📊 statistics

Causal inference for N-of-1 trials

Cet article établit un cadre formel d'inférence causale pour les essais N-of-1 en définissant un effet de traitement moyen conditionnel spécifique à l'unité (U-CATE) et en démontrant comment l'identifier et l'estimer en utilisant des différences de moyennes simples ou la g-formule variant dans le temps, selon la complexité de facteurs tels que les effets de report et les variables de confusion variant dans le temps.

Auteurs originaux : Marco Piccininni, Mats J. Stensrud, Zachary Shahn, Stefan Konigorski

Publié 2026-08-04

📖 5 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Marco Piccininni, Mats J. Stensrud, Zachary Shahn, Stefan Konigorski

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Imaginez que vous essayez de découvrir quelle manette de jeu vidéo vous permet de le mieux jouer. Vous pourriez demander à mille autres joueurs ce qu'ils aiment, mais cela revient à demander à une foule ce qu'elle pense d'un parfum de glace spécifique ; cela vous renseigne sur la personne moyenne, pas sur votre goût personnel. C'est le cœur de la « médecine personnalisée » : l'idée que ce qui fonctionne pour le patient « moyen » pourrait ne pas fonctionner pour vous. Pour résoudre cela, les scientifiques utilisent un type spécial d'expérience appelé essai N-de-1. Considérez cela comme un « test A/B » scientifique pour une seule personne. Au lieu de comparer deux groupes de personnes, vous comparez deux versions de vous-même au fil du temps : une semaine vous prenez le médicament, la semaine suivante vous prenez un placebo, et vous alternez. Le but est de voir lequel vous fait réellement vous sentir mieux, en filtrant le bruit du quotidien.

Cependant, le simple fait d'alterner ne signifie pas que les mathématiques sont faciles. Votre corps n'est pas une page blanche ; il a des rythmes, des habitudes et des mémoires. Si vous prenez un comprimé le lundi, est-ce qu'il fonctionne encore le mercredi ? Si vous vous sentez mal un mardi pluvieux, est-ce la météo ou le comprimé ? C'est là qu'intervient l'inférence causale. C'est la branche de la science qui tente de répondre à la question : « Est-ce que ceci a causé cela ? » plutôt que simplement « Est-ce qu'ils se sont produits en même temps ? ». Pendant des années, les gens ont débattu de la manière d'analyser ces essais sur une seule personne. Certains pensaient que la randomisation du calendrier suffisait à tout régler, tandis que d'autres craignaient que l'ordre des événements ou le passage du temps ne fausse les résultats. La grande question était la suivante : comment obtenir une réponse claire et honnête sur ce qui fonctionne pour une personne spécifique, même quand son corps est désordonné et complexe ?

Cet article intervient pour apporter un certain ordre à ce chaos. Les auteurs, une équipe de data scientists et de mathématiciens, ont construit un « code de règles » formel pour les essais N-de-1 en utilisant le langage de l'inférence causale. Ils n'ont pas seulement deviné ; ils ont créé un cadre mathématique qui traite les données d'une seule personne comme un petit univers autonome. Ils définissent une cible spécifique appelée l'U-CATE (qui ressemble à un robot sophistiqué, mais qui signifie simplement « l'effet moyen pour cette personne spécifique »). Ils démontrent que si les règles du jeu sont simples — c'est-à-dire que le médicament s'estompe rapidement et ne laisse pas d'« effet fantôme » persistant — alors les mathématiques sont directes. Il suffit de faire la moyenne des « bons jours » et des « mauvais jours » pour trouver la réponse.

Mais les auteurs savent que la vie réelle n'est pas simple. Ils s'attaquent aux scénarios complexes où le médicament pourrait avoir un effet de « rémanence » (comme une gueule de bois après une pilule qui dure plus longtemps que la dose), où votre humeur pourrait fluctuer vers le haut ou vers le bas au fil du temps, ou bien où la réaction de votre corps à la pilule dépend de ce qui s'est passé la veille. Dans ces situations complexes, ils montrent qu'une simple moyenne ne suffit pas. Au lieu de cela, ils proposent d'utiliser un outil mathématique sophistiqué appelé la formule g. Considérez cela comme un moteur de simulation de voyage dans le temps. Il prend toutes vos données — votre température, l'heure de la journée, vos symptômes et l'historique du traitement — et lance une simulation virtuelle pour demander : « Qu'est-ce qui se serait passé si vous aviez pris la pilule à chaque fois ? » par rapport à « Et si vous ne l'aviez jamais prise ? ».

