Who's Winning? Clarifying Estimands Based on Win Statistics in Cluster Randomized Trials

Titre

Qui gagne ? Clarification des estimands basés sur les statistiques de victoire dans les essais randomisés en grappes (CRT)

1. Problématique

Les statistiques de victoire (win statistics), telles que le rapport de victoire (win ratio), les cotes de victoire (win odds) et la différence de victoire (win difference), sont de plus en plus utilisées dans les essais cliniques pour synthétiser des résultats complexes en priorisant les critères d'évaluation selon leur importance clinique.

Cependant, leur application dans les essais randomisés en grappes (CRT) pose un défi méthodologique majeur. Dans un CRT, les unités d'analyse peuvent être définies au niveau de l'individu ou au niveau de la grappe. Les auteurs soulignent que :

• Les chercheurs peuvent cibler des estimands fondamentalement différents : une moyenne au niveau individuel (tous les individus ont le même poids) ou une moyenne au niveau des grappes (toutes les grappes ont le même poids).
• Cette distinction devient critique en présence de tailles de grappes informatives (ICS) : situation où la taille de la grappe est corrélée soit aux résultats de base (Type I), soit à l'effet du traitement (Type II).
• En l'absence de clarification, l'utilisation d'une méthode inadaptée peut conduire à des conclusions opposées concernant l'efficacité du traitement (par exemple, un bénéfice apparent au niveau individuel masquant un effet négatif au niveau des grappes).

2. Méthodologie

Les auteurs développent un cadre théorique sous l'approche des résultats potentiels (framework des résultats potentiels) pour distinguer et estimer deux types d'estimands de victoire dans les CRT.

A. Définition des Estimands

1. Estimand de paires individuelles (Individual-pair) :

   • Chaque individu est une unité d'inférence.
   • Tous les participants reçoivent le même poids, indépendamment de la taille de leur grappe.
   • L'estimand cible la probabilité qu'un résultat potentiel traité d'un individu choisi au hasard soit supérieur à celui d'un individu témoin choisi au hasard.
   • Formule de l'estimateur : Moyenne pondérée par le nombre de paires possibles entre grappes traitées et témoins ($N_i \times N_j$).

2. Estimand de paires de grappes (Cluster-pair) :

   • Chaque grappe est une unité d'inférence.
   • Toutes les grappes reçoivent le même poids, indépendamment de leur taille (via un pondération inverse de la taille de la grappe).
   • L'estimand cible la probabilité moyenne de victoire au sein d'une paire de grappes, puis la moyenne de ces probabilités sur toutes les paires de grappes.
   • Formule de l'estimateur : Moyenne des proportions de victoire au sein de chaque paire de grappes, puis moyenne de ces proportions.

B. Cadre Unifié

Les auteurs unifient ces deux approches dans un cadre d'estimands pondérés général, où un poids $\omega_{ij}$ est attribué à la comparaison entre les grappes $i$ et $j$.

• $\omega_{ij} = N_i N_j$ cible l'estimand individuel.
• $\omega_{ij} = 1$ cible l'estimand de grappe.

C. Estimation de la Variance

Pour l'inférence statistique, les auteurs proposent un estimateur de variance par jackknife "leave-one-cluster-out" (rééchantillonnage en retirant une grappe à la fois).

• Pour chaque grappe $i$, l'estimateur est recalculé sur les $M-1$ grappes restantes.
• La variance est calculée à partir de la variabilité de ces estimateurs.
• L'inférence utilise une distribution $t$ avec $M-2$ degrés de liberté (approche conservatrice pour un petit nombre de grappes).

3. Résultats Clés

A. Exemple Numérique et Divergence des Conclusions

À travers un exemple hypothétique avec des résultats ordinaux et des tailles de grappes informatives (Types I et II) :

• Scénario : Des grappes plus grandes ont des profils de résultats différents et des effets de traitement hétérogènes par rapport aux grappes plus petites.
• Résultat :
  • L'estimand individuel suggère un bénéfice fort du traitement (Rapport de victoire $\approx 2.24$).
  • L'estimand de grappe suggère un effet délétère du traitement (Rapport de victoire $\approx 0.88$).
• Cause : L'estimand individuel est dominé par les grappes les plus grandes (qui contiennent la majorité des individus), tandis que l'estimand de grappe donne un poids égal aux grappes petites et grandes, révélant ainsi l'effet négatif dans les petites grappes.

B. Étude de Simulation

Une simulation avec $M=100$ grappes et des résultats ordinaux a été réalisée pour évaluer les propriétés statistiques :

• Sans ICS (Tailles non informatives) : Les deux estimands convergent vers la même valeur. Les estimateurs sont non biaisés et les intervalles de confiance à 95 % ont une couverture nominale.
• Avec ICS (Tailles informatives) :
  • Estimateurs individuels : Bien que consistants asymptotiquement, ils présentent un biais de fin d'échantillon (finite-sample bias) notable, conduisant à une couverture des intervalles de confiance inférieure au niveau nominal (ex: 90,9 % au lieu de 95 % pour le rapport de victoire).
  • Estimateurs de grappe : Ils restent non biaisés pour leurs cibles respectives et maintiennent une couverture nominale, même en présence d'ICS. Ils sont moins sensibles à l'influence des grandes grappes.

C. Non-collapsibilité

L'étude démontre que les estimands de victoire (même sur l'échelle de différence) sont généralement non collapsibles. Contrairement à certaines attentes théoriques antérieures suggérant que les différences de moyennes seraient collapsibles, les auteurs montrent que la dépendance des résultats à la taille de la grappe (Type I) suffit à créer des divergences, et que l'hétérogénéité de l'effet de traitement (Type II) amplifie considérablement cette divergence.

4. Contributions Principales

1. Clarification Conceptuelle : Distinction formelle entre les estimands de paires individuelles et de paires de grappes dans le contexte des statistiques de victoire pour les CRT.
2. Outils Méthodologiques : Proposition d'estimateurs consistants pour chaque estimand et d'une méthode de variance robuste (jackknife) adaptée aux données en grappes.
3. Mise en garde Pratique : Démonstration que l'ignorance de la nature informative des tailles de grappes peut mener à des conclusions erronées, voire opposées, sur l'efficacité d'un traitement.
4. Analyse du Biais : Identification du biais de fin d'échantillon spécifique aux estimateurs individuels en présence d'ICS, un problème souvent négligé.

5. Signification et Implications

Cet article est crucial pour la conception et l'analyse des essais cliniques en grappes utilisant des critères composites ou ordinaux.

• Spécification de l'Estimand : Les auteurs insistent sur la nécessité de définir a priori si la question scientifique porte sur l'effet moyen sur un individu aléatoire (estimand individuel) ou sur l'effet moyen sur une grappe aléatoire (estimand de grappe).
• Choix de l'Analyse : En présence de tailles de grappes informatives, l'analyse doit être alignée sur l'estimand d'intérêt. Si l'objectif est l'effet sur la population de grappes (ex: pratiques de prescription), l'estimand de grappe est préférable car il est moins biaisé en pratique.
• Interprétation : Les chercheurs doivent être conscients que les deux approches ne répondent pas à la même question. Utiliser l'estimand individuel par défaut dans un CRT avec des grappes de tailles variables peut masquer des effets négatifs présents dans les petites grappes ou exagérer des effets positifs portés par les grandes grappes.

En conclusion, l'article fournit un cadre rigoureux pour éviter les pièges d'interprétation dans les CRT complexes, en soulignant que la "victoire" dépend de l'unité d'analyse choisie et de la structure des données.