Principal stratification with recurrent events truncated by a terminal event: A nested Bayesian nonparametric approach

1. Problématique et Contexte

Les événements récurrents (comme les réhospitalisations) sont des critères de jugement essentiels dans les études cliniques, notamment pour les maladies chroniques comme l'insuffisance cardiaque. Cependant, ces événements sont souvent tronqués prématurément par un événement terminal (le décès), ce qui introduit un biais de sélection et complique l'inférence causale.

Le défi central réside dans la définition de l'effet causal : comparer simplement les taux d'hospitalisation entre les groupes de traitement est trompeur car le traitement peut influencer à la fois la fréquence des hospitalisations et la survie. Une survie plus longue expose les patients à un risque accru d'hospitalisation future, tandis qu'un décès plus précoce tronque l'observation. Les approches de régression conventionnelles confondent souvent l'effet du traitement sur le processus d'événements récurrents avec les changements dans la composition de la population de survivants.

L'article se base sur l'essai clinique HF-ACTION, qui évalue l'impact d'un programme d'exercice structuré sur la mortalité et les hospitalisations chez des patients souffrant d'insuffisance cardiaque systolique chronique. L'objectif est d'estimer l'effet causal de l'exercice sur le fardeau des réhospitalisations, en tenant compte de la troncature par le décès.

2. Méthodologie Proposée

Les auteurs développent un cadre d'inférence causale bayésienne non paramétrique (BNP) basé sur la stratification principale dans un contexte continu.

A. Estimands Causaux et Stratification Principale

Pour définir un effet causal interprétable, l'article utilise la notion de sous-population « toujours survivant » (always-survivor), définie par les résultats potentiels de survie sous les deux traitements ($D^0_i > r$ et $D^1_i > r$).

• Nouvelle approche à double index : Contrairement aux méthodes précédentes qui définissent la sous-population à un instant $t$ spécifique (effet « instantané »), les auteurs proposent un estimand à double index : $SANR(t; r)$.
  • $r$ : Fixe l'horizon de survie pour définir la sous-population cible (les patients qui survivraient jusqu'à $r$ sous n'importe quel traitement).
  • $t$ : Indexe le temps d'accumulation des événements récurrents ($t < r$) au sein de cette sous-population fixe.
• Cela permet de distinguer l'évolution temporelle de l'effet du traitement de la variation de la composition de la sous-population au fil du temps.

B. Identification et Analyse de Sensibilité

L'identification de l'effet causal est limitée par la dépendance « entre mondes » (cross-world dependence) entre les résultats potentiels sous traitement et contrôle, qui n'est jamais observable simultanément.

• Modèle à double fragilité (Dual-frailty) : Les auteurs introduisent un vecteur de fragilité bivariable $\gamma_i = (\gamma^0_i, \gamma^1_i)$ pour modéliser la dépendance entre les mondes.
• Séparation des dépendances :
  • La dépendance intra-monde (entre l'événement terminal et les événements récurrents sous un même traitement) est identifiable.
  • La dépendance inter-monde (corrélation entre $\gamma^0_i$ et $\gamma^1_i$) est non identifiable.
• Paramètre de sensibilité ($\rho$) : La corrélation $\rho = \text{Cor}(\gamma^0_i, \gamma^1_i)$ est traitée comme un paramètre de sensibilité. L'analyse explore la robustesse des conclusions sur une plage de valeurs plausibles de $\rho$.

C. Approche Bayésienne Non Paramétrique (EDDPM)

Pour éviter les biais de spécification de modèle inhérents aux approches paramétriques, les auteurs proposent une nouvelle structure de prior : le Processus de Dirichlet Dépendant Enrichi (Enriched Dependent Dirichlet Process - EDDP).

• Limitation des processus de Dirichlet (DP) standards : Dans les modèles d'événements récurrents, un DP standard tend à créer des partitions de données dominées par la multiplicité des événements récurrents, négligeant ainsi l'événement terminal (décès), ce qui conduit à une mauvaise prédiction de la survie.
• Structure imbriquée (Nested) : L'EDDP introduit une hiérarchie :
  1. Un processus de Dirichlet marginal ($P_\phi$) pour regrouper les individus selon leur risque de survie (événement terminal).
  2. Un processus de Dirichlet conditionnel ($P_{\theta|\phi}$) à l'intérieur de chaque cluster de survie pour modéliser les intervalles de temps entre les événements récurrents.
• Dépendance aux covariables : Le modèle intègre les covariables de base et temporelles pour assouplir l'hypothèse d'échangeabilité.
• Propagation de la fragilité : La même valeur de fragilité $\gamma_i$ est propagée du niveau terminal au niveau récurrent au sein de chaque cluster, assurant une cohérence structurelle.
• Inférence : Un algorithme de Gibbs sampling complet est développé pour l'estimation a posteriori, incluant l'imputation des résultats manquants et le calcul des estimands.

