A Bayesian Reinterpretation of Cornfield-Type Sensitivity Analysis: From Thresholds to Probabilities

1. Problématique

L'inférence causale dans les études observationnelles est intrinsèquement limitée par la présence potentielle de facteurs de confusion non mesurés. Bien que les ajustements pour les covariables observées soient standards, l'incertitude résiduelle concernant les biais cachés reste un problème épistémologique fondamental.

Les approches actuelles de l'analyse de sensibilité, notamment l'argument de Cornfield et sa formalisation moderne par la valeur E (E-value), reposent sur des seuils déterministes. Elles répondent à la question : « Quelle force minimale un facteur de confusion non mesuré doit-il avoir pour annuler l'association observée ? ».
Cependant, ces méthodes ne répondent pas à la question inférentielle cruciale : « Quelle est la plausibilité qu'un tel facteur de confusion existe-t-il réellement ? ». Dans la pratique, cette lacune est comblée par un raisonnement informel, rendant l'analyse de sensibilité descriptive plutôt que probabiliste.

2. Méthodologie

L'auteur propose une reformulation bayésienne complète de l'analyse de sensibilité de type Cornfield. Au lieu de traiter la force du biais de confusion comme une constante inconnue, elle est modélisée comme une variable aléatoire.

Cadre du modèle

• Décomposition du biais : L'association observée ($RR_{obs}$) est décomposée en un effet causal vrai ($RR_{true}$) et un facteur de distorsion multiplicatif $\Gamma \ge 1$ (représentant la force du biais).
  $$RR_{true} = \frac{RR_{obs}}{\Gamma}$$
• Échelle logarithmique : Pour faciliter la modélisation, les effets sont transformés en échelle logarithmique ($\theta = \log(RR)$). L'effet de confusion devient un terme additif : $\log(\Gamma)$.
• Spécification de la vraisemblance : L'estimation observée est modélisée comme une distribution normale centrée sur l'effet vrai décalé par le biais :
  $$\theta_{obs} \sim \mathcal{N}(\theta_{true} + \log(\Gamma), s^2)$$
  où $s$ est l'erreur standard de l'estimation.

Priors et Inférence

• Distribution a priori du biais : La force de la confusion $\log(\Gamma)$ suit une loi Half-Normal (demi-normale) centrée en 0, garantissant $\Gamma \ge 1$. Le paramètre d'échelle $\sigma$ encode la croyance a priori sur la plausibilité de confusions fortes (plus $\sigma$ est petit, plus les confusions fortes sont considérées comme improbables).
• Distribution a priori de l'effet : Un prior normal est posé sur l'effet causal vrai.
• Quantité inférentielle centrale : L'objectif n'est plus de calculer le seuil $\Gamma^*$ (la valeur E), mais de calculer la probabilité a posteriori que la force de la confusion dépasse ce seuil :
  $$P(\Gamma \ge \Gamma^* \mid \theta_{obs})$$
  Cette probabilité quantifie directement la vulnérabilité de l'association observée à un biais suffisant pour l'annuler.

3. Contributions Clés

1. Transition du seuil à la probabilité : Transformation de l'analyse de sensibilité d'un diagnostic binaire (seuil dépassé ou non) en une procédure inférentielle probabiliste cohérente.
2. Modèle génératif simple : Développement d'un modèle bayésien applicable aux données résumées (summary-level data), sans nécessiter les données individuelles souvent indisponibles.
3. Interprétation de la valeur E : Redéfinition de la valeur E non plus comme une réponse finale, mais comme une condition aux limites dans un paysage probabiliste continu.
4. Intégration des connaissances a priori : Permet d'incorporer explicitement l'expertise de domaine via les distributions a priori sur la force du biais, rendant le processus de jugement transparent.

4. Résultats

L'approche a été appliquée à 11 associations exposition-résultat issues de domaines variés (tabagisme, douleurs lombaires, maladie d'Alzheimer, santé environnementale).

• Relation E-value / Probabilité : Une relation monotone claire a été observée. Les grandes valeurs E correspondent à des probabilités a posteriori très faibles que la confusion explique l'effet (ex. : étude environnementale avec $E=4.25 \rightarrow P \approx 0.004$). À l'inverse, les petites valeurs E entraînent des probabilités élevées, indiquant une grande vulnérabilité (ex. : maladie d'Alzheimer avec $E \approx 1.35 \rightarrow P \approx 0.5$).
• Hétérogénéité : Le modèle révèle des nuances au sein même d'une étude. Par exemple, dans l'étude sur le tabagisme, certaines associations sont robustes tandis que d'autres (contrastes plus faibles) restent vