Técnicas estadísticas para la estimación del efecto causal en investigación biomédica: Statistical techniques for estimating causal effects in biomedical research

• Autores: Claudia Coscia Requena
• Directores de la Tesis: Núria Malats Riera (dir. tes.), Teresa Pérez Perez (dir. tes.)
• Lectura: En la Universidad Complutense de Madrid ( España ) en 2022
• Idioma: español
• Tribunal Calificador de la Tesis: María del Carmen Pardo Llorente (presid.), Silvia Pineda Sanjuan (secret.), Evangelina López de Maturana López de la Calle (voc.), Carlo La Vecchia (voc.), Nabil Djouder (voc.)
• Programa de doctorado: Programa de Doctorado en Análisis de Datos (Data Science) por la Universidad Complutense de Madrid
• Materias:
  • Matemáticas
    • Estadística
      • Análisis de datos
  • Ciencias de la vida
    • Biomatemáticas
      • Bioestadística
• Enlaces
  • Tesis en acceso abierto en: Docta Complutense
• Resumen
  • español

    Los métodos de inferencia causal son técnicas estadísticas utilizadas para analizar el efecto causal de un tratamiento/exposición sobre un desenlace de interés. Su uso ha aumentado en la última década, especialmente en estudios observacionales donde la no aleatorización del tratamiento deriva en resultados sesgados. Esta metodología presenta enormes ventajas frente a modelos de regresión clásicos, debido a su capacidad de reducir y ajustar por el sesgo de confusión. Esta tesis comienza con la aplicación de técnicas ya conocidas en escenarios clínicos donde se muestra la falta de desarrollo estadístico para estimar el efecto causal en escenarios biomédicos más complejos. Estos hallazgos justifican el objetivo principal de esta tesis que es desarrollar métodos de inferencia causal para entender y diagnosticar mejor eventos clínicos y epidemiológicos. Se comparó el Índice de Propensión con los modelos clásicos de regresión, utilizando una base de datos de pacientes ingresados en UCI y se observó que, en presencia del sesgo de confusión, el Índice de Propensión aportó mejores resultados. Además, mediante una revisión sistemática y un meta-análisis, se compararon las estimaciones causales obtenidas aplicando el Índice de Propensión en estudios observacionales y las obtenidas en Ensayos Clínicos Aleatorizados. Se observó que en ambos casos las estimaciones obtenidas eran muy similares. Las técnicas de Aleatorización Mendeliana y Análisis de Mediación Causal se aplicaron para estudiar el efecto causal de los subtipos de la diabetes mellitus tipo 2 (temprana y tardía, respectivamente) y de la obesidad sobre el cáncer de páncreas. Se concluyó que, mientras la diabetes tardía no presentaba un efecto causal sobre el cáncer de páncreas, éste último sí que tenía un efecto sobre la diabetes temprana. Además, se observó que tanto obesidad como la diabetes tardía actuaban como mediadoras frente al cáncer de páncreas. Este estudio justificó la necesidad de desarrollar nuevas propuestas metodológicas que permitieran comprender mejor la compleja relación entre obesidad, diabetes y cáncer de páncreas. En concreto, primero se propuso una nueva metodología, MRinCMA, como una extensión del análisis de mediación utilizando la Aleatorización Mendeliana, que permite obtener resultados insesgados dentro del contexto de mediación. Utilizando técnicas de simulación, se mostró que el sesgo de las estimaciones obtenidas con MRinCMA era menor que el observado cuando se utilizaron los modelos de ecuaciones estructurales, considerados como método de referencia. Se aplicó esta nueva propuesta para evaluar el efecto de la obesidad en cáncer de páncreas, considerando la diabetes tardía como mediadora y no se encontró evidencia de causalidad. En segundo lugar, se planteó una extensión de la aleatorización Mendeliana que permite estratificar la población sin introducir sesgo collider. Considerando de nuevo métodos de simulación, se mostró que el nuevo enfoque da lugar a estimadores insesgados y a la vez facilita la identificación de la heterogeneidad entre los diferentes estratos de la población. De manera global, se ha mostrado la importancia de aplicar correctamente métodos de inferencia causal y las diferencias con modelos clásicos de regresión. Además, se han propuesto extensiones para la Aleatorización Mendeliana que pueden ser usadas en otros escenarios biomédicos.

  • English

    Causal inference methods are statistical techniques used to analyse the causal effect of a treatment/exposure on an outcome. Their use is increasing in the last decade, especially in the framework of observational studies where the no randomization of the treatment/exposure may lead to confounding bias. These methods present great advantages versus classic regression models due to their capability of reducing and controlling for confounding bias.This thesis begins with the use of known techniques applied in real clinical scenarios, second, a lack of developed statistical methods to estimate causal effects in complex epidemiological scenarios is noted. These findings support the main objective of this thesis, which is the development of causal inference methods to better understand and diagnose clinical and epidemiological outcomes. A comparison between the Propensity Score and classic regression models was made using an Intensive Care Unit database where it was shown that, in presence of confounding bias, Propensity Score performed better. Moreover, based on a systematic review and metaanalysis, causal estimates from Propensity Score and Randomized Controlled Trials were compared. It was observed that similar estimations were obtained in both approaches...