L'article prouve que, sous certaines conditions, ce moteur de simulation peut identifier avec précision l'effet réel d'un traitement pour un seul individu, même lorsque les données sont bruitées et que les effets persistent. Ils ont testé ces idées sur des données réelles provenant de personnes suivant leurs symptômes d'acné. Dans un cas, une simple moyenne a fonctionné parfaitement. Dans un autre, où la réaction de la peau semblait dépendre de l'heure de la journée et de la température, ils ont dû utiliser leur outil de simulation complexe. Le résultat ? Ils ont découvert que le gel anti-acné fonctionnait très bien pour une personne, mais ne semblait pas aider une autre, soulignant exactement pourquoi nous avons besoin de ces méthodes personnalisées. Les auteurs clarifient également une confusion courante : bien que la randomisation de l'ordre des traitements soit utile, elle n'est pas une baguette magique qui règle tout si la biologie sous-jacente est complexe. Il faut toujours disposer de la bonne mathématique pour interpréter les résultats.

En fin de compte, cet article ne se contente pas de dire que « les essais N-de-1 sont cool » ; il donne aux scientifiques les instructions précises sur la manière de lire les résultats sans être trompés par les caprices de la biologie humaine. Il montre qu'avec les bonnes hypothèses et les bons outils, nous pouvons dépasser le stade de la supposition sur ce qui fonctionne pour la « personne moyenne » et enfin savoir ce qui fonctionne pour vous.

Résumé technique : Inférence causale pour les essais N-of-1

Énoncé du problème

L'approche conventionnelle de l'inférence causale dans les essais contrôlés randomisés (ECR) se concentre sur l'estimation de l'effet causal moyen au sein d'une population. Cependant, l'essor de la médecine personnalisée a mis en évidence les limites de cette approche, car les individus présentent souvent des réponses hétérogènes aux traitements, possèdent des préférences uniques, ou peuvent ne pas répondre aux critères d'éligibilité des ECR existants au niveau de la population. Les essais N-of-1, définis comme des essais croisés intra-personnels où un seul individu reçoit un traitement et un contrôle de manière séquentielle sur plusieurs périodes, offrent une solution potentielle pour identifier les effets causaux spécifiques à l'individu.

Malgré leur attrait intuitif, l'analyse et l'interprétation des essais N-of-1 restent méthodologiquement complexes. Une confusion persiste concernant le rôle de la randomisation, la gestion des facteurs de confusion (spécifiquement l'autocorrélation et les effets de report/carryover) et les estimands causaux appropriés. La littérature antérieure a proposé des vues divergentes : certains affirment que la randomisation élimine le besoin de méthodes d'inférence causale, tandis que d'autres soutiennent que l'autocorrélation et les effets de report doivent être pris en compte même dans les protocoles randomisés. Cet article répond à la nécessité d'un cadre formel d'inférence causale pour fonder les affirmations intuitives, définir des estimands précis et établir des stratégies d'identification et d'estimation pour les essais N-of-1 individuels.

Méthodologie

Cadre et notation

Les auteurs adoptent un cadre formel d'inférence causale basé sur les modèles causaux structurels (SCM) et le raisonnement contrefactuel. Ils définissent un essai N-of-1 comme une étude où un calendrier de traitement $Z$ est assigné à la ligne de base et se répète de manière cyclique au fil du temps. Le statut du traitement $A_k$ au temps $k$ est une fonction déterministe de $Z$ . L'analyse se concentre sur un seul individu, conceptualisé comme un tirage d'une superpopulation quasi infinie, permettant ainsi la définition d'effets causaux spécifiques à l'individu.

Modèles causaux

L'article développe deux modèles causaux primaires :

Le scénario de base :
- Hypothèses : Le résultat $Y_k$ est généré par une équation structurelle $Y_k = f^Y(A_k, U, \epsilon_k)$ , où $U$ représente les caractéristiques individuelles non mesurées (covariables de base) et $\epsilon_k$ est un bruit variant dans le temps.
- Contraintes clés : Le modèle suppose l'absence d'effets de report (le traitement au temps $k$ n'affecte pas les résultats à $k' > k$ ), l'absence d'effets résultat-résultat, et l'absence de causes communes du résultat dont la distribution change au fil du temps.
- Stationnarité : Il suppose une forte stationnarité conditionnelle : la distribution des résultats contrefactuels est constante dans le temps étant donné $U$ .
Le modèle causal relaxé :
- Motivation : Pour traiter les menaces à la stationnarité courantes en milieu clinique, telles que les effets de report, l'autocorrélation et les tendances temporelles.
- Structure : Ce modèle introduit une covariable variant dans le temps $L_k$ (ex: facteurs environnementaux, états physiologiques) qui peut être affectée par le traitement précédent, les résultats précédents et les états de covariables précédents. Le résultat $Y_k$ dépend de $A_k$ , $Y_{k-1}$ , $L_k$ , $L_{k-1}$ et des variables individuelles $U$ .
- Hypothèses : Bien que la stationnarité forte soit relaxée, le modèle impose des contraintes de régularité : les formes fonctionnelles générant $L_k$ et $Y_k$ ne changent pas au fil du temps, et les distributions de bruit restent stationnaires. Il permet des effets de report directs et indirects ainsi que des dépendances résultat-résultat.

