📊 statistics

Tipping Point Sensitivity Analysis for Missing Data in Time-to-Event Endpoints: Model-Based and Ad hoc Approaches

Le présent article compare les méthodes d'analyse du point de basculement fondées sur des modèles et les méthodes ad hoc pour évaluer la robustesse des estimands des politiques de traitement dans les essais à temps jusqu'à l'événement face aux violations de l'hypothèse de censure indépendante causées par des données manquantes résultant de l'arrêt de l'étude.

Auteurs originaux : Ajmal Oodally, Craig Wang, Zheng Li, Tim Morris, Tobias Mütze, Arunava Chakravartty

Publié 2026-05-13

📖 7 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Ajmal Oodally, Craig Wang, Zheng Li, Tim Morris, Tobias Mütze, Arunava Chakravartty

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 soyez un juge chargé de décider si un nouveau médicament (appelons-le « Médicament A ») est supérieur au traitement standard (« Médicament B »). Vous menez une grande expérience où les patients prennent l'un ou l'autre, et vous observez qui retombe malade en premier.

Mais voici le problème : certains patients quittent l'expérience avant la fin. Peut-être sont-ils tombés malades, peut-être détestaient-ils les effets secondaires, ou peut-être voulaient-ils simplement partir. Lorsqu'ils partent, vous cessez de les observer. En statistiques, cela s'appelle la censure.

Habituellement, nous supposons que les personnes qui ont quitté l'étude sont semblables à celles qui sont restées, simplement assez malchanceuses pour partir tôt. Nous supposons que leur raison de partir n'a rien à voir avec l'état de santé réel. C'est la règle de la « Censure Indépendante ».

Le Problème : Et si cette hypothèse était fausse ? Et si les personnes quittant le Médicament A se portaient en réalité moins bien que celles qui sont restées ? Si nous ignorons cela, nous pourrions penser que le Médicament A est un remède miracle alors qu'il est en réalité simplement correct. Ou l'inverse.

Cet article porte sur un outil appelé Analyse du Point de Basculement. Pensez-y comme à un « test de résistance » pour les résultats de votre étude.

L'Analogie du Test de Résistance

Imaginez que le résultat de votre étude soit un pont. Vous voulez savoir : « Quelle charge ce pont peut-il supporter avant de s'effondrer ? »

Dans ce contexte, la « charge » est la mauvaise chance des personnes qui ont quitté l'étude.

La Question : À quel point les personnes ayant quitté l'étude devaient-elles se porter moins bien (par rapport à celles qui sont restées) avant que notre conclusion « Le Médicament A est meilleur » ne bascule en « Le Médicament A n'est pas meilleur » ?
Le Point de Basculement : Le moment exact où le pont s'effondre. Si vous devez imaginer un scénario extrêmement irréaliste (par exemple, « Les personnes ayant quitté l'étude mouraient instantanément ») pour faire s'effondrer le pont, alors votre étude est robuste (solide). Si le pont s'effondre avec un peu de poids supplémentaire, votre étude est fragile.

Les Trois Façons de Tester le Pont

L'article compare trois méthodes différentes pour mener ce test de résistance. Elles tentent toutes de deviner ce qui est arrivé aux personnes ayant quitté l'étude, mais elles le font différemment.

1. L'Approche « Modèle Mathématique » (Basée sur un Modèle)

Fonctionnement : Cette méthode utilise une formule mathématique complexe (comme un modèle de prévision météorologique) pour deviner à quoi l'avenir aurait ressemblé pour les personnes ayant quitté l'étude.
L'Analogie : Imaginez un météorologue qui dit : « En fonction des régimes de vent observés avant la tempête, si nous supposons que le vent devient 50 % plus fort, le toit sera arraché. » Ils ajustent les chiffres de leur formule jusqu'à ce que le résultat change.
Avantages/Inconvénients : C'est très structuré et suit les règles des statistiques, mais cela repose sur le fait que le modèle mathématique soit correct.

