Robust Causal Inference for EHR-based Studies of Point Exposures with Missingness in Eligibility Criteria

Résumé technique : Inférence causale robuste pour les études basées sur les dossiers médicaux électroniques (DME) concernant des expositions ponctuelles avec des données manquantes dans les critères d'éligibilité

Énoncé du problème
Les bases de données de dossiers médicaux électroniques (DME) offrent une alternative précieuse aux essais cliniques randomisés pour la recherche observationnelle. Cependant, contrairement aux études prospectives où l'éligibilité est rigoureusement vérifiée, les données DME contiennent souvent des valeurs manquantes pour les variables définissant l'éligibilité à l'étude (par exemple, l'IMC, les taux d'HbA1c, les antécédents médicamenteux). La pratique standard consiste à exclure les patients dont les données d'éligibilité sont incomplètes, ce qui introduit un biais de sélection si les données manquantes ne sont pas totalement aléatoires (MCAR). À l'inverse, les chercheurs tentent souvent d'atténuer ce problème en étendant les « fenêtres de rétrospection » pour trouver des données plus anciennes, une stratégie qui risque d'inclure inopportunément des patients qui n'étaient pas éligibles à la base de l'étude (par exemple, des patients dont le statut diabétique était inconnu au moment de la chirurgie mais qui est déduit de dossiers obsolètes).

Les méthodes existantes pour traiter les données manquantes d'éligibilité, telles que l'imputation multiple ou le pondération par l'inverse de la probabilité (IPW), nécessitent souvent la spécification correcte de tous les modèles composantes (résultat, traitement, mécanisme de données manquantes et imputation) pour produire des estimations cohérentes. De plus, ces méthodes éprouvent souvent des difficultés lorsqu'elles sont combinées à des techniques flexibles d'apprentissage automatique (ML), qui souffrent généralement de taux de convergence lents invalidant l'inférence asymptotique.

Méthodologie
Les auteurs proposent un cadre pour estimer l'Effet Moyen du Traitement sur les Traités parmi les Éligibles à l'Étude (ATTE), noté $\theta_{ATT}^{elig} = E[Y(1) - Y(0) \mid A=1, E=1]$. L'approche repose sur la théorie semi-paramétrique pour développer des estimateurs robustes à la mauvaise spécification des modèles et compatibles avec l'apprentissage automatique moderne.

1. Hypothèses et identification :

   • La méthode suppose la Cohérence, la Positivité et l'Absence de Confondants Non Mesurés au sein de la population éligible.
   • Crucialement, elle suppose que les covariables définissant l'éligibilité ($L_m$) sont Manquantes Au Hasard (MAR), conditionnellement aux covariables entièrement observées ($L^*$) et au traitement ($A$). Plus précisément, l'indicateur de données d'éligibilité complètes ($R$) est indépendant du résultat ($Y$) et des covariables manquantes ($L_m$) étant donné $L^*$ et $A$.
   • Les auteurs dérivent une factorisation novatrice de la vraisemblance des données observées qui sépare le mécanisme de traitement, le mécanisme de détermination ($\eta$), la distribution des covariables manquantes ($\lambda$) et le modèle de résultat ($\mu$).

2. Estimateurs :
   L'article présente deux estimateurs principaux basés sur les fonctions d'influence efficaces (EIF) :

   • $\hat{\theta}_{EIF}$ (Estimateur de la Fonction d'Influence Efficace) : Cet estimateur vise la borne d'efficacité semi-paramétrique. Il utilise un ensemble complexe de fonctions de nuisance « imbriquées » (par exemple, $\xi, \gamma, \chi$) qui tiennent compte de l'incertitude sur le statut d'éligibilité en marginalisant sur les covariables manquantes. Il nécessite l'estimation de multiples fonctions composantes ($\mu, u, \eta, \varepsilon$, etc.) à l'aide de méthodes ML flexibles (par exemple, SuperLearner). Les résultats théoriques montrent que si le produit des erreurs d'estimation de ces fonctions de nuisance converge à un taux de $o_P(n^{-1/2})$, l'estimateur est $\sqrt{n}$-cohérent et asymptotiquement normal.
   • $\hat{\theta}_{IF}$ (Estimateur de la Fonction d'Influence) : Une alternative computationnellement plus simple qui évite certaines des fonctions de nuisance profondément imbriquées requises par $\hat{\theta}_{EIF}$. Bien qu'il puisse ne pas atteindre la borne d'efficacité semi-paramétrique, il offre un compromis entre complexité computationnelle et réduction du biais.
   • Comparateurs de référence : Les auteurs évaluent également un estimateur de Cas Complets (CC) et un estimateur de Régression de Résultat Pondéré par l'Inverse (IWOR) pour démontrer la nécessité de l'approche proposée.

