Performance of prior event rate ratio method in the presence of differential mortality or dropout

Résumé technique : Performance de la méthode du ratio de taux d'événements antérieurs en présence d'une mortalité différentielle ou d'un attrition

Énoncé du problème
La méthode du ratio de taux d'événements antérieurs (PERR - Prior Event Rate Ratio) est un cadre statistique conçu pour contrôler à la fois les facteurs de confusion mesurés et non mesurés dans les évaluations en vie réelle des traitements médicaux utilisant les dossiers médicaux électroniques. Bien que la méthode PERR ait été appliquée à divers traitements, sa validité est remise en question par la présence d'une mortalité ou d'une attrition différentielle. Une étude de simulation largement citée a précédemment démontré que les estimations PERR de l'effet d'un traitement sur des résultats binaires deviennent biaisées lorsque les taux de mortalité/attrition sont conjointement influencés par le traitement, les facteurs de confusion et les événements antérieurs. Cependant, cette étude était limitée en portée, n'examinant qu'un seul estimateur PERR spécifique et un seul scénario de mortalité/attrition différentielle. Le présent article aborde cette lacune de compréhension en cherchant à déterminer si le biais observé est un défaut inhérent au cadre PERR ou une conséquence de choix opérationnels spécifiques au sein de ce cadre.

Méthodologie
Les auteurs ont mené une série d'études de simulation pour répliquer et étendre les résultats précédents. L'étude a évalué trois estimateurs distincts :

1. $PERR_{Prev}$ : L'estimateur utilisé dans la littérature précédente, qui inclut uniquement les sujets complets (ceux sans mortalité/attrition) dans le numérateur (période post-traitement) mais inclut tous les sujets (complets et non complets) dans le dénominateur (période antérieure).
2. $PERR_{Comp}$ : Un estimateur alternatif proposé dans cette étude, qui restreint l'analyse aux seuls sujets complets, utilisant les données des sujets complets tant dans le numérateur que dans le dénominateur.
3. Risque Relatif (RR) : Un estimateur standard qui n'utilise pas la période d'événements antérieurs pour ajuster les facteurs de confusion.

Les simulations ont été réalisées sous quatre scénarios distincts concernant les déterminants de la mortalité/attrition ($M_2$) :

• Scénario 1 : $M_2$ est influencé par le traitement ($X$), le facteur de confusion ($C$) et l'événement antérieur ($Y_1$). Cela réplique le scénario spécifique de l'étude précédente.
• Scénario 2 : $M_2$ est influencé par le facteur de confusion ($C$) et l'événement antérieur ($Y_1$), mais pas par le traitement.
• Scénario 3 : $M_2$ est influencé par le facteur de confusion ($C$) et le traitement ($X$), mais pas par l'événement antérieur.
• Scénario 4 : $M_2$ est influencé par le facteur de confusion ($C$) uniquement.

Dans tous les scénarios, les taux de mortalité/attrition variaient de 0 % à 20 %. Chaque scénario impliquait 10 000 réplications avec une taille d'échantillon de 100 000 personnes par réplication. Le véritable effet du traitement a été fixé à un Risque Relatif (RR) de 2.

Résultats clés

• Réplication du biais précédent : Dans le Scénario 1, l'étude a réussi à répliquer le biais de sous-estimation de $PERR_{Prev}$ à mesure que les taux de mortalité/attrition augmentaient. À un taux de 20 %, l'estimation moyenne pour $PERR_{Prev}$ était de 1,83 (RR réel = 2).
• Performance de $PERR_{Comp}$ : Dans le Scénario 1, $PERR_{Comp}$ a démontré une réduction significative du biais par rapport à $PERR_{Prev}$. À un taux de mortalité de 20 %, l'estimation moyenne pour $PERR_{Comp}$ était de 2,05. L'ampleur du biais pour $PERR_{Comp}$ était environ un tiers de celle de $PERR_{Prev}$.
• Scénarios 3 et 4 (Absence d'influence de l'événement antérieur) : Un résultat critique est apparu dans les scénarios où la mortalité/attrition n'était pas directement influencée par l'événement antérieur ($Y_1$). Dans ces cas (Scénarios 3 et 4), $PERR_{Comp}$ a fourni des estimations précises et non biaisées de l'effet du traitement, quel que soit le taux de mortalité/attrition. Inversement, $PERR_{Prev}$ a continué à produire des estimations biaisées dans ces scénarios.
• Confusion vs Censure : L'estimateur RR standard a montré un biais de confusion substantiel lorsqu'aucune mortalité ne se produisait. À mesure que les taux de mortalité augmentaient, le biais provenant de la mortalité différentielle a partiellement annulé le biais de confusion dans les estimations du RR, un phénomène qui n'a pas été observé avec les estimateurs PERR de la même manière.

Signification et affirmations
L'article soutient que la méthode PERR doit être considérée comme un cadre méthodologique plutôt que comme un estimateur unique et fixe. Sa performance dépend du choix d'opérationnalisation effectué. Les auteurs affirment que la sensibilité précédemment rapportée de PERR à la mortalité/attrition différentielle n'est pas une propriété universelle de la méthode, mais est spécifique à l'estimateur $PERR_{Prev}$.

L'étude conclut que $PERR_{Comp}$, qui utilise exclusivement les données des sujets complets, fournit des estimations non biaisées de l'effet du traitement, sauf si la mortalité ou l'attrition est directement influencée par l'événement antérieur. Lorsque l'événement antérieur influence la mortalité, $PERR_{Comp}$ offre tout de même une réduction substantielle du biais par rapport à l'estimateur traditionnel. Les auteurs maintiennent un champ d'application modeste, notant que bien que ces résultats clarifient la performance de PERR pour les résultats binaires, des investigations supplémentaires sont nécessaires pour déterminer comment ces spécifications s'appliquent aux résultats de taux d'événements.