2. L'Approche « Repère » (Ad Hoc)

Fonctionnement : C'est une approche plus simple et plus brutale. Elle dit : « Imaginons que pour un certain nombre de personnes ayant quitté l'étude, elles soient tombées malades au moment exact où elles ont franchi la porte. » Ou : « Imaginons qu'elles soient restées en bonne santé pour toujours. »
L'Analogie : Imaginez un arbitre dans un match qui dit : « D'accord, pour les 5 prochains joueurs qui quitteront le terrain, je vais les compter comme ayant perdu le match immédiatement. » C'est un scénario extrême, « pire des cas ».
Avantages/Inconvénients : C'est facile à comprendre et très strict, mais cela peut être trop sévère pour être réaliste. C'est comme dire : « Si une personne trébuche, tout le monde tombe. »

3. L'Approche « Percentile » (Ad Hoc)

Fonctionnement : Cette méthode examine les personnes qui sont restées dans l'étude. Elle sélectionne les « pires » performances (celles qui sont tombées malades le plus vite) et dit : « Imaginons que les personnes ayant quitté l'étude étaient exactement comme ces pires performances. »
L'Analogie : Imaginez un enseignant notant une classe. Il dit : « Pour les élèves ayant quitté la classe avant la fin, je vais leur attribuer la même note que les 10 % les plus bas de la classe qui sont restés. »
Avantages/Inconvénients : Elle utilise de vraies données de l'étude, mais elle suppose que les personnes ayant quitté l'étude étaient exactement comme les pires personnes restées, ce qui pourrait ne pas être vrai.

Exemples de la Vie Réelle Tirés de l'Article

Les auteurs ont testé ces méthodes sur deux essais cliniques réels de médicaments :

L'Essai sur le Cancer du Poumon (CodeBreaK200) :
- La Situation : Beaucoup de personnes dans le groupe témoin (médicament standard) ont quitté très tôt.
- Le Test : La FDA a utilisé le Modèle Mathématique et a constaté que si les personnes ayant quitté l'étude n'étaient que 55 % « pires » que celles qui sont restées, le succès du médicament disparaîtrait.
- Le Point de Vue du Commanditaire : La société pharmaceutique a utilisé l'approche Repère et a soutenu que leurs résultats restaient solides.
- L'Analyse de l'Article : Les auteurs ont montré que, bien que les chiffres semblent différents, les deux méthodes posaient la même question : « À quel point les démissionnaires devaient-ils être mal ? » Ils ont constaté que pour que le médicament échoue, les démissionnaires auraient dû se porter tellement mal que cela n'avait aucun sens médical. Ainsi, le résultat était probablement robuste.
L'Essai sur le Cancer du Sein (ExteNET) :
- La Situation : Beaucoup de personnes dans le groupe du nouveau médicament ont quitté tôt.
- Le Test : Les auteurs ont mené les tests de résistance. Ils ont constaté que pour faire apparaître le nouveau médicament comme un échec, il faudrait supposer que les personnes ayant quitté l'étude tombaient malades plus de trois fois plus vite que le groupe témoin.
- La Conclusion : Puisque ce scénario est médicalement impossible (le médicament était généralement sûr), le résultat de l'étude est très solide.

La Grande Conclusion

L'article ne dit pas qu'une méthode est « meilleure » que les autres. Il dit plutôt :

Ne regardez pas seulement le chiffre : Une « baisse de 55 % » dans une méthode n'est pas la même chose qu'une « baisse de 55 % » dans une autre. Elles mesurent des choses différentes.
Regardez l'histoire : La partie la plus importante est la Plausibilité Clinique. Demandez-vous : « Le scénario qui fait échouer mon étude est-il réellement possible dans le monde réel ? »
Les visuels aident : L'article suggère de dessiner des images (graphiques) des courbes de survie avant et après le test de résistance. Si l'image semble folle (comme une falaise), l'hypothèse est probablement irréaliste.

En bref : L'analyse du point de basculement est une façon de demander : « À quel point devons-nous douter de nos données avant de changer d'avis ? » L'article nous montre comment faire cela mathématiquement et comment vérifier si la réponse a du sens dans le monde réel.

