Résumé technique : Évaluation de la robustesse des effets de traitement hétérogènes en analyse de survie sous censure informative

1. Énoncé du problème

Dans les études cliniques, en particulier en oncologie, l'abandon des patients est fréquent, avec des taux atteignant jusqu'à 53 % dans certains cancers. Lorsque l'abandon est informateur — ce qui signifie que le temps de censure $C$ dépend du temps de survie non observé $T$ — il introduit un biais de censure systématique. Les méthodes standard d'analyse de survie (par exemple, Kaplan-Meier, modèles de Cox) et les estimateurs existants d'effets de traitement hétérogènes (HTE) reposent généralement sur l'hypothèse de censure non informative ($T \perp C \mid X, A$). Lorsque cette hypothèse est violée, l'estimation ponctuelle non biaisée de l'effet moyen de traitement conditionnel (CATE) devient impossible, car le temps de survie attendu pour les patients censurés ne peut pas être identifié à partir des seules données observées.

La littérature actuelle manque d'outils pratiques pour évaluer la robustesse des estimations du CATE en présence de censure informative. Les méthodes existantes d'identification partielle en analyse de survie se concentrent sur la délimitation des fonctions de survie plutôt que sur les effets causaux, tandis que les méthodes d'inférence causale pour la censure informative ciblent généralement l'effet moyen de traitement (ATE) plutôt que le CATE.

2. Méthodologie

L'article propose un cadre allégé d'hypothèses qui déplace l'objectif de l'estimation ponctuelle vers l'identification partielle. Au lieu d'estimer une valeur unique du CATE, le cadre construit des bornes inférieure et supérieure informatives sur le CATE, en tenant explicitement compte du biais de censure.

2.1 Identification partielle du CATE

Les auteurs dérivent des bornes pour le CATE, $\tau_{a_1, a_2}(x) = E[T(a_1) - T(a_2) \mid X=x]$, en bornant d'abord le résultat potentiel moyen conditionnel (CAPO), $\mu(x, a) = E[T(a) \mid X=x]$.

• Bornes inférieures ($\mu^-$) : Dérivées en supposant que les patients censurés subissent l'événement immédiatement après leur temps de censure (scénario du pire cas). Cela produit une borne inférieure basée sur les données observées :
  $$\mu^-(x, a) = E[\tilde{T} \mid X=x, A=a]$$
  où $\tilde{T} = \min(T, C)$.

• Bornes supérieures ($\mu^+$) : Dérivées en utilisant une fonction de sensibilité $\gamma(x, a)$, qui représente le temps de survie restant attendu maximal après l'abandon. La borne supérieure intègre des connaissances du domaine (par exemple, des références cliniques pour la survie post-abandon) ou un maximum théorique conservateur ($t_{max}$) :
  $$\mu^+(x, a) = \nu(0, x, a)[1 - \xi(x, a)] + \nu(1, x, a)\xi(x, a) + \gamma(x, a)\xi(x, a)$$
  Ici, $\xi(x, a)$ est l'intensité de la censure (probabilité d'être censuré), et $\nu(\delta, x, a)$ sont les temps de survie conditionnels attendus.

• Bornes du CATE : Les bornes du CATE sont construites en combinant les bornes du CAPO :
  $$\tau^-_{a_1, a_2}(x) = \mu^-(x, a_1) - \mu^+(x, a_2) \leq \tau_{a_1, a_2}(x) \leq \mu^+(x, a_1) - \mu^-(x, a_2) = \tau^+_{a_1, a_2}(x)$$

La largeur de ces bornes est déterminée par l'intensité de la censure $\xi(x, a)$ et la fonction de sensibilité $\gamma(x, a)$. Les bornes deviennent informatives (étroites) lorsque la censure est faible ou lorsque de solides connaissances du domaine contraignent $\gamma(x, a)$.

2.2 SurvB-learner : un méta-apprenant agnostique au modèle

Pour estimer ces bornes efficacement et sans biais d'insertion, les auteurs introduisent SurvB-learner, un méta-apprenant à deux étapes compatible avec des modèles d'apprentissage automatique arbitraires (par exemple, forêts aléatoires, réseaux de neurones).

