Résumé technique : Inférence automatisée, efficace et sans modèle pour les essais cliniques randomisés via l'ajustement de covariables piloté par les données

Énoncé du problème

Dans les essais cliniques randomisés (ECR), l'ajustement des covariables de base est largement reconnu pour améliorer la puissance statistique et la précision en tenant compte des variables pronostiques. Cependant, la mise en œuvre pratique a été entravée par les exigences réglementaires (par exemple, FDA, EMA) de pré-spécifier à la fois les covariables et leurs formes fonctionnelles avant l'analyse des données. Cette pré-spécification est souvent difficile ou irréalisable, conduisant de nombreux essais à sous-utiliser l'ajustement des covariables.

Bien que les méthodes adaptatives aux données (par exemple, régression pas à pas, Lasso, apprentissage automatique) offrent une solution en sélectionnant automatiquement les variables et en modélisant des relations complexes, elles introduisent des défis d'inférence significatifs. Les procédures d'inférence standard échouent souvent lorsque ces méthodes sont utilisées car :

1. Problèmes d'inférence post-sélection : La distribution de l'estimateur dépend du modèle sélectionné, ce qui entraîne des erreurs-types biaisées et des intervalles de confiance invalides si l'incertitude de sélection de modèle est ignorée.
2. Spécification incorrecte du modèle : De nombreuses procédures de débiaisage existantes (par exemple, l'estimation de vraisemblance maximale ciblée ou l'apprentissage automatique débiaisé) nécessitent que les estimateurs de nuisance (modèles de résultat) soient cohérents ou convergent à des taux spécifiques. Si le modèle de résultat est mal spécifié ou si les prédictions sont biaisées, les erreurs-types peuvent être biaisées, brisant la couverture asymptotique.

Le problème central abordé est de savoir comment utiliser l'ajustement automatisé et adaptatif aux données des covariables dans les ECR tout en garantissant une inférence statistique valide (estimations non biaisées de l'effet du traitement et couverture asymptotique exacte pour les erreurs-types) même lorsque les modèles de résultat sont mal spécifiés ou que le processus de sélection est imparfait.

Méthodologie

Les auteurs proposent un cadre pour les estimateurs ajustés des covariables de l'effet marginal du traitement ($\theta = E[Y|Z=1] - E[Y|Z=0]$) qui exploite les prédictions pilotées par les données tout en maintenant la robustesse. L'approche distingue deux contextes principaux basés sur la complexité des algorithmes de prédiction et les hypothèses concernant la parcimonie.

1. Estimation adaptative aux données via les GLM canoniques (sans couplage croisé)

Pour les scénarios utilisant des modèles paramétriques avec des fonctions de lien canoniques (par exemple, régression linéaire, régression logistique) ajustés par Vraisemblance Maximale (ML), les auteurs proposent une approche de « plug-in » :

• Procédure :
  1. Sélection de modèle : Utiliser une méthode adaptative aux données (par exemple, AIC pas à pas, Lasso) pour sélectionner des covariables parmi un ensemble de candidats pré-spécifié.
  2. Ajustement du modèle : Ajuster un Modèle Linéaire Généralisé (GLM) avec un lien canonique et une ordonnée à l'origine par ML sur les covariables sélectionnées pour chaque bras de traitement séparément.
  3. Prédiction et moyennage : Prédire les résultats pour tous les participants en utilisant les modèles ajustés et calculer la différence des prédictions moyennes.
• Mécanisme clé : Lorsque les GLM sont ajustés par ML, ils satisfont une condition d'absence de biais de prédiction (la somme des résidus au sein de chaque bras de traitement est nulle). Cette propriété débiaise implicitement l'estimateur, éliminant le besoin de termes d'augmentation explicites (comme dans la pondération inverse de probabilité augmentée, AIPW) ou de couplage croisé.
• Inférence : Les auteurs démontrent que sous une hypothèse d'ultra-parcimonie (le nombre de covariables véritablement pronostiques est faible par rapport à la taille de l'échantillon, spécifiquement $s \log(p) / \sqrt{n} \to 0$), l'estimateur standard de variance par plug-in basé sur la fonction d'influence efficace produit une couverture asymptotique exacte, même si le modèle est mal spécifié.

2. Estimation adaptative aux données via couplage croisé (Cas général)

Pour accommoder des algorithmes plus complexes (par exemple, forêts aléatoires, boosting de gradient) ou pour relâcher l'hypothèse d'ultra-parcimonie, les auteurs emploient le couplage croisé (division de l'échantillon) :

• Procédure :
  1. Diviser les données en $K$ plis.
  2. Pour chaque pli, entraîner les modèles de prédiction sur les $K-1$ plis restants.
  3. Générer des prédictions pour le pli retenu.
  4. Construire un estimateur de Pondération Inverse de Probabilité Augmentée (AIPW) (ou Estimation de Vraisemblance Maximale Ciblée, TMLE) en utilisant ces prédictions hors échantillon.
• Mécanisme clé : Le couplage croisé garantit que les prédictions sont indépendantes des observations sur lesquelles elles sont appliquées, atténuant le surajustement et permettant l'utilisation d'algorithmes flexibles d'apprentissage automatique.
• Inférence : Les auteurs dérivent un estimateur de variance spécifique qui tient compte de l'incertitude dans les scores de propension estimés (probabilités de randomisation). Ils prouvent que cet estimateur atteint une couverture asymptotique exacte même lorsque les modèles de résultat sont mal spécifiés ou convergent lentement, à condition que le score de propension soit soit connu, soit estimé de manière paramétrique.
• Absence de biais en échantillon fini : Si la probabilité de randomisation connue (par exemple, $\pi=0,5$) est utilisée au lieu du score de propension estimé, l'estimateur est exactement non biaisé dans les échantillons finis, indépendamment de la spécification incorrecte du modèle.