Identification et estimation

Estimand cible : L'article définit l'U-CATE (Effet de Traitement Moyen Conditionnel sur $U$ ) comme l'estimand primaire. Cela représente le contraste entre le résultat contrefactuel attendu sous une stratégie de « traitement systématique » par rapport à une stratégie de « non-traitement » pour un individu spécifique.
Estimation du scénario de base : Sous le modèle de base, l'U-CATE est identifié par la simple différence de moyenne entre les résultats observés pendant les périodes de traitement et les périodes de contrôle. Les auteurs prouvent que cette simple différence est un estimateur sans biais et asymptotiquement normal.
Estimation du modèle relaxé : Sous le modèle relaxé, les simples différences de moyennes sont biaisées par les effets de report et les tendances temporelles. Les auteurs démontrent que l'U-CATE peut être identifié via une formule g longitudinale (longitudinal g-formula). Cela nécessite l'estimation des distributions conditionnelles du résultat et des covariables étant donné leurs causes directes (ex: $P(Y_k | A_k, Y_{k-1}, L_k, L_{k-1}, U)$ ).
Rôle de la randomisation : Les auteurs soutiennent que la randomisation du calendrier de traitement n'est pas strictement nécessaire pour l'identification dans ces contextes car l'inférence est conditionnelle aux caractéristiques de l'individu ( $U$ ) et au calendrier spécifique ( $Z$ ). La randomisation sert principalement à assurer l'échangeabilité si l'on souhaite faire des inférences marginales sur différents points temporels ou différents calendriers, mais le cœur de l'inférence individuelle repose sur les hypothèses structurelles et les conditions de stationnarité.

Résultats clés

Formalisation de l'inférence N-of-1 : L'article formalise avec succès les essais N-of-1 au sein d'un cadre de superpopulation, définissant l'U-CATE comme un effet causal rigoureux et spécifique à l'individu.
Validité des estimateurs simples : Dans le « scénario de base » (absence de report, absence de tendances temporelles), une simple différence de moyennes non appariées est un estimateur valide et sans biais pour l'U-CATE. Cela fournit une justification théorique à l'utilisation de tests t simples dans des contextes N-of-1 spécifiques.
Identification sous complexité : Dans des contextes plus réalistes impliquant des effets de report, de l'autocorrélation et des variables de confusion variant dans le temps, l'article démonte que l'U-CATE est toujours identifiable via la formule g, à condition que des conditions de stationnarité spécifiques soient respectées et que des données suffisantes (cycles répétés) soient disponibles.
Application de données : Les auteurs ont appliqué leurs méthodes à des données publiques provenant de deux essais N-of-1 concernant la sévérité de l'acné.
- Sous le modèle de base, un participant présentait un effet de traitement significatif, tandis que l'autre non.
- Sous le modèle relaxé (tenant compte de l'heure de la journée, de la température et d'un éventuel effet de report), l'algorithme de g-computation a confirmé un effet de traitement favorable pour le second participant, mais n'a trouvé aucune preuve d'effet pour le premier.
- Cette application illustre comment différentes hypothèses sur le processus générateur de données mènent à différentes stratégies d'analyse et résultats, soulignant l'importance de la spécification du modèle.

Signification et revendications

L'article affirme fournir une base théorique nécessaire à l'analyse des essais N-of-1, dépassant les approches statistiques ad hoc. En ancrant ces essais dans un cadre causal formel, les auteurs visent à :

Clarifier les idées reçues concernant la nécessité de la randomisation et la gestion des facteurs de confusion dans les conceptions à sujet unique.
Justifier l'utilisation d'estimateurs simples dans des scénarios bien définis.
Fournir une voie rigoureuse (via la formule g) pour analyser les essais N-of-1 complexes où les effets de report et les tendances temporelles sont présents.
Souligner que si les résultats d'un seul essai N-of-1 sont spécifiques à l'individu (généralisabilité limitée), l'agrégation d'une série d'essais N-of-1 peut produire des estimations efficaces des effets de traitement moyens au niveau de la population sous des hypothèses spécifiques (ex: absence de modification de l'effet par $U$ ).

Les auteurs maintiennent une position modeste, reconnaissant que la validité de leurs résultats dépend fortement de la plausibilité des hypothèses causales sous-jacentes (ex: stationnarité, spécification correcte du modèle). Ils notent que bien que le cadre permette l'identification d'effets individuels, la transportabilité de ces résultats vers de futurs points temporels ou d'autres individus reste un défi inhérent à la nature de la médecine personnalisée.