[논문 리뷰] Causal inference with recurrent and competing events

Matias Janvin, Jessica G. Young외 2명|arXiv (Cornell University)|2022. 02. 17.

Advanced Causal Inference Techniques인용 수 5

한 줄 요약

이 논문은 카운팅 프로세스를 통해 반복적 사건과 경쟁 위험을 고려한 인과적 추정량을 반사적 프레임워크를 사용하여 형식화하며, 단일세계개입도형(SWIGs)을 활용해 통제된 직접, 총합, 분리 가능한 효과와 같은 새로운 인과적 효과를 도입하고, 특정 조건 하에서의 식별 조건을 수립하여, 미세한 시간 이산화 하에서 제안된 추정량의 일致성을 입증한다.

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.

연구 동기 및 목표

• 반복적 사건 설정에서 경쟁 사건이 존재하는 상황에 대해 반사적 프레임워크를 사용하여 인과적 추정량을 형식화하는 것.
• 경쟁 사건이 존재하는 상황에서 전통적인 통계적 추정량(예: 직접 효과 및 총합 효과)의 인과적 해석을 명확히 하는 것.
• 개선된 임상적 해석 가능성 향상을 위해 개입 기반의 중재 프레임워크를 사용하여 새로운 인과적 추정량—특히 분리 가능한 효과—를 정의하는 것.
• 분야 전문 지식과 인과도형을 활용하여 이러한 추정량의 식별 조건을 수립하는 것.
• 시간 이산화가 미세해질수록 이산 시간 인과 추정량이 연속 시간 대응 추정량으로 수렴하는 것을 보여주는 것.

제안 방법

• 반복적 사건에 대한 인과적 추정량(통제된 직접 효과, 총합 효과, 분리 가능한 효과 포함)을 정의하기 위해 반사적 프레임워크를 사용한다.
• 단일세계개입도형(SWIGs)과 인과적 방향성 비순환도형(CDAGs)을 활용하여 식별 조건를 표현하고 추론한다.
• 카운팅 프로세스 이론을 적용하여, 시간 이산화가 점점 더 미세해질수록 이산 시간 인과 추정량이 고전적인 연속 시간 추정량으로 수렴한다는 것을 입증한다.
• 각 인과 기능에 대해 일치하는 추정량을 제안하며, 위험 모델의 정확한 사양을 활용한다.
• 분리 가능한 효과를 정의하기 위해 수정된 치료 개입을 도입하여 치료 성분을 분리하여 분석할 수 있도록 한다.
• 1000명의 개별 환자가 치료군에 속하는 시뮬레이션을 통해 추정량을 검증하였으며, 모델이 정확히 사양된 경우 편향 없는 점 추정치를 확인하였다.

실험 결과

연구 질문

• RQ1 어떻게 반사적 개념을 사용하여 경쟁 위험이 존재하는 반복적 사건 설정에서 인과적 추정량을 공식적으로 정의할 수 있는가?
• RQ2 특정 식별 조건 하에서 어떤 고전적 통계 추정량(예: 사건 수의 평균)이 인과 효과로 해석될 수 있는가?
• RQ3 사망과 같은 경쟁 사건이 존재할 때 통제된 직접 효과의 인과적 해석은 무엇인가?
• RQ4 치료 성분이 개념적으로 분리 가능한 경우, 분리 가능한 효과는 어떻게 정의되고 식별될 수 있는가?
• RQ5 반복적 사건 모델에서 이산 시간 인과 추정량이 연속 시간 대응 추정량으로 수렴하는 조건은 무엇인가?

주요 결과

• 경쟁 사건을 제거하는 개입이 잘 정의되어야만 통제된 직접 효과가 해석 가능하며, 실제로는 자주 그러한 조건을 만족하지 못한다.
• 분리 가능한 효과는 치료 성분을 독립적으로 할당하는 잘 정의된 개입에 해당하여 더 명확한 인과적 해석이 가능하다.
• 직접 효과와 분리 가능한 효과의 식별을 위해서는 반복적 사건과 경쟁 사건의 공통 원인을 측정해야 하며, 이는 무작위화 시험에서도 마찬가지다.
• 모델 사양이 정확할 경우 제안된 추정량은 일致성을 보이며, 각 치료군에 1000명의 개인이 포함된 시뮬레이션을 통해 이를 입증하였다.
• 시간 이산화가 점점 더 미세해질수록 이산 시간 인과 추정량이 고전적인 연속 시간 추정량으로 수렴하며, 이는 이론적 프레임워크의 타당성을 뒷받침한다.
• 이 프레임워크는 명시적인 식별 조건를 통해 표준 반복적 사건 추정량을 인과 효과로 매핑할 수 있게 하여 투명성과 해석 가능성 향상을 도모한다.