Machine learning versus logistic regression for propensity score estimation: a trial emulation benchmarked against...

Área de la Ciencia:

• Epidemiología
• Bioestadística
• Informática de la Salud

Sus antecedentes:

• El ML se utiliza cada vez más para la estimación de la puntuación de propensión para mejorar la inferencia causal.
• La eficacia de los enfoques de ML basados en datos para la selección y el ajuste de confundidores en la inferencia causal sigue siendo incierta.

Objetivo del estudio:

• Evaluar los métodos de puntuación de propensión basados en ML en comparación con la regresión logística tradicional para la inferencia causal.
• Evaluar el impacto de la selección automatizada de características en los modelos de puntuación de propensión de ML.

Principales métodos:

• Se emuló un análisis secundario del ensayo PARADIGM-HF utilizando datos observacionales de veteranos de EE. UU. (2016-2020).
• Se compararon tres enfoques de puntuación de propensión: regresión logística (confundidores preespecificados), modelos de impulso generalizado (GBM) con confundidores preespecificados y GBM con covariables expandidas y selección automatizada de características.

Principales resultados:

• La regresión logística arrojó estimaciones más cercanas a los resultados del ensayo.
• GBM con confundidores preespecificados no mostró mejoría respecto a la regresión logística.
• GBM con selección automatizada de características introdujo un sesgo sustancial, aumentando el error de estimación.

Conclusiones:

• Los métodos de puntuación de propensión basados en ML no mejoran inherentemente la estimación causal.
• La selección automatizada de características en los modelos de ML puede introducir un sesgo de sobreajuste.
• La especificación cuidadosa de confundidores y el razonamiento causal son cruciales para una inferencia causal confiable, superando la complejidad algorítmica.