📊 statistics

Partial Identification Learning with Categorical Treatments for Individualized Treatment Rules

Este artigo propõe um novo framework de aprendizado de identificação parcial que estende a otimização de regras de tratamento individualizadas para tratamentos, desfechos e variáveis instrumentais categóricos ao introduzir um critério de perda minimax generalizado e uma estratégia de incorporação simétrica para derivar uma função de risco substituta diferenciável, permitindo, assim, a tomada de decisão robusta sob confusão não medida sem depender de suposições causais fortes.

Autores originais: Johannes Hruza, Paweł Morzywołek, Jakob Zeitler, Samir Bhatt, Michael C Sachs

Publicado 2026-08-21

📖 6 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Johannes Hruza, Paweł Morzywołek, Jakob Zeitler, Samir Bhatt, Michael C Sachs

Artigo original sob licença CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

No mundo da medicina e da economia, fazer a escolha certa para um indivíduo é frequentemente uma questão de vida ou morte, ou pelo menos de bem-estar significativo. Médicos devem decidir qual medicamento prescrever, e formuladores de políticas devem escolher qual intervenção financiar, mas eles raramente possuem informações perfeitas. O cenário ideal envolve saber exatamente como cada pessoa responderia a todas as opções possíveis se pudesse testá-las todas de uma vez. Na realidade, os pesquisadores podem apenas observar o que aconteceu com pessoas que realmente receberam um tratamento específico. Para descobrir o que teria acontecido de outra forma, eles devem confiar em suposições. A suposição mais comum é que eles mediram cada fator que influencia tanto a escolha do tratamento quanto o resultado final. Se eles tiverem negligenciado mesmo um único fator oculto, suas conclusões podem ser perigosamente erradas, levando a políticas que ajudam alguns, mas prejudicam outros.

Para navegar por essa incerteza, os cientistas às vezes utilizam uma ferramenta especial chamada variável instrumental. Pense nisso como um empurrão natural que influencia qual tratamento uma pessoa recebe, mas não tem poder direto para alterar seu estado de saúde. Um exemplo clássico é uma variante genética que torna uma pessoa mais propensa a tomar um determinado medicamento, ou uma atribuição aleatória em um ensaio que não é seguida perfeitamente. Como esse empurrão é independente dos fatores ocultos que costumam causar confusão, ele pode ajudar os pesquisadores a traçar um limite em torno da verdade. Em vez de apontar para uma resposta única e exata, este método define uma zona de segurança — uma gama de possibilidades onde a verdade deve residir. Essa abordagem, conhecida como identificação parcial, aceita que não podemos saber tudo, mas nos permite tomar decisões robustas que são seguras mesmo quando não temos certeza.

Uma equipe de pesquisadores agora levou esse conceito de identificação parcial e o expandiu para lidar com uma realidade muito mais complexa: situações onde não existem apenas duas escolhas, mas muitas. No mundo real, os médicos costumam escolher entre vários medicamentos diferentes, ou diferentes níveis de dosagem, em vez de simplesmente escolher entre um tratamento e um placebo. Métodos anteriores para lidar com essas múltiplas opções sob incerteza eram limitados a cenários simples de "sim ou não". O novo framework desenvolvido por Johannes Hruza e seus colegas preenche essa lacuna, criando um sistema que pode aprender a melhor regra de decisão ao enfrentar múltiplos tratamentos categóricos, resultados e variáveis instrumentais. O trabalho deles fornece uma maneira de encontrar a política mais segura e eficaz, mesmo quando fatores ocultos estão em jogo e o número de opções é grande.

O desafio central que os pesquisadores enfrentaram é como escolher a melhor opção quando não se pode ter certeza de qual é verdadeiramente a melhor. Imagine um médico analisando os dados de um paciente e vendo que o Tratamento A pode ser muito bom, mas também pode ser medíocre, enquanto o Tratamento B pode ser terrível, mas também pode ser excelente. Sem conhecer os fatores ocultos, o médico não pode ter certeza. Os pesquisadores adotaram uma estratégia cautelosa chamada abordagem "minimax". Isso significa que eles buscam a decisão que minimiza o pior erro possível. Em vez de esperar pelo melhor resultado, eles perguntam: "Se eu escolher este tratamento, qual é o valor máximo de benefício que eu poderia estar deixando de obter em comparação com a melhor alternativa?" Eles então escolhem o caminho que mantém essa perda potencial o mais pequena possível. Isso garante que, mesmo no pior cenário, a decisão permaneça o mais próxima possível do ideal, conforme as informações disponíveis permitem.

