Prediction intervals for random-effects meta-analysis based on confidence distributions and Edgington's method

Résumé technique : Intervalles de prédiction pour la méta-analyse à effets aléatoires basés sur les distributions de confiance et la méthode d'Edgington

Énoncé du problème
Dans la méta-analyse à effets aléatoires, l'inférence statistique concernant l'effet moyen est souvent jugée insuffisante lorsqu'une hétérogénéité substantielle entre les études existe. Bien que les mesures traditionnelles comme la variance estimée entre les études ($\tau^2$) et l'indice $I^2$ de Higgins quantifient l'hétérogénéité, elles manquent d'interprétabilité sur l'échelle de l'effet et ne transmettent pas la variation absolue des effets. Les distributions prédictives sont reconnues comme un outil plus cliniquement pertinent pour quantifier l'hétérogénéité, car elles décrivent la distribution des effets réels et informent sur les événements futurs.

Cependant, les méthodes fréquentistes existantes pour construire des distributions prédictives font face à des limitations significatives :

1. Contraintes de symétrie : La plupart des méthodes contraignent les distributions prédictives à être symétriques autour de l'effet moyen estimé, échouant ainsi à capturer l'asymétrie (skewness) souvent présente dans les estimations d'effets. Cela conduit à un mauvais étalonnage et à des intervalles de prédiction qui échouent fréquemment à atteindre la couverture nominale, particulièrement dans des scénarios avec peu d'études ou des données asymétriques.
2. Gestion de l'incertitude : Les approches standard traitent souvent l'incertitude de l'estimation de l'hétérogénéité ($\tau^2$) en appliquant une distribution $t$ avec des degrés de liberté arbitraires (par exemple, $k-2$). Les études de simulation suggèrent que ces ajustements a posteriori sont souvent mal étalonnés, surtout lorsque le nombre d'études est faible ou que l'hétérogénéité est considérable.
3. Négligence de l'asymétrie : Les méthodes qui ne tiennent pas compte de l'asymétrie des estimations d'études peuvent produire des inférences trompeuses, comme en témoignent les résultats de simulation montrant une sous-couverture dans les scénarios asymétriques.

Méthodologie
Les auteurs proposent un nouveau cadre pour construire des distributions prédictives qui tient explicitement compte de l'incertitude à la fois sur l'effet moyen ($\mu$) et sur le paramètre d'hétérogénéité ($\tau^2$) en utilisant des distributions de confiance et la méthode de combinaison de p-valeurs d'Edgington.

1. Distributions de confiance (CD) : Au lieu de s'appuyer sur les distributions d'échantillonnage des estimateurs, la méthode construit des CD, qui sont des distributions de probabilité fréquentistes sur l'espace des paramètres dérivées de fonctions de p-valeurs sans invoquer de distributions a priori.

2. Méthode d'Edgington : Les auteurs utilisent la méthode d'Edgington (1972) pour combiner les fonctions de p-valeur unilatérales à travers les études. Contrairement à l'approche classique de la moyenne pondérée, la méthode d'Edgington :

   • Est invariante à l'orientation de l'hypothèse alternative.
   • Produit des estimations presque non biaisées.
   • Produit des intervalles de confiance qui s'adaptent à l'asymétrie des estimations d'effets, préservant l'asymétrie plutôt qu'imposant des résumés symétriques.

3. Incertitude de l'hétérogénéité : La méthode intègre l'incertitude de $\tau^2$ en utilisant la distribution de confiance impliquée par le statistique d'hétérogénéité généralisée ($Q(\tau^2)$). Cette statistique, basée sur la distribution exacte de la statistique $Q$ de Cochran, varie avec $\tau^2$ et sert de pivot.

4. Construction de la distribution prédictive : Trois versions de la distribution prédictive sont proposées :

   • PCD-fixed : Intègre la distribution normale de l'effet sur la CD d'Edgington pour $\mu$, en utilisant une estimation par substitution (plug-in) pour $\tau^2$.
   • PCD-simplified : Intègre sur la CD pour $\mu$ (en utilisant un $\tau^2$ par substitution) et sur la CD pour $\tau^2$.
   • PCD-full : Intègre pleinement sur la distribution conditionnelle jointe de $\mu$ et $\tau^2$.

