Treatment effect estimation by comparing observed and predicted outcomes: conditions for valid inference and practical illustration
Cet article utilise le cadre des résultats potentiels et une étude de cas pratique pour clarifier les conditions nécessaires à une estimation valide de l'effet de traitement moyen lors de la comparaison de résultats observés sous un nouveau traitement avec des résultats prédits à partir de modèles préexistants, une méthode couramment utilisée dans l'évaluation clinique basée sur des modèles en radiothérapie.
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 êtes un détective tentant de résoudre un mystère, mais que vous avez une règle très étrange : vous ne pouvez interroger que les suspects qui se trouvent actuellement dans la pièce, et il vous est interdit de parler aux personnes qui sont restées à la maison. C'est le combat quotidien des chercheurs médicaux lorsqu'ils veulent savoir si un tout nouveau et brillant traitement fonctionne réellement. Habituellement, la référence absolue pour résoudre ce mystère est l'« essai contrôlé randomisé », où les médecins lancent une pièce pour décider qui reçoit le nouveau médicament et qui reçoit l'ancien. Mais parfois, lancer une pièce n'est pas possible, éthique ou assez rapide. Peut-être qu'une nouvelle technologie est trop coûteuse pour être testée sur tout le monde, ou que la maladie est trop urgente pour attendre la fin d'une étude.
Alors, les chercheurs tentent un tour de passe-passe ingénieux appelé « prédiction contrefactuelle ». C'est comme construire une machine à remonter le temps, mais au lieu d'envoyer une personne dans le passé, ils envoient une prédiction en arrière. Ils prennent un groupe de patients qui ont reçu le nouveau traitement et demandent : « Que se serait-il passé pour ces personnes spécifiques s'ils avaient reçu l'ancien traitement standard ? » Pour répondre à cela, ils utilisent un « modèle » — une recette mathématique construite à partir de données anciennes de personnes qui n'ont reçu que le traitement standard. Ils injectent les détails de ces nouveaux patients dans cette recette pour générer un « résultat fantôme », une prédiction de leur état de santé sous l'ancien système. Ils comparent ensuite les résultats réels du nouveau traitement avec ces prédictions fantômes. Si le nouveau traitement semble meilleur, tant mieux ! Mais attention, ce tour ne fonctionne que si la recette est parfaite, si la machine à remonter le temps ne bugue pas et si les « fantômes » sont véritablement identiques aux personnes réelles. Si l'une de ces conditions est fragile, tout le mystère pourrait être une fausse piste.
Cet article, écrit par une équipe de chercheurs des Pays-Bas, intervient pour mettre de l'ordre dans la boîte à outils du détective. Ils prennent cette méthode intuitive — comparer les résultats réels d'un nouveau traitement aux résultats prédits d'un ancien — et lui donnent un ravalement de façade mathématique rigoureux. Ils ne se contentent pas de dire : « Cela fonctionne si vous faites attention » ; ils exposent précisément ce que signifie « faire attention ». Les auteurs formalisent l'approche en utilisant un cadre appelé « résultats potentiels », ce qui est juste une façon sophistiquée de dire « ce qui aurait pu se passer ». Ils identent cinq conditions spécifiques qui doivent être remplies pour que la comparaison soit équitable et que les résultats soient dignes de confiance.
Voyez ces cinq conditions comme les cinq règles d'un tour de magie. Si vous en brisez une seule, le lapin pourrait ne pas apparaître, ou pire, vous pourriez sortir un canard et prétendre que c'est un lapin. La première règle est la Transportabilité : la « recette » (le modèle) doit fonctionner aussi bien dans le nouveau groupe de patients que dans l'ancien groupe. Si les nouveaux patients sont secrètement différents d'une manière que la recette ignore (comme un ingrédient caché), la prédiction sera fausse. La deuxième règle est l'Ignorabilité de l'assignation du traitement : la raison pour laquelle un patient a reçu le nouveau traitement ne doit pas être liée à la façon dont il aurait été malade avec l'ancien traitement, une fois que l'on a pris en compte ce que l'on sait sur lui. Si les médecins n'ont donné le nouveau traitement qu'aux patients « chanceux » qui étaient déjà destinés à bien s'en sortir, le modèle sera confus. La troisième règle est la Consistance : le traitement doit signifier la même chose à chaque fois. Si la « Protonthérapie » signifie quelque chose d'un peu différent dans le nouvel hôpital par rapport aux anciennes données, la comparaison est une comparaison de pommes avec des oranges. La quatrième règle est la Positivité : les nouveaux patients doivent ressembler à des personnes que le modèle a déjà rencontrées. Vous ne pouvez pas utiliser une recette conçue pour les adultes pour prédire le résultat d'un bambin si le modèle n'a jamais vu de bambin. La cinquième règle est la Spécification correcte du modèle : la recette mathématique elle-même doit avoir la bonne forme. Si la relation entre l'âge d'un patient et sa santé est courbe, mais que la recette suppose qu'elle est linéaire, la prédiction sera erronée.
Les auteurs illustrent ces règles avec un exemple concret impliquant des patients atteints de cancers de la tête et du cou. Ils ont examiné un groupe de personnes ayant reçu un nouveau traitement de radiothérapie de haute technologie appelé protonthérapie pour voir s'il réduisait les difficultés de déglutition (dysphagie) par rapport à la photothérapie standard. Ils ont utilisé les données de 750 patients traités par photothérapie entre 2007 et 2017 pour construire leur modèle de prédiction. Ensuite, ils ont appliqué ce modèle à 93 patients traités par protonthérapie en 2018 et 2019. Les résultats ont suggéré que la protonthérapie réduisait le risque de problèmes de déglutition d'environ 22 % (une différence de -0,22) par rapport à ce qui se serait passé avec la photothérapie. Cependant, l'article souligne que ce chiffre n'est digne de confiance que si les cinq règles ont été respectées.
Les chercheurs montrent également comment vérifier si les règles ont été suivies. Par exemple, ils ont examiné les patients du nouveau groupe qui ont effectivement reçu la photothérapie standard et ont vérifié si le modèle prédisait correctement leurs résultats. Si le modèle a deviné juste pour eux, cela leur a donné plus de confiance dans la précision des « prédictions fantômes » pour le groupe de protonthérapie. Dans leur exemple, le modèle était très performant pour prédire le groupe de photothérapie (une différence de 0,0), ce qui est un bon signe.
En fin de compte, l'article conclut que bien que cette méthode soit un outil puissant pour prendre des décisions lorsqu'on ne peut pas mener un essai parfait, elle n'est pas une baguette magique. Elle nécessite une vérification systématique des cinq conditions, appuyée par des experts du domaine et des données du monde réel. Les auteurs avertissent que si ces conditions sont violées, les résultats pourraient être biaisés, faisant paraître un traitement meilleur ou moins bon qu'il ne l'est réellement. Ils suggèrent que les chercheurs devraient être transparents sur ces hypothèses et utiliser des données supplémentaires pour les tester chaque fois que cela est possible. C'est un rappel qu'en science, même les raccourcis les plus élégants nécessitent une base solide sur laquelle s'appuyer.
Noyé(e) sous les articles dans votre domaine ?
Recevez des digests quotidiens des articles les plus récents correspondant à vos mots-clés de recherche — avec des résumés techniques, dans votre langue.