Para fazer isso funcionar para muitos tratamentos diferentes ao mesmo tempo, a equipe teve que resolver um problema geométrico difícil. Métodos padrão para comparar múltiplas opções costumam tratar cada escolha como uma batalha separada contra todas as outras, o que pode levar a resultados confusos e contraditórios. Os pesquisadores, em vez disso, mapearam todas as opções de tratamento nos vértices de uma forma equilibrada e de múltiplos lados em um espaço matemático. Esta forma, conhecida como simplex, trata cada opção com perfeita simetria, garantindo que nenhuma escolha seja favorecida pela geometria da matemática em si. Eles então treinaram um modelo computacional para aprender a apontar para o melhor vértice desta forma com base nas características do paciente. Ao transformar o problema em uma busca suave e contínua pela direção correta, eles permitiram que ferramentas de otimização poderosas encontrassem a melhor política, mesmo que a lógica subjacente fosse baseada em cenários de pior caso.

Os pesquisadores testaram seu novo método através de uma série de simulações computacionais rigorosas. Eles criaram mundos virtuais onde conheciam as respostas reais, permitindo-lhes ver o quão bem as novas regras performavam em comparação com os métodos existentes. Nesses testes, variaram a força dos fatores de confusão ocultos, o poder da variável instrumental e o número de opções de tratamento disponíveis. Os resultados mostraram que, quando os fatores ocultos eram fortes e enganosos, os métodos tradicionais que assumiam a ausência de fatores ocultos falhavam dramaticamente, muitas vezes recomendando o tratamento errado. Em contraste, o novo método de identificação parcial permaneceu estável e confiável. Ele não prometia encontrar a resposta absolutamente perfeita, mas encontrava consistentemente uma política que era muito mais segura e próxima da verdade do que as alternativas quando a incerteza era alta.

No entanto, as simulações também revelaram um limite claro para o que este método pode alcançar. A qualidade da decisão depende fortemente de quanta informação a variável instrumental fornece. Quando os pesquisadores utilizaram um instrumento forte que fornecia sinais claros, o novo método performou excepcionalmente bem, estreitando a lacuna entre a escolha segura e a escolha perfeita. Mas quando o instrumento era fraco, ou quando o número de opções de tratamento excedia o número de níveis que o instrumento conseguia distinguir, a zona de segurança tornava-se ampla demais para ser útil. Nesses casos, o método tornou-se excessivamente conservador, incapaz de distinguir entre as opções porque os dados simplesmente não continham alavancagem suficiente para separá-las. Esta descoberta destaca uma verdade fundamental: nenhum nível de matemática engenhosa pode superar a falta de informação.

O trabalho representa um passo significativo à frente no campo da tomada de decisão personalizada. Ao estender a identificação parcial para múltiplas escolhas, os pesquisadores forneceram uma ferramenta que é melhor adaptada à realidade desordenada e de múltiplas opções da vida clínica e econômica. Eles demonstraram que é possível aprender políticas robustas sem fazer suposições irreais sobre fatores ocultos. Embora o método não seja uma solução mágica para todos os problemas, e embora dependa da validade do modelo causal subjacente, ele oferece uma maneira fundamentada de navegar pela incerteza. Para médicos e formuladores de políticas que enfrentam escolhas complexas com dados incompletos, este framework oferece uma maneira de proceder com confiança, sabendo que suas decisões estão protegidas contra os piores cenários que os confundidores ocultos poderiam criar.

Resumo Técnico: Aprendizado de Identificação Parcial com Tratamentos Categóricos para Regras de Tratamento Individualizadas

1. Definição do Problema

O artigo aborda o desafio de aprender Regras de Tratamento Individualizadas (ITRs) em cenários onde há confundimento não medido e onde o tratamento, o desfecho e as variáveis instrumentais (IVs) são categóricos (multiclasse).