3. Mise en œuvre :
   La procédure d'estimation utilise le découpage d'échantillon (cross-fitting) pour garantir une inférence valide lors de l'utilisation d'algorithmes ML non paramétriques. Cela évite le surajustement et permet aux estimateurs d'atteindre les taux de convergence requis même lorsque les fonctions de nuisance sont estimées via des algorithmes complexes tels que les forêts aléatoires ou les modèles additifs généralisés.

Contributions clés

• Cadre formel pour l'éligibilité manquante : L'article fournit le premier cadre rigoureux d'inférence causale traitant spécifiquement du biais de sélection résultant de critères d'éligibilité manquants dans les études DME, le distinguant des problèmes standard de données manquantes.
• Robustesse et efficacité : Les estimateurs proposés sont « multi-robustes », ce qui signifie qu'ils restent cohérents si diverses combinaisons de modèles de nuisance sont correctement spécifiées. Ils maintiennent également une inférence asymptotique valide lors de l'utilisation de méthodes ML flexibles, surmontant les problèmes de convergence lente qui affectent généralement de telles approches.
• Factorisation novatrice : La dérivation d'une factorisation spécifique de la vraisemblance facilitant l'identification de l'ATTE sans conditionner sur des strates d'éligibilité non observées.

Application et résultats
La méthodologie est appliquée à une cohorte de 14 809 patients de l'étude Kaiser Permanente DURABLE ayant subi une chirurgie bariatrique (bypass gastrique en Y de Roux [RYGB] vs gastrectomie en manchon [SG]) entre 2008 et 2011. L'étude évalue le changement de poids à long terme et la rémission du diabète de type 2 (DT2).

• Sensibilité à l'opérationnalisation : Les auteurs ont analysé 40 opérationnalisations différentes des critères d'éligibilité (variant les fenêtres de rétrospection pour l'IMC et le DT2).
• Biais des approches standard : L'estimateur de Cas Complets (CC) a montré un biais significatif (variant de -7,1 % à -6,2 % pour le changement de poids et de 3,7 % à 8,2 % pour la rémission), suggérant que l'exclusion des patients dont les données d'éligibilité sont manquantes surestime systématiquement l'effet du traitement.
• Performance des estimateurs proposés : Les estimateurs proposés basés sur la fonction d'influence ($\hat{\theta}_{EIF}$ et $\hat{\theta}_{IF}$) ont atténué ces effets vers le zéro.
  • Pour le changement de poids, $\hat{\theta}_{EIF}$ a toujours indiqué un avantage du RYGB par rapport au SG, bien que l'ampleur ait été réduite en moyenne de 19,5 % par rapport à l'estimateur CC.
  • Pour la rémission du DT2, les résultats étaient plus nuancés. Alors que l'estimateur CC suggérait un avantage substantiel du RYGB, les estimateurs robustes ont montré un effet beaucoup plus faible (plage de 0,1 % à 7,4 %), les intervalles de confiance incluant souvent zéro. Cela suggère que l'avantage apparent du RYGB pour la rémission dans les études précédentes pourrait avoir été entraîné par un biais de sélection.
• Analyse de sensibilité : Une analyse de point de basculement a démontré que la conclusion concernant les avantages de perte de poids du RYGB est robuste aux violations de l'hypothèse MAR, nécessitant des différences implausiblement grandes dans les probabilités de données manquantes pour renverser les résultats. Cependant, les résultats sur la rémission du DT2 étaient plus sensibles à de telles violations.

Signification et affirmations
Les auteurs affirment que leur travail traite d'une source critique, souvent négligée, de biais dans la recherche basée sur les DME. En démontrant que les stratégies d'exclusion standard peuvent conduire à des estimations gonflées des effets du traitement, l'article plaide pour l'adoption de méthodes semi-paramétriques et robustes.

L'étude conclut que si le RYGB offre probablement une perte de poids à long terme supérieure par rapport au SG, les preuves d'un taux de rémission du DT2 supérieur sont moins définitives que ce que suggéraient précédemment les études utilisant des analyses de cas complets. Les auteurs suggèrent que cette base de preuves robuste soutient les directives cliniques actuelles et s'oppose à la nécessité de nouveaux essais randomisés à grande échelle pour ces résultats spécifiques, car un équipoise clinique suffisant pourrait ne pas exister. Le travail fournit une boîte à outils pratique pour les chercheurs afin de gérer les données d'éligibilité manquantes sans recourir à une exclusion arbitraire ou à des stratégies de rétrospection potentiellement biaisées.