Causal-ICM: A Data Fusion Framework For Heterogeneous Treatment Effect Estimation With Multi-Task Gaussian Processes

1. Problématique

L'estimation de l'effet de traitement hétérogène (HTE) vise à quantifier l'impact d'une intervention sur différents sous-groupes d'une population cible. Ce domaine fait face à un compromis fondamental entre validité interne et validité externe :

• Essais Randomisés Contrôlés (RCT) : Offrent une validité interne élevée grâce à la randomisation (élimination des facteurs de confusion), mais souffrent souvent d'une faible validité externe. Leurs critères d'inclusion stricts et leurs tailles d'échantillon limitées rendent difficile la généralisation des résultats à la population cible réelle. De plus, ils sont souvent sous-puissants pour détecter des effets de sous-groupes.
• Études Observationnelles : Offrent une validité externe supérieure grâce à des échantillons plus grands et plus représentatifs. Cependant, elles sont sujettes à des facteurs de confusion non mesurés, ce qui peut biaiser les estimations des effets de traitement.

L'enjeu principal est de fusionner ces deux sources de données pour obtenir des estimations précises et généralisables, tout en quantifiant correctement l'incertitude. Les méthodes existantes peinent souvent à gérer l'extrapolation au-delà du support des covariables du RCT ou à fournir des intervalles de crédibilité fiables lorsque les données observationnelles sont biaisées.

2. Méthodologie : Causal-ICM

Les auteurs proposent Causal-ICM, une approche bayésienne non paramétrique basée sur des Processus Gaussiens Multi-Tâches (Multi-Task Gaussian Processes - MTGP) et spécifiquement sur le modèle Intrinsic Coregionalization Model (ICM).

A. Cadre Théorique

Le modèle traite les deux sources de données (RCT et observationnelle) comme deux tâches distinctes mais corrélées :

• $f_e(x)$ : Fonction de réponse conditionnelle pour le RCT (non biaisée).
• $f_o(x)$ : Fonction de réponse conditionnelle pour l'étude observationnelle (potentiellement biaisée par des facteurs de confusion cachés).

L'objectif est d'estimer la surface de réponse du RCT $f_e(x)$ sur tout le support de la population cible, en utilisant les données observationnelles pour améliorer la précision sans introduire de biais excessif.

B. Paramétrisation de l'ICM

Le cœur de la méthode réside dans une paramétrisation spécifique des coefficients du modèle ICM pour contrôler le « prêt d'information » (borrowing) entre les tâches. Les fonctions latentes sont définies comme suit :
$$f_e(x) = u_1(x)$$
$$f_o(x) = \rho f_e(x) + \sqrt{1-\rho^2} u_2(x)$$

Où :

• $u_1$ et $u_2$ sont des processus gaussiens latents indépendants.
• $\rho \in (0, 1)$ est un hyperparamètre clé qui contrôle le degré de corrélation (et donc de partage d'information) entre le RCT et l'étude observationnelle.
  • Si $\rho \to 1$, le modèle emprunte massivement l'information de l'étude observationnelle.
  • Si $\rho \to 0$, le modèle ignore l'étude observationnelle.

Cette structure permet de modéliser le biais de confusion comme un terme additif spécifique à l'étude observationnelle ($\sqrt{1-\rho^2} u_2(x)$).

C. Sélection Adaptative de $\rho$

Pour éviter que la grande taille de l'échantillon observationnel (souvent biaisé) ne domine l'estimation, les auteurs proposent une procédure de sélection de $\rho$ basée sur la validation croisée :

• On utilise une validation croisée 5 plis sur un sous-ensemble de patients du RCT (held-out).
• L'objectif est de minimiser l'erreur quadratique moyenne (RMSE) pondérée, où les poids favorisent les patients du RCT qui sont plus susceptibles d'apparaître dans la distribution observationnelle (pour optimiser l'extrapolation).
• Cela permet d'ajuster dynamiquement la quantité d'information empruntée en fonction de la similarité des distributions et de l'ampleur du biais.

