Estimación causal adaptativa federada (FACE) de los efectos del tratamiento objetivo

Área de la Ciencia:

• Estadísticas biológicas
• Epidemiología
• Aprendizaje automático

Sus antecedentes:

• El aprendizaje federado ofrece el potencial para la inferencia causal eficiente mediante la agrupación de datos de múltiples sitios.
• Asegurar la robustez de la heterogeneidad de los datos y la especificación errónea del modelo es crucial para las estimaciones causales válidas.

Objetivo del estudio:

• Desarrollar un marco de aprendizaje federado robusto y eficiente para la estimación del efecto causal.
• Abordar la heterogeneidad entre los sitios de estudio y garantizar el intercambio de datos que preserve la privacidad.

Principales métodos:

• Desarrolló el marco de estimación causal adaptativa federada (FACE).
• Se utilizó la ponderación de la relación de densidad para tener en cuenta la heterogeneidad de la distribución de las covariantes.
• Implementó un procedimiento de ponderación adaptativo mediante regresión penalizada para mayor coherencia y eficiencia.
• Empleó una estrategia de comunicación eficiente y de preservación de la privacidad compartiendo solo estadísticas resumidas.

Principales resultados:

• FACE demostró una mayor precisión en las estimaciones del efecto del tratamiento en comparación con los métodos tradicionales.
• Las reducciones en los errores estándar oscilaron entre el 26% y el 67% en el estudio de eficacia de la vacuna.
• El marco demostró ser robusto para la heterogeneidad a nivel de sitio y las especificaciones erróneas del modelo.

Conclusiones:

• FACE proporciona un enfoque válido, eficiente y sólido para la inferencia causal federada.
• El marco mejora la precisión y permite una especificación flexible de la población objetivo.
• FACE es aplicable a la investigación comparativa de eficacia en el mundo real utilizando registros electrónicos de salud.