Assessing survival models by interval testing with Poisson-binomial distributions

Résumé Technique : Évaluation des modèles de survie par tests d'intervalles avec des distributions de Poisson-Binomial

Énoncé du Problème
Dans les soumissions réglementaires pour les produits pharmaceutiques, particulièrement dans le cadre des évaluations des technologies de la santé (ETS), la sélection du modèle de survie paramétrique approprié est cruciale pour les évaluations économiques et l'extrapolation de l'efficacité du traitement au-delà de la durée des essais. Bien que le nombre d'approches de modélisation disponibles (incluant les modèles paramétriques standards, les splines flexibles et les modèles intégrant des données externes) soit en augmentation, la sélection de modèles reste un défi. Les pratiques standard actuelles reposent fortement sur le critère d'information d'Akaike (AIC), le critère d'information bayésien (BIC) et l'opinion subjective d'experts. L'article soutient que ces méthodes offrent principalement des comparaisons de qualité d'ajustement relatives, échouant à indiquer si tous les modèles considérés sont incompatibles avec les données observées. De plus, elles n'identifient pas les intervalles de temps spécifiques où un modèle ajusté performe mal, ce qui est vital pour évaluer la validité des extrapolations à long terme.

Méthodologie
Les auteurs proposent un cadre de test de qualité d'ajustement basé sur le regroupement des données de survie en intervalles et l'évaluation des comptes d'événements observés par rapport aux comptes attendus dérivés d'un modèle ajusté.

1. Construction des Intervalles :

   • Intervalles définis par la censure : Les intervalles sont définis par les temps uniques des observations censurées à droite ($t'_{j,0}$). Cette approche, ancrée dans les travaux d'Akritas (1988), crée des sous-intervalles $(t'_{j-1,0}, t'_{j,0}]$.
   • Intervalles spécifiés : Les auteurs étendent la méthode pour permettre des intervalles définis par l'utilisateur (par exemple, 10 intervalles espacés uniformément jusqu'au dernier censor). Ces intervalles spécifiés ($V_k$) sont construits en fusionnant les temps de censure avec les limites définies par l'utilisateur, créant ainsi un ensemble de sous-intervalles ($I'_i$).

2. Distribution Statistique :

   • Sous l'hypothèse nulle que le modèle $M(\beta)$ décrit correctement le processus générateur d'événements, le nombre d'événements dans n'importe quel intervalle est modélisé à l'aide d'une distribution de Poisson-binomial.
   • Pour un intervalle spécifique, le nombre d'événements suit une distribution binomiale $Binomial(N_{risk}, p)$, où $N_{risk}$ est le nombre de patients à risque et $p$ est la probabilité qu'un événement survienne dans cet intervalle étant donné la survie au début de l'intervalle.
   • Lors de l'agrégation de sous-intervalles au sein d'un intervalle spécifié, la somme de binomiales indépendantes avec des probabilités variables suit une distribution de Poisson-binomial. Cette approche évite les hypothèses de normalité asymptotique requises par les tests traditionnels du chi-deux (ex: Akritas).

3. Statistiques de Test :

   • Test d'intervalle individuel : Les p-valeurs sont calculées pour chaque intervalle. Les auteurs utilisent des « p-valeurs de milieu de point » (midpoint p-values) pour la reproductibilité, bien qu'ils reconnaissent l'usage des « p-valeurs randomisées » pour l'uniformité théorique.
   • Test de Bonferroni : Utilisé pour contrôler strictement le taux d'erreur de la famille. Un intervalle est signalé si sa p-valeur est extrême (très basse ou très haute) par rapport au nombre d'intervalles.
   • Test de Fisher Transformé (TFT) : Une statistique de test continue ($T_{cont} = -2 \sum \log(U_j)$) qui agrège les p-valeurs pour détecter une concentration inhabituelle de valeurs extrêmes (hautes et basses), suivant une distribution $\chi^2$.
   • Protection contre les intervalles très petits (PAVSI) : Une statistique de test discrète ($T_{pavsi}$) qui compte le nombre d'intervalles dont les p-valeurs tombent en dehors du intervalle central de 95 % (c'est-à-dire $p < 0,025$ ou $p > 0,975$). Cette statistique suit une distribution binomiale et est conçue pour atténuer l'influence de p-valeurs isolées extrêmement extrêmes.

Contributions Clés et Résultats

• Identification du méajustement local : Contraquirement à l'AIC/BIC, la méthode proposée met en évidence les intervalles de temps spécifiques où les modèles échouent, fournissant des informations exploitables pour la sélection de modèles et la validité de l'extrapolation.
• Validation par Simulation : Une étude de simulation impliquant 12 scénarios (variations du nombre de patients et de la maturité des données) et 10 000 itérations par scénario a été réalisée.
  • Contrôle de l'erreur de Type I : Pour les p-valeurs randomisées, les approches par intervalles définis par la censure et par 10 intervalles espacés uniformément ont toutes deux maintenu des taux d'erreur de Type I empiriques proches du niveau nominal de 5 %.
  • P-valeurs de milieu de point : Lors de l'utilisation des p-valeurs de milieu de point (recommandées pour l'application pratique), l'approche par intervalles définis par la censure s'est révélée très conservatrice (le taux d'erreur de Type I étant souvent proche de 0 ou < 2 %), particulièrement pour la statistique TFT dans les données immatures. En revanche, l'approche par 10 intervalles espacés uniformément a mieux performé, avec des taux d'erreur de Type I variant généralement entre 0,02 et 0,05, se rapprochant du niveau nominal à mesure que le nombre de patients augmentait.
• Exemples d'Application :
  • Exemple 1 (Modèle Exponentiel) : A démontré la capacité de détecter un mauvais ajustement à la queue de la courbe (région d'extrapolation) via le rejet de Bonferroni, ce que l'inspection visuelle seule pourrait manquer.
  • Exemple 2 (Scénario d'ETS) : A comparé sept modèles paramétriques. L'approche définie par la censure n'a pas réussi à détecter le mauvais ajustement en raison de la petite taille des intervalles, tandis que l'approche par 10 intervalles espacés uniformément a identifié un méajustement significatif dans 6 des 7 modèles, guidant la sélection de modèles plus flexibles (ex: splines).

Signification et Revendications
L'article affirme que la méthode de test d'intervalle de Poisson-binomial proposée constitue une avancée significative par rapport aux approches classiques en :

1. Supprimant les hypothèses asymptotiques : Elle ne repose pas sur les hypothèses de normalité asymptotique inhérentes aux tests du chi-deux, ce qui la rend adaptée aux petits échantillons ou aux schémas de censure complexes.
2. Offrant une capacité de diagnostic granulaire : Elle dépasse le simple classement relatif des modèles pour fournir des évaluations absolues de la qualité d'ajustement, identifiant spécifiquement où dans l'horizon temporel un modèle est incompatible avec les données.
3. Utilité Pratique : Les auteurs recommandent l'approche par 10 intervalles espacés uniformément combinée aux p-valeurs de milieu de point pour un usage pratique, car elle équilibre le contrôle de l'erreur de Type I avec la capacité de détecter le méajustement dans des scénarios réels (comme l'exemple d'ETS fourni).

Les auteurs concluent que, bien que la méthode soit un outil robuste pour un aperçu initial des modèles et pour le rejet, elle doit être utilisée conjointement avec d'autres métriques (comme l'AIC/BIC) et l'inspection visuelle, plutôt que comme un critère de décision unique. Ils notent que la méthode est suffisamment flexible pour s'adapter à différentes stratégies de sélection d'intervalles et peut être étendue aux modèles de scores de risque.