• Étape 1 (Estimation des variables de nuisance) : Utilise le couplage croisé pour estimer les fonctions de nuisance : les scores de propension $\hat{\pi}_a(x)$, les intensités de censure $\hat{\xi}(x, a)$ et les temps de survie conditionnels $\hat{\nu}(\delta, x, a)$.
• Étape 2 (Régression sur pseudo-résultats) : Construit des pseudo-résultats $\hat{\phi}^\pm(x, a)$ basés sur les fonctions d'influence efficaces des bornes. Ces pseudo-résultats sont régressés sur les covariables $X$ pour estimer les bornes finales $\hat{\mu}^\pm(x, a)$.

2.3 Propriétés théoriques

Le SurvB-learner est prouvé posséder :

1. Consistance : Il converge vers les vraies bornes à mesure que la taille de l'échantillon augmente.
2. Double robustesse : L'estimateur reste consistant si soit le modèle de score de propension est correctement spécifié, soit la combinaison des modèles de survie et de censure est correctement spécifiée.
3. Efficacité quasi-oracle : Il atteint le même taux de convergence asymptotique qu'un estimateur oracle connaissant les vraies fonctions de nuisance, à condition que les estimateurs de nuisance convergent à des taux suffisants.

Le cadre est également étendu aux traitements continus (en utilisant un lissage par noyau) et aux données observationnelles avec confusion cachée (en utilisant des modèles de sensibilité marginale généralisés).

3. Contributions clés

1. Cadre allégé d'hypothèses : Une approche novatrice pour auditer le biais de censure dans les estimations du CATE en remplaçant l'hypothèse de censure non informative par des fonctions de sensibilité pour former des bornes informatives.
2. SurvB-learner : Un méta-apprenant agnostique au modèle conçu pour estimer ces bornes efficacement, corrigeant le biais d'insertion et offrant une double robustesse.
3. Garanties théoriques : Des preuves formelles de consistance, de double robustesse et d'efficacité quasi-oracle pour l'estimateur proposé.
4. Validation empirique : Démonstration de l'efficacité à l'aide de données synthétiques (montrant une performance supérieure aux apprenants d'insertion naïfs) et d'un essai clinique réel (jeu de données ADJUVANT).

4. Résultats expérimentaux

• Données synthétiques : Des expériences sur diverses formes fonctionnelles (Exponentielle, Sinus, Sinus-Logistique) et intensités de censure (0,2, 0,4, 0,6) montrent que le SurvB-learner surpasse nettement l'apprenant d'insertion naïf. Le SurvB-learner atteint une erreur quadratique moyenne (RMSE) plus faible par rapport aux bornes oracle et une variance plus faible. L'apprenant d'insertion s'avère instable et produit souvent des bornes trop étroites (non fidèles).
• Données réelles (Essai ADJUVANT) : Appliqué à un essai sur le cancer du poumon non à petites cellules (CPNPC) avec des taux de censure élevés (37 % pour la survie sans maladie, 63 % pour la survie globale). Le cadre a identifié avec succès des sous-groupes de patients (par exemple, des co-altérations génétiques spécifiques comme CDK4+MYC) où la borne inférieure de l'effet du traitement restait strictement positive, indiquant des bénéfices de traitement robustes malgré la censure informative. Cela a fourni des insights que les estimateurs ponctuels standard ne pouvaient pas offrir de manière fiable en présence d'un tel biais.

5. Signification et affirmations

L'article revendique être le premier à fournir un outil d'identification partielle spécifiquement pour l'estimation du CATE sous censure informative. Sa signification réside dans :

• Utilité clinique : Permettre aux cliniciens d'identifier des sous-groupes de patients qui bénéficient de manière fiable du traitement même lorsque les mécanismes d'abandon sont biaisés, sans dépendre d'estimations ponctuelles potentiellement invalides.
• Robustesse : Offrir un « filet de sécurité » pour l'inférence causale en analyse de survie lorsque les hypothèses standard échouent. Le cadre se dégrade gracieusement vers l'estimation ponctuelle lorsque la censure est faible mais reste valide lorsque la censure est forte.
• Flexibilité : La nature agnostique au modèle permet l'intégration avec des modèles d'apprentissage automatique de pointe, le rendant applicable à des données médicales complexes et de haute dimension.

Les auteurs concluent que leur cadre fournit des résultats valides et interprétables, aidant à atténuer les risques d'estimations biaisées des effets de traitement dans les études de survie. Des travaux futurs sont suggérés pour se concentrer sur l'apprentissage de fonctions de sensibilité à partir de données externes et sur l'extension des outils d'inférence.