do suporte) permanece invariante através de estados de tratamento e não tratamento. Isso permite a tradução de efeitos-$\Omega$ em diferenças de valores esperados via uma identidade de média-esperada: $E(Y) = Av(Y) - \kappa$, onde $\kappa$ é um termo relacionado à assimetria. Se $\kappa$ for preservado, as diferenças de médias adquirem significado causal.
• Condição III (Recuperação de Suporte): Permite que a estimativa de linha de base recordada pelo cliente ($\hat{Y}$) sirva como um proxy para o suporte de linha de base não observado ($\Omega_{Y|t=0}$). Assume-se que, embora a distribuição de probabilidade do relato possa diferir, o conjunto de valores possíveis (o suporte) permanece ancorado à mesma realidade.

Resultados e Aplicação de Estudo de Caso
Os autores demonstram a estrutura usando um estudo de caso clínico de um estudante de 23 anos passando por Terapia Cognitivo-Comportamental (TCC) para ansiedade.

• Dados: 19 pontuações semanais de ansiedade (escala 0–10) mostrando uma tendência de queda de 10 para 4.
• Aplicação: Os autores definem um efeito-$\Omega$ como o contraste entre o mínimo do suporte de linha de base e o mínimo do suporte de tratamento ($\min(\Omega_{Y_0}) - \min(\Omega_{Y^*})$).
• Inferência: Usando uma abordagem Bayesiana subjetiva, eles calculam a probabilidade posterior de eficácia do tratamento. Ao postular uma crença a priori e atualizá-la com os dados observados (o deslocamento no escore mínimo), eles derivam uma probabilidade posterior de eficácia ($\approx 0,59$).
• Interpretação: O resultado não é uma garantia de frequência, mas uma "crença coerente e temperada" sobre a capacidade do tratamento de eliminar possibilidades de sintomas de alta intensidade (um deslocamento de suporte).

Significância e Alegações
O artigo afirma fornecer uma "rota para a inferência causal" para processos de cuidado individual que contorna a exigência tradicional de fechar caminhos de fundo (backdoor paths) ou mensurar confundidores.

• Robustez sobre Sensibilidade: A estrutura troca a sensibilidade a mudanças distributivas (que são confundidas) pela robustez ao focar em mudanças de suporte (que são identificadas sob positividade). Argumenta-se que um tratamento eficaz muitas vezes se manifesta como a eliminação de possibilidades extremas (ex: prevenir um ataque de pânico), que é uma mudança de suporte detectável sem conhecer os confundidores.
• Utilidade Prática: Oferece um método principiado e elementar para provedores raciocinarem sobre a eficácia do tratamento usando dados de cuidado baseado em medidas, sem necessidade de treinamento estatístico avançado ou designs experimentais.
• Limitações: Os autores reconhecem que a positividade é indemonstrável e deve ser defendida via a validade do Grafo Acíclico Dirigido (DAG) subjacente. Eles também observam que a estrutura é insensível a tratamentos que apenas deslocam a massa de probabilidade dentro de um suporte inalterado (ex: tornar um "5" mais provável do que um "4" sem eliminar o "10"). Alémmente, os resultados são declarações de coerência para um agente de raciocínio, não garantias de frequência.

Em resumo, o artigo argumenta que, ao redefinir os alvos causais como contrastes de suportes de resultados em vez de distribuições, e ao aceitar uma visão subjetivista da probabilidade, é possível alcançar uma identificação causal válida em estudos de saúde comportamental $N=1$ sob o único pressuposto da positividade.