3. Résultats Principaux

A. Études de Simulation

Des simulations ont été menées pour comparer l'EDDPM proposé avec des modèles linéaires (LM), des mélanges de processus de Dirichlet (DPM) et des mélanges de processus de Dirichlet dépendants (DDPM).

• Performance : L'EDDPM a démontré une précision supérieure (biais plus faible, erreur quadratique moyenne plus faible) et une meilleure couverture des intervalles de crédibilité (proche de 95%) par rapport aux autres méthodes.
• Robustesse : Le modèle paramétrique (LM) a souffert de biais importants en raison de la mauvaise spécification de l'hétérogénéité latente, tandis que les modèles DP standards présentaient des intervalles de crédibilité trop larges ou une couverture insuffisante.

B. Application à l'essai HF-ACTION

L'analyse des données de l'essai HF-ACTION révèle plusieurs insights cliniques :

• Réduction du fardeau des réhospitalisations : L'entraînement physique structuré réduit le nombre attendu de réhospitalisations chez les « toujours survivants ». L'effet est modeste au début mais s'accumule et devient plus prononcé au fil du temps (réduction d'environ 10% à 4 ans).
• Avantage de l'approche à double index :
  • L'approche traditionnelle ($r=t$) masque l'hétérogénéité car la sous-population cible change à chaque instant.
  • L'approche à double index ($r$ fixe) montre que la preuve de l'efficacité varie selon le sous-groupe de survivants défini. Par exemple, l'effet est plus clairement détectable pour les patients susceptibles de survivre à 4 ans ($r=1440$ jours) que pour ceux susceptibles de survivre à 3 ans, même à un horizon d'observation identique ($t=800$ jours).
• Analyse de Sensibilité ($\rho$) :
  • Pour des valeurs modérées de corrélation inter-monde ($\rho \in [0.1, 0.7]$), la conclusion d'une réduction des réhospitalisations reste robuste.
  • Pour une corrélation extrême ($\rho = 0.9$), qui équivaut approximativement à un modèle à fragilité unique (hypothèse restrictive), l'effet tend vers le nul et les intervalles de crédibilité incluent l'absence d'effet. Cela souligne l'importance de ne pas imposer une dépendance parfaite entre les mondes potentiels, car les voies latentes affectant la mortalité et les réhospitalisations peuvent être partiellement distinctes.

4. Contributions Clés

1. Nouvel Estimand Causal : Introduction de l'estimand $SANR(t; r)$ à double index pour les événements récurrents, permettant de séparer l'évolution temporelle de l'effet du traitement de la composition changeante de la sous-population.
2. Identification Partielle et Sensibilité : Développement d'un résultat d'identification partielle sous un cadre à double fragilité, permettant une analyse de sensibilité transparente pour la dépendance non identifiable entre les mondes potentiels.
3. Nouvelle Méthode Non Paramétrique (EDDPM) : Proposition d'un prior bayésien non paramétrique imbriqué (EDDP) qui résout le problème de partition aléatoire des processus de Dirichlet standards, garantissant une modélisation équilibrée des événements récurrents et de l'événement terminal.
4. Algorithme d'Inférence : Développement d'un algorithme de Gibbs sampling efficace et entièrement traitable pour l'estimation a posteriori dans ce cadre complexe.

5. Signification et Impact

Ce travail fournit un cadre méthodologique rigoureux pour évaluer les interventions dans les maladies chroniques où la mortalité et la morbidité récurrente sont intriquées.

• Pour la recherche clinique : Il démontre que les approches conventionnelles peuvent sous-estimer ou masquer les bénéfices cumulatifs des traitements (comme l'exercice) en raison de biais de sélection liés à la survie.
• Pour la pratique statistique : Il offre une alternative robuste aux modèles paramétriques et aux processus de Dirichlet standards, permettant une analyse plus flexible et précise des données complexes d'événements récurrents tronqués.
• Conclusion pratique : L'analyse de HF-ACTION suggère que l'exercice structuré réduit le fardeau des réhospitalisations à long terme, une conclusion qui ne devient pleinement visible que grâce à la prise en compte correcte de la stratification principale et de la structure de dépendance inter-monde.