Estimating equations for causal survival analysis with pooled logistic regression

Résumé technique : Équations d'estimation pour l'analyse de survie causale avec la régression logistique groupée

Énoncé du problème
La régression logistique groupée est une technique largement utilisée en analyse de survie causale, particulièrement comme modèle de nuisance pour les estimateurs de g-computation et de pondération par l'inverse de la probabilité (IPW). L'implémentation standard nécessite de transformer les données en un format « long », où chaque ligne représente une personne-période (un individu pour un intervalle de temps spécifique). Cette approche est confrontée à trois défis computationnels et pratiques majeurs :

1. Volume de données : Le jeu de données long peut devenir ingérable avec de grands échantillons ou des intervalles de temps fins, nécessissant souvent un regroupement du temps (par exemple, utiliser des semaines plutôt que des jours), ce qui entraîne une perte d'information.
2. Charge de calcul : Pour l'inférence causale (par exemple, l'estimation des risques marginaux), l'estimation de la variance repose généralement sur le bootstrap non paramétrique. Comme le modèle logistique groupé doit être réajusté des centaines ou des milliers de fois, ce processus est coûteux en termes de calcul, prenant souvent des heures pour se terminer, ce qui menace la reproductibilité.
3. Erreurs d'implémentation : La transformation manuelle des données en formats longs introduit un risque d'erreurs de codage (par exemple, un mauvais alignement temporel ou un mauvais codage des événements).

Méthodologie
Les auteurs proposent de reformuler la régression logistique groupée en utilisant des équations d'estimation (spécifiquement l'estimation M) afin de contourner la nécessité d'un jeu de données long et d'éliminer le recours au bootstrap pour l'estimation de la variance.

• Formulation des équations d'estimation :

  • Au lieu de maximiser une vraisemblance sur un jeu de données long, la méthode définit une fonction d'estimation spécifique à l'unité $\psi(O_i; \theta)$ qui somme les contributions à travers tous les intervalles de temps pour un seul individu.
  • L'équation de score pour les paramètres de régression $\beta$ est exprimée comme la somme des résidus pondérés par les covariables sur l'ensemble du risque, agrégée par unité plutôt que par personne-période.
  • Pour estimer le risque marginal (le paramètre cible), une seconde fonction d'estimation est construite pour transformer les risques discrets prédits en risques cumulés.
  • Ces équations sont empilées pour estimer conjointement les paramètres de nuisance et l'effet causal cible.

• Estimation de la variance :

  • La méthode utilise l'estimateur de variance sandwich empirique pour estimer de manière cohérente la variance du paramètre cible. Cela tient compte de l'incertitude des paramètres du modèle de nuisance sans recours au rééchantillonnage.
  • Cela permet la construction d'intervalles de confiance (IC) de type Wald et, pour les effets variant dans le temps, de bandes de confiance (CB) utilisant la méthode sup-t.

• Vectorisation et implémentation :

  • Les auteurs décrivent une implémentation vectorisée des fonctions d'estimation utilisant des opérations matricielles (produits de Hadamard et produits cumulés) pour éviter les boucles itératives lentes communes dans les langages interprétés comme Python et R.
  • Cette approche réduit les besoins en mémoire par rapport à l'approche standard des données longues, particulièrement lorsque le nombre d'intervalles de temps ($K$) ou la taille de l'échantillon ($n$) est élevé.
  • L'implémentation est disponible dans la bibliothèque Python open-source delicatessen et le package R geex.

Résultats clés
La méthode proposée a été évaluée via deux exemples appliqués utilisant des données publiques et une étude de simulation de Monte Carlo.

1. Exemples appliqués :

   • Essai sur le cancer de la vessie : L'approche par équation d'estimation a réduit les temps d'exécution de plus d'une minute (implémentation standard avec indicateurs disjoints) ou de plusieurs heures (bootstrap) à moins d'une seconde, tout en produisant des estimations de différence de risque et des intervalles de confiance identiques.
   • Cohorte VIH (WIHS) : Dans un scénario comprenant 1 164 sujets et 3 653 jours de suivi, l'implémentation standard avec indicateurs disjoints a échoué en raison de contraintes de mémoire (nécessitant environ 4,2 millions de lignes). Le bootstrap ne pouvait pas être exécuté en parallèle en raison des limites de mémoire. L'approche par équation d'estimation a réussi à calculer les résultats en moins de deux minutes (échelle de jours) et en quelques secondes (échelle de mois) sans regroupement de données.

2. Étude de simulation :

   • Une simulation avec 5 000 itérations sur des tailles d'échantillons variables ($n=250$ à $2000$) a évalué la performance de l'estimateur de variance sandwich empirique.
   • Couverture : Lorsque la forme fonctionnelle du temps était correctement spécifiée (par exemple, log-linéaire, splines ou indicateurs disjoints), l'estimateur a atteint une couverture d'intervalle de confiance nominale de 95 %.
   • Biais : La spécification erronée de la forme fonctionnelle du temps (par exemple, l'utilisation d'une simple constante) a entraîné un biais et une faible couverture, soulignant l'importance d'une modélisation flexible du temps.
   • Précision de la variance : Le ratio d'erreur standard (ASE/ESE) était proche de 1,0 pour les modèles correctement spécifiés, indiquant que l'estimateur sandwich capture précisément la variabilité.

Signification et revendications
L'article affirme que cette implémentation offre une alternative efficace sur le plan computationnel à l'approche standard de la régression logistique groupée pour l'analyse de survie causale. Ses principales contributions sont :

• Élimination du jeu de données long : Elle évite la création et le stockage de jeux de données personne-période massifs, éliminant ainsi la nécessité de regrouper les intervalles de temps et préservant la granularité des données.
• Inférence efficace : En remplaçant le bootstrap non paramétrique par l'estimateur de variance sandwich empirique, elle réduit considérablement le temps de calcul (de plusieurs heures à quelques secondes/minutes) tout en maintenant une inférence statistique valide.
• Faisabilité : Elle permet l'analyse de jeux de données et d'échelles temporelles qui sont informatiquement intraitables sous l'approche bootstrap standard.

Les auteurs notent que bien que l'accent soit mis sur la régression logistique groupée, le cadre est généralisable à d'autres modèles de régression groupée (par exemple, complémentaire log-log ou logistique multinomiale pour les risques concurrents). Ils reconnaissent des limites, notamment l'incapacité actuelle à gérer directement les traitements variant dans le temps au sein de cette formulation spécifique et la dépendance à la discrétisation du temps, bien qu'ils notent que des extensions théoriques pour des dimensions croissantes existent.