3. Estimation paramétrique du score de propension

Le cadre est étendu aux cas où le score de propension est estimé de manière paramétrique (par exemple, via régression logistique sur un sous-ensemble de covariables) plutôt que supposé constant. Les auteurs montrent que la même validité asymptotique s'applique, à condition que le modèle de résultat soit ajusté en utilisant la vraisemblance maximale pondérée avec des poids inverses de probabilité.

Contributions clés

L'article apporte les contributions théoriques et méthodologiques suivantes :

1. Validité des erreurs-types par plug-in : Les auteurs démontrent que de simples estimateurs d'erreur-types par plug-in dérivés de la fonction d'influence efficace fournissent une couverture asymptotique exacte pour les estimateurs ajustés des covariables utilisant des GLM canoniques (avec sélection adaptative aux données) même en cas de spécification incorrecte du modèle, à condition que l'ultra-parcimonie soit respectée.
2. Robustesse des estimateurs couplés croisés : Ils montrent que tandis que les estimateurs AIPW standards peuvent avoir des erreurs-types biaisées avec des prédictions incohérentes, l'Estimation de Vraisemblance Maximale Ciblée (TMLE) combinée au couplage croisé conserve sa validité. De plus, ils fournissent une formule de variance corrigée pour les estimateurs AIPW qui tient compte de la variabilité supplémentaire provenant de l'estimation des scores de propension, garantissant une couverture asymptotique exacte.
3. Absence de biais en échantillon fini : L'article établit que les estimateurs AIPW restent exactement non biaisés dans les échantillons finis lors de l'utilisation de méthodes adaptatives aux données, à condition que le couplage croisé soit utilisé et que la vraie probabilité de randomisation soit utilisée en plug-in (plutôt qu'estimée).
4. Estimation aveugle pour l'hypothèse nulle forte : Les auteurs montrent que lors du test de l'hypothèse nulle forte (le traitement est indépendant des covariables et du résultat), la division de l'échantillon peut être évitée entièrement, même avec l'apprentissage automatique, en ajustant un seul modèle sous l'hypothèse nulle.
5. Scores de propension paramétriques : Les résultats sont généralisés pour montrer que l'estimation du score de propension de manière paramétrique (par exemple, via régression logistique) ne compromet pas la validité de l'inférence, même avec des modèles de résultat adaptatifs aux données.

Résultats

Les auteurs valident leurs résultats théoriques par une étude de simulation imitant l'essai clinique MISTIE III (hémorragie intracérébrale).

• Contrôle de l'erreur de type I : À travers diverses tailles d'échantillon (200, 500, 1000) et spécifications de modèles (correctement spécifiés, mal spécifiés et de haute dimension), les estimateurs adaptatifs aux données proposés (avec et sans couplage croisé) ont maintenu des taux d'erreur de type I proches du niveau nominal (2,5 % unilatéral).
• Puissance : Les estimateurs ajustés des covariables ont démontré de manière cohérente une puissance statistique plus élevée par rapport aux estimateurs non ajustés. Les approches adaptatives aux données ont généralement fonctionné aussi bien ou mieux que les modèles « vrais » pré-spécifiés, en particulier lorsque les modèles de travail étaient mal spécifiés.
• Corrections pour petits échantillons : L'étude a souligné l'importance des corrections pour petits échantillons (ajustement des degrés de liberté) pour les estimateurs non couplés croisés dans les petits échantillons afin d'éviter l'inflation de l'erreur de type I. Le couplage croisé atténue intrinsèquement ce problème.
• Biais : Le biais en échantillon fini s'est avéré négligeable pour tous les estimateurs considérés, en particulier pour ceux utilisant le couplage croisé.

Importance et revendications

L'article revendique fournir une voie pratique, automatisée et conforme aux réglementations pour l'ajustement des covariables dans les ECR. En permettant la pré-spécification de l'algorithme (par exemple, « nous utiliserons une régression pas à pas sur cet ensemble de covariables ») plutôt que du modèle spécifique, l'approche concilie le besoin de pré-spécification avec la flexibilité de la modélisation pilotée par les données.

Les auteurs soulignent que leur cadre :

• Découple l'inférence de la justesse du modèle : Une inférence valide est garantie par la randomisation et les propriétés des estimateurs (absence de biais de prédiction ou couplage croisé), et non par la justesse du modèle de résultat.
• Permet une modélisation complexe : Les chercheurs peuvent utiliser des splines, l'apprentissage automatique ou des interactions complexes sans déformer la validité de l'estimation de l'effet du traitement ou de son erreur-type.
• Maximise la puissance : En exploitant les covariables de base pronostiques via une sélection automatisée, les méthodes maximisent la puissance statistique, répondant au problème de la « puissance sous-optimale » souvent observée dans les essais qui évitent l'ajustement en raison de difficultés de spécification.

Ce travail se positionne comme un pont entre les avancées théoriques en efficacité semi-paramétrique (Tsiatis et al., 2008) et l'apprentissage automatique moderne, offrant une solution robuste au problème de l'« inférence post-sélection » spécifiquement dans le contexte des essais randomisés où le score de propension est connu ou facilement estimable.