Résumé technique : Analyse de sensibilité du point de bascule pour les données manquantes dans les critères d'évaluation du temps jusqu'à l'événement

Énoncé du problème
Dans les essais cliniques de confirmation, l'estimand de politique de traitement est fréquemment privilégié par les autorités réglementaires car il évalue l'effet de l'assignation au traitement indépendamment des événements intercurrents post-randomisation (par exemple, l'arrêt du traitement). Bien que les méthodes standard d'analyse de survie (par exemple, Kaplan–Meier, risques proportionnels de Cox) ciblent implicitement cet estimand, elles reposent sur l'hypothèse de censure indépendante (Censoring At Random, CAR). Cette hypothèse postule que, conditionnellement aux covariables observées, le processus du temps jusqu'à l'événement est indépendant du processus du temps de censure.

Cependant, l'arrêt de l'étude coïncide souvent avec des événements intercurrents (tels que des événements indésirables ou un manque perçu d'efficacité), violant potentiellement l'hypothèse CAR. Lorsque la censure dépend de résultats non observés (Censoring Not At Random, CNAR), les analyses standard peuvent produire des estimations biaisées de l'effet du traitement. Les orientations réglementaires (par exemple, ICH E9 (R1)) soulignent la nécessité d'analyses de sensibilité pour évaluer la robustesse des conclusions face à de tels écarts. L'analyse du point de bascule fournit un cadre structuré pour quantifier à quel point les hypothèses concernant le mécanisme de censure doivent être modifiées pour changer (ou « basculer ») les conclusions de l'étude. Malgré des extensions méthodologiques aux données de temps jusqu'à l'événement, les orientations pratiques reliant ces constructions à l'estimand principal et au modèle d'analyse restent limitées.

Méthodologie
L'article décrit et compare trois approches spécifiques pour mener des analyses de point de bascule dans des contextes de temps jusqu'à l'événement, en utilisant un cadre d'imputation multiple. Les méthodes sont catégorisées en approches basées sur un modèle et ad hoc :

Imputation basée sur un modèle (Ajustement Delta) :
- Mécanisme : Un modèle de survie paramétrique (par exemple, Weibull) est ajusté aux données observées sous l'hypothèse de censure indépendante. Un paramètre de sensibilité, $\delta$ , est introduit pour modifier la fonction de risque pour les patients censurés après leur temps de censure ( $t > c_i$ ).
- Mise en œuvre : Pour le bras expérimental, le risque est gonflé ( $\delta > 1$ ) pour simuler des résultats plus mauvais ; pour le bras témoin, il est réduit ( $\delta < 1$ ). La méthode utilise une imputation multiple appropriée, en échantillonnant à partir de la distribution prédictive postérieure pour tenir compte de l'incertitude des paramètres.
- Contrainte : Les temps imputés sont tronqués au temps de suivi maximal pour imiter la censure administrative.
Approche ad hoc 1 : Échantillonnage par repère (Landmark Sampling) :
- Mécanisme : Cette méthode heuristique ne repose pas sur un modèle paramétrique. Un sous-ensemble ( $\kappa$ ) de patients censurés se voit attribuer de manière déterministe un résultat extrême.
- Mise en œuvre : Dans le bras expérimental, un sous-ensemble aléatoire de patients censurés se voit imputer un événement exactement au moment de la censure (scénario du pire cas). Dans le bras témoin, un sous-ensemble se voit imputer de rester sans événement jusqu'à la date de coupure des données (scénario du meilleur cas).
- Équivalence : Cette approche correspond à l'approche basée sur un modèle où $\delta \to \infty$ (tous les événements) ou $\delta \to 0$ (tous censurés).
Approche ad hoc 2 : Échantillonnage par percentile :
- Mécanisme : Une autre méthode heuristique où les patients censurés sont imputés en échantillonnant aléatoirement des temps d'événement observés à partir d'un percentile spécifique des données regroupées.
- Mise en œuvre : Pour le bras expérimental, les temps d'événement sont échantillonnés à partir du $\theta$ -ième percentile le plus défavorable des temps observés (survie la plus courte). Pour le bras témoin, les temps sont échantillonnés à partir du $\theta$ -ième percentile le plus favorable (survie la plus longue).
- Hypothèse : Cela suppose que les patients censurés se comportent de manière similaire à la sous-population spécifique à partir de laquelle ils sont échantillonnés.