A otimização padrão de ITR baseia-se na premissa de "ausência de confundimento não medido" para identificar pontualmente os potenciais desfechos esperados condicionais, $\mu_a(x) = E[Y(a) | X=x]$ . Quando essa premissa é violada (por exemplo, devido à não conformidade em ensaios ou fatores não observados em estudos observacionais), os estimadores padrão tornam-se enviesados. Embora as Variáveis Instrumentais (IVs) possam mitigar isso, as abordagens tradicionais de IV geralmente exigem suposições estruturais fortes (como monotonicidade) para alcançar a identificação pontual, que podem ser difíceis de testar ou implausíveis.

Os métodos existentes de identificação parcial para ITRs, como os de Pu e Zhang [24], são amplamente restritos a configurações de tratamento binário. Este artigo identifica uma lacuna na extensão desses frameworks robustos de identificação parcial para tratamentos multicategóricos (por exemplo, escolher entre múltiplos medicamentos ou níveis de dosagem), onde o espaço de decisão é inerentemente mais complexo e as extensões binárias padrão (como One-vs-Rest) introduzem inconsistências geométricas.

2. Metodologia

O framework proposto, Aprendizado de Identificação Parcial Categórica, consiste em três componentes principais:

A. Limites de Identificação Parcial

Em vez de tentar identificar pontualmente $\mu_a(x)$ , o framework caracteriza uma região factível para a média condicional usando limites inferiores e superiores, $L_a(x)$ e $U_a(x)$ , derivados dos dados observados e de um modelo causal (por exemplo, um Grafo Acíclico Dirigido). Esses limites satisfazem:
$L_a(x) \leq \mu_a(x) \leq U_a(x)$
O artigo utiliza o pacote causaloptim (Sachs et al. [26]) para derivar limites simbólicos aguçados para tratamentos categóricos e IVs sob estruturas causais gerais, traduzindo as restrições do Modelo de Equação Estrutural Não Paramétrico (NPSEM) em um problema de otimização linear.

B. Critério de Decisão Minimax

Para selecionar um tratamento sob incerteza, os autores adotam um critério Oportunista (Minimax). Em vez de maximizar o melhor cenário (Optimist) ou o pior limite inferior (Pessimist), o objetivo é minimizar a perda máxima possível em relação ao tratamento ideal desconhecido.

Para uma ação escolhida $a$ , a pior perda é definida como:
$L(x, a) := \max_{b \in A \setminus \{a\}} U_b(x) - L_a(x)$
Isso quantifica o arrependimento máximo se a ação $a$ for escolhida enquanto a verdadeira ação ótima é $b$ . O objetivo é encontrar uma política $g$ que minimize o risco de pior caso esperado $R(g) = E[L(X, g(X))]$ .

C. Incorporação Multicategórica Simétrica e Perda Substituta (Surrogate Loss)

A minimização direta do risco de pior caso empírico é computacionalmente intratável devido à descontinuidade do operador $\max$ e da natureza discreta do espaço de ações. Para superar isso, o artigo introduz:

Incorporação em Simplex (Simplex Embedding): Os tratamentos categóricos são mapeados para os vértices de um simplex regular em $\mathbb{R}^{k-1}$ . Essa representação simétrica evita as redundâncias geométricas e ambiguidades das abordagens One-vs-Rest. Uma política é induzida por uma função $f: \mathcal{X} \to \mathbb{R}^{k-1}$ que mapeia as covariáveis para este espaço latente, selecionando o tratamento $a$ que maximiza o produto interno $\langle w_a, f(x) \rangle$ , onde $w_a$ é o vetor do vértice para o tratamento $a$ .
Risco Substituto Ponderado: Uma perda substituta diferenciável é construída usando um esquema de ponderação softmax. O risco substituto é definido como:
$\hat{R}_s(f) = \frac{1}{N} \sum_{i=1}^N \sum_{a=1}^k p_a(X_i, f) \hat{L}(X_i, a) + \lambda \Omega(f)$
onde $p_a(X, f)$ é um peso softmax baseado no alinhamento entre $f(X)$ e o vetor de tratamento $w_a$ . Isso permite o uso de otimização baseada em gradiente (por exemplo, L-BFGS ou Gradiente Descendente Estocástico).
Implementação: O framework suporta duas implementações:
- Kernelizada: Usando Espaços de Hilbert de Núcleo Reproduzível (RKHS) com o Teorema do Representante para garantias teóricas.
- Rede Neural: Usando Perceptrons de Camadas Múltiplas (MLPs) para escalabilidade a grandes conjuntos de dados.