D. Quantification de l'Incertitude et Bornes Théoriques

Une contribution théorique majeure est la démonstration d'une borne inférieure sur la variance a posteriori (Proposition 1).
Même lorsque la taille de l'échantillon observationnel tend vers l'infini ($n_o \to \infty$), la variance de l'estimation du RCT ne peut pas devenir arbitrairement petite si $\rho < 1$.
$$Var(f_e(x^*) | D) \geq (1 - \rho^2) Var(f_e(x^*) | D_e)$$
Cela signifie que le modèle protège contre la surconfiance. Si les données observationnelles sont biaisées, l'incertitude reste élevée, reflétant la méfiance du modèle envers ces données, contrairement aux méthodes qui pourraient produire des intervalles de confiance étroits mais erronés.

3. Contributions Clés

1. Modèle Causal-ICM : Développement d'un cadre MTGP spécifique pour la fusion de données causales, capable de capturer des relations fonctionnelles complexes (non-linéaires) et de gérer le biais de confusion non mesuré.
2. Contrôle du Biais et de l'Incertitude : Introduction d'un paramètre $\rho$ interprétable et d'une borne théorique garantissant que l'ajout de grandes quantités de données observationnelles biaisées n'entraîne pas une sous-estimation de l'incertitude (surconfiance).
3. Performance Supérieure : Démonstration empirique que Causal-ICM surpasse ou égale les méthodes de l'état de l'art (T-learners, méthodes de débiaisage par ancrage, méthodes de vraisemblance de puissance) en termes d'estimation ponctuelle et de couverture des intervalles de crédibilité, particulièrement dans les scénarios non-linéaires et lors de l'extrapolation.

4. Résultats Expérimentaux

Les auteurs ont évalué Causal-ICM via des simulations et une étude sur des données réelles (étude STAR sur la taille des classes).

• Études de Simulation :

  • Scénarios Linéaires et Non-Linéaires : Causal-ICM a obtenu les erreurs RMSE les plus faibles, surpassant les méthodes paramétriques (qui échouent en cas de non-linéarité) et les méthodes de débiaisage simples.
  • Quantification de l'incertitude : Les intervalles de crédibilité à 95 % de Causal-ICM ont montré une couverture proche du niveau nominal, même en présence de biais. À l'inverse, les méthodes basées uniquement sur les données observationnelles (T-learner) ont produit des intervalles trop étroits (couverture proche de 0%) en raison du biais non corrigé.
  • Robustesse à la taille de l'échantillon : Contrairement à d'autres méthodes dont la performance se dégrade avec l'augmentation de la taille de l'échantillon observationnel (en raison du biais), Causal-ICM maintient sa performance, confirmant la théorie de la borne de variance.

• Données Réelles (STAR) :

  • Sur l'estimation de l'effet de la taille des classes sur les résultats scolaires, Causal-ICM (avec $\rho=0.4$) a atteint un RMSE de 6.29, comparable aux meilleures méthodes d'ancrage expérimental (Random Forest ou GP) et nettement supérieur aux méthodes d'intégration paramétrique (RMSE > 11).

5. Signification et Impact

Ce travail est significatif pour plusieurs raisons :

• Prise de décision médicale et politique : Il permet d'utiliser des données du monde réel (RWD) pour enrichir les essais cliniques tout en garantissant que les décisions basées sur ces estimations ne sont pas prises avec une fausse certitude.
• Généralisabilité : La méthode offre un cadre robuste pour extrapoler les résultats des essais cliniques à des populations plus larges et plus diversifiées, un défi majeur en recherche translationnelle.
• Approche Bayésienne Non Paramétrique : Elle évite les hypothèses fortes sur la forme fonctionnelle du biais ou de l'effet de traitement, offrant une flexibilité supérieure aux méthodes fréquentistes classiques.
• Sécurité Statistique : La propriété de borne de variance est une avancée théorique cruciale pour la fiabilité des modèles de fusion de données, assurant que l'ajout de données "bruitées" ne dégrade pas la confiance en l'estimation.

En résumé, Causal-ICM représente une avancée majeure dans la fusion de données causales, offrant un équilibre optimal entre la précision accrue fournie par les grandes études observationnelles et la rigueur statistique nécessaire pour gérer les biais inhérents à ces données.