Cadre d'analyse
Le point de bascule est identifié en faisant varier le paramètre de sensibilité ( $\delta$ , $\kappa$ ou $\theta$ ) sur une plage prédéfinie. Pour chaque valeur, plusieurs jeux de données imputés sont générés, et les effets du traitement (par exemple, les rapports de risques) sont estimés et combinés à l'aide des règles de Rubin. L'analyse détermine la valeur du paramètre à laquelle les résultats « basculent » — définie comme la perte de signification nominale ou le franchissement de l'intervalle de confiance par-dessus la valeur nulle (HR = 1).

L'article souligne que ces méthodes ne redéfinissent pas l'estimand, mais évaluent plutôt la robustesse de l'inférence pour l'estimand de politique de traitement sous des hypothèses alternatives concernant les données non observées. Pour garantir la plausibilité clinique, les auteurs proposent d'ancrer les paramètres de sensibilité à des données externes (par exemple, des scénarios de « saut vers la référence ») et de visualiser l'impact via des courbes Kaplan–Meier (KM) avant et après imputation.

Études de cas et résultats
Les auteurs illustrent ces méthodes en utilisant des données reconstituées de deux essais cliniques :

CodeBreaK200 (Cancer du poumon non à petites cellules) : Caractérisé par un arrêt précoce plus élevé dans le bras témoin.
- Constats : L'analyse basée sur un modèle de la FDA suggérait qu'une réduction de 55 % du risque dans le bras témoin ferait basculer les résultats. La réanalyse des auteurs a confirmé cela, notant que le rapport de risques résultant (0,68) entre les arrêts précoces et le bras expérimental semblait cliniquement improbable compte tenu de l'absence de thérapies alternatives efficaces, suggérant que les résultats originaux n'étaient pas robustes face à une censure informative extrême.
ExteNET (Cancer du sein) : Caractérisé par un arrêt précoce plus élevé dans le bras expérimental (neratinib).
- Constats : L'approche basée sur un modèle nécessitait une inflation de 120 % du risque pour faire basculer les résultats. L'approche ad hoc d'échantillonnage par repère (imputant des événements à l'arrêt) était plus conservative, faisant basculer les résultats lorsque seulement 15 patients étaient imputés comme ayant eu un événement. Les auteurs ont noté qu'une inflation de 120 % implique un taux de risque près de trois fois plus élevé que celui du bras témoin pour les arrêts, ce qui semble hautement improbable compte tenu du profil bénéfice-risque favorable du médicament.

Contributions et affirmations clés
L'article ne prétend pas introduire une méthodologie nouvelle, mais vise plutôt à résumer et clarifier les approches existantes utilisées en pratique. Ses contributions principales incluent :

Comparaison structurée : Fournir une taxonomie claire et des algorithmes étape par étape pour les approches de point de bascule basées sur un modèle versus ad hoc, en mettant en évidence leurs hypothèses sous-jacentes et leurs différences computationnelles.
Guidance d'interprétation : Souligner que les paramètres de sensibilité opèrent sur des échelles différentes et ne peuvent pas être comparés directement numériquement. Au lieu de cela, les auteurs préconisent d'interpréter les résultats via des évaluations de plausibilité clinique (par exemple, comparer les courbes KM imputées à des données externes ou aux attentes cliniques).
Outils visuels : Démontrer l'utilité de tracer les courbes Kaplan–Meier regroupées à partir de jeux de données imputés pour visualiser l'ampleur des déplacements causés par différentes hypothèses d'imputation.
Implémentation logicielle : Les auteurs fournissent un package R open source, tipse, pour faciliter la mise en œuvre de ces méthodes.

Importance
L'article soutient que, bien que les analyses de point de bascule soient de plus en plus demandées par les régulateurs, elles sont souvent appliquées de manière incohérente. En reliant explicitement ces analyses à l'estimand de politique de traitement et en fournissant un cadre pour évaluer la plausibilité clinique, les auteurs visent à améliorer la fiabilité des analyses de sensibilité dans les contextes réglementaires. Le travail souligne que le « point de bascule » n'est pas simplement un seuil statistique, mais un scénario qui doit être évalué par rapport à la réalité clinique pour déterminer la robustesse des conclusions d'un essai.