   Ces intégrales sont évaluées via un algorithme de Monte Carlo (Algorithme 1) qui échantillonne $\tau^2$ de sa CD (en résolvant $Q(\tau^2) = W$ où $W \sim \chi^2_{k-1}$), échantillonne $\mu$ de la CD d'Edgington (en utilisant la transformation de probabilité intégrale) et enfin échantillonne le nouvel effet $\theta_{new}$ de $N(\mu, \tau^2)$.

Contributions clés

• Prédiction tenant compte de l'asymétrie : La méthode proposée génère des distributions prédictives qui héritent naturellement de l'asymétrie des estimations d'études sous-jacentes, comblant un fossé critique laissé par les méthodes symétriques existantes.
• Propagation rigoureuse de l'incertitude : En intégrant sur les distributions de confiance de $\mu$ et de $\tau^2$, la méthode évite les ajustements arbitraires (comme les degrés de liberté fixes de la distribution $t$) et fournit une gestion plus fondée de l'incertitude d'estimation.
• Implémentation : Les auteurs fournissent le package R edgemeta, rendant ces méthodes accessibles pour calculer des intervalles de prédiction équitaux et de densité de confiance maximale (HCD), ainsi que des probabilités de confiance pour des événements spécifiques (par exemple, la probabilité qu'un effet futur soit bénéfique).

Résultats
Une étude de simulation (suivant le cadre ADEMP) a comparé les méthodes PCD proposées à la méthode Higgins-Thompson-Spiegelhalter (HTS) et à une approche de bootstrap paramétrique (Nagashima et al., 2018).

• Couverture :
  • PCD-full et PCD-simplified ont généralement atteint une couverture nominale de 95 % lorsqu'il y avait plus de trois études disponibles.
  • Ces méthodes reflétaient efficacement l'asymétrie dans les scénarios avec 20 études ou moins.
  • En revanche, PCD-fixed (ignorant l'incertitude de l'hétérogénéité) présentait une sous-couverture constante, tombant souvent en dessous de 80 % avec trois études, et n'approchait la couverture nominale qu'avec un grand nombre d'études.
  • La méthode HTS a montré un profil de couverture en forme de U : sur-couverture avec trois études et sous-couverture avec 5 à 50 études, particulièrement sous une hétérogénéité modérée.
• Corrélation de l'asymétrie : Les intervalles PCD-full ont démontré des corrélations de Pearson modérées à fortes entre l'asymétrie de l'intervalle et l'asymétrie de l'estimation de l'effet pour moins de 50 études, alors que les intervalles HTS (étant symétriques) avaient une asymétrie nulle.
• Précision (Sharpness) : Bien que les intervalles PCD-full et PCD-simplified soient généralement plus larges que les intervalles HTS (reflétant une propagation appropriée de l'incertitude), ils ont souvent surpassé la méthode HTS en termes de score de probabilité classé continûment (CRPS) lorsque le nombre d'études était faible ou que l'hétérogénéité était faible.
• Étude de cas : Dans une méta-analyse sur les corticostéroïdes et la mortalité chez les patients atteints de la COVID-19, l'estimateur CD-Edgington a produit un intervalle de confiance plus large et asymétrique à droite par rapport à l'intervalle symétrique Hartung-Knapp-Sidik-Jonkman (HKSJ). Les distributions prédictives résultantes (PCD-full/simplified) étaient sensiblement plus larges que les intervalles HTS, reflétant l'incertitude substantielle dans l'estimation de l'hétérogénéité même lorsque l'estimation ponctuelle de $\tau^2$ était proche de zéro.

Signification et affirmations
L'article affirme que l'approche proposée offre une alternative ou un complément viable à la méta-analyse classique à effets aléatoires. Les auteurs soulignent que :

• Ignorer l'incertitude de l'estimation de l'hétérogénéité conduit à une couverture incorrecte, soulignant la nécessité de l'ajustement proposé.
• La méthode s'adapte avec succès à l'asymétrie des estimations d'effets, fournissant des inférences prédictives plus précises que les alternatives symétriques.
• Bien que la méthode montre des performances comparables au bootstrap paramétrique en termes de calibration et de précision, elle fournit un cadre fréquentiste distinct basé sur les distributions de confiance.
• Les auteurs reconnaissent qu'une évaluation indépendante supplémentaire est nécessaire, particulièrement à travers différentes échelles d'effets et distributions, et notent que la méthode est actuellement restreinte aux modèles à effets aléatoires unimodaux et normaux. Ils suggèrent que des extensions futures pourraient incorporer des distributions d'effets plus flexibles (par exemple, la loi normale asymétrique) et des poids spécifiques aux études pour réduire le poids des études biaisées.