[論文レビュー] Causal inference with recurrent and competing events

Matias Janvin, Jessica G. Young+2 more|arXiv (Cornell University)|Feb 17, 2022

Advanced Causal Inference Techniques被引用数 5

ひとこと要約

本稿は、カウンタファクチュアルフレームワークを用いて、競合リスクを伴う反復イベントの因果的推定統計量を形式化し、カウント過程を介して古典的統計的推定統計量と結びつける。単一世界干渉グラフを用いて、制御された直接効果、総効果、分離可能な効果といった新たな因果的効果を導入し、同定条件を確立し、細かい時間離散化下で提案された推定器の一貫性を示している。

ABSTRACT

Many research questions concern treatment effects on outcomes that can recur several times in the same individual. For example, medical researchers are interested in treatment effects on hospitalizations in heart failure patients and sports injuries in athletes. Competing events, such as death, complicate causal inference in studies of recurrent events because once a competing event occurs, an individual cannot have more recurrent events. Several statistical estimands have been studied in recurrent event settings, with and without competing events. However, the causal interpretations of these estimands, and the conditions that are required to identify these estimands from observed data, have yet to be formalized. Here we use a formal framework for causal inference to formulate several causal estimands in recurrent event settings, with and without competing events. We clarify when commonly used classical statistical estimands can be interpreted as causal quantities from the causal mediation literature, such as (controlled) direct effects and total effects. Furthermore, we show that recent results on interventionist mediation estimands allow us to define new causal estimands with recurrent and competing events that may be of particular clinical relevance in many subject matter settings. We use causal directed acyclic graphs and single world intervention graphs to illustrate how to reason about identification conditions for the various causal estimands based on subject matter knowledge. Furthermore, using results on counting processes, we show that our causal estimands and their identification conditions, which are articulated in discrete time, converge to classical continuous time counterparts in the limit of fine discretizations of time.

研究の動機と目的

• 反復イベント設定における競合イベントを伴う状況で、カウンタファクチュアルフレームワークを用いて因果的推定統計量を形式化すること。
• 競合イベントが存在する状況において、古典的統計的推定統計量（例：直接効果、総効果）の因果的解釈を明確化すること。
• 介入的媒介フレームワークを用いて、特に分離可能な効果を含む新たな因果的推定統計量を定義し、臨床的解釈可能性を向上させること。
• 分野知識と因果グラフを用いて、これらの推定統計量の同定条件を確立すること。
• 細かい時間離散化の下で、離散時間因果的推定統計量が連続時間対応に収束することを示すこと。

提案手法

• 反復イベントの因果的推定統計量（制御された直接効果、総効果、分離可能な効果を含む）を定義するためにカウンタファクチュアルフレームワークを用いる。
• 単一世界干渉グラフ（SWIGs）および因果的有向非巡回グラフ（CDAGs）を用いて、同定条件の表現と推論を行う。
• カウント過程理論を用いて、時間の離散化が細かくなるにつれて、離散時間因果的推定統計量が古典的連続時間推定統計量に収束することを示す。
• 各因果的関数に対する一貫性のある推定器を提案し、ハザードモデルの正しい仕様化を活用する。
• 分離可能な効果を定義するために、変更された治療干渉を導入し、治療成分の分解を可能にする。
• 1000人/治療群のシミュレーションを用いて推定器を検証し、正しいモデル仕様下で不偏な点推定が得られることを確認した。

実験結果

リサーチクエスチョン

• RQ1 反復イベント設定における競合リスクを伴う状況で、カウンタファクチュアルを用いて因果的推定統計量を形式的に定義する方法は何か？
• RQ2 特定の同定条件の下で、古典的統計的推定統計量（例：イベント発生回数の平均）は、どのような因果的効果として解釈できるか？
• RQ3 死亡などの競合イベントが存在する状況で、制御された直接効果の因果的解釈は何か？
• RQ4 治療成分が概念的に分離可能である場合、分離可能な効果はどのように定義され、同定されるか？
• RQ5 反復イベントモデルにおいて、離散時間因果的推定統計量が連続時間対応に収束する条件は何か？

主な発見

• 競合イベントを排除する干渉が明確に定義されていない限り、制御された直接効果は解釈可能でない。これは実務ではしばしば成立しない。
• 分離可能な効果は、治療成分が独立に割り当てられる明確に定義された干渉に対応しており、より明確な因果的解釈が可能である。
• 直接効果および分離可能な効果の同定には、反復イベントと競合イベントの共通原因の測定が必要であり、無作為化試験であっても同様である。
• 正しいモデル仕様下で、提案された推定器は一貫性を示す。これは、1000人/群のシミュレーションで確認された。
• 時間離散化が細かくなるにつれて、離散時間因果的推定統計量は古典的連続時間推定統計量に収束する。理論的枠組みの妥当性が裏付けられる。
• このフレームワークにより、明示的な同定条件を介して、標準的な反復イベント推定統計量を因果的効果にマッピングでき、透明性と解釈可能性が向上する。