3. Principais Contribuições

Extensão para Tratamentos Categóricos: O artigo generaliza o aprendizado de identificação parcial de configurações binárias para configurações de tratamentos multicategóricos finitos, uma lacuna significativa na literatura existente.
Incorporação Geometricamente Consistente: Introduz uma estratégia de incorporação baseada em simplex que trata todas as opções de tratamento de forma simétrica, resolvendo as inconsistências geométricas encontras nas extensões padrão de classificação multiclasse para ITRs.
Otimização Diferenciável: A derivação de uma função de risco substituto suave e ponderada permite o uso de métodos de otimização baseados em gradiente eficientes para o aprendizado de ITR sob identificação parcial, indo além das limitações de perdas baseadas em indicadores.
Garantias Teóricas: Os autores fornecem taxas de convergência de amostra finita via uma desigualdade oracle. Eles provam que a minimização do risco substituto converge para a política minimax ótima e estabelecem condições sob as quais o erro de estimação dos limites e o erro de aprendizado são controlados.
Validação Empírica: Através de extensas simulações, o artigo demonstra que os métodos propostos (Kernelizado e Neural) produzem ITRs significativamente mais próximos do ITR oracle do que as alternativas existentes (regressão de desfecho, MOML) na presença de confundimento não medido.

4. Resultados Experimentais

Os autores realizaram quatro estudos de simulação variando tamanho da amostra, força do confundimento, força da IV e o número de tratamentos ( $k$ ):

Robustez ao Confundimento: Na presença de confundimento não medido, os métodos padrão de regressão de desfecho (Árvore, Neural) e métodos de identificação pontual (MOML) degradam rapidamente conforme a força do confundimento aumenta. Em contraste, os métodos de identificação parcial propostos permanecem estáveis e superiores, mantendo-se próximos ao limite minimax teórico.
Força da IV: O desempenho dos métodos propostos é positivamente correlacionado com a força da IV. Instrumentos mais fortes estreitam os limites de identificação, reduzindo a lacuna entre a política minimax e a política oracle.
Escalabilidade e Limites Estruturais: Os métodos funcionam bem quando o número de tratamentos $k$ é menor ou igual ao número de níveis do instrumento $|Z|$ . No entanto, quando $k > |Z|$ , o desempenho degrada bruscamente. Os autores atribuem isso a uma limitação estrutural: um instrumento com $|Z|$ níveis não pode induzir distribuições de tratamento condicionais suficientemente distintas para limitar rigidamente $k > |Z|$ potenciais desfechos simultaneamente.
Convergência: Na ausência de confundimento, os métodos propostos convergem para a regra minimax (que é subótima em comparação ao oracle neste caso específico), enquanto os métodos de regressão de desfecho convergem para o oracle. Isso confirma que o framework atinge corretamente o objetivo minimax.

5. Significância e Alegações

O artigo afirma fornecer um framework robusto para tomada de decisão sob incerteza quando suposições causais fortes não podem ser justificadas. Ao alavancar limites de identificação parcial e uma estratégia de incorporação simétrica, ele permite o aprendizado de regras de tratamento ótimas para escolhas multicategóricas diante de confundimento não medido.

Os autores enfatizam que a eficácia do framework é contingente na informatividade dos limites. Instrumentos mais fortes levam a limites mais estreitos e melhor desempenho, enquanto instrumentos fracos ou cenários onde o número de tratamentos excede a cardinalidade do instrumento levam a limites mais amplos e decisões mais conservadoras (potencialmente menos precisas).

O trabalho é apresentado como uma extensão fundamental do aprendizado de identificação parcial, indo além das configurações binárias para abordar as complexidades do mundo real em problemas de decisão biomédica e econométrica. Os autores observam que, embora o foco atual seja em variáveis categóricas, o framework poderia ser estendido para tratamentos e desfechos ordinais ou contínuos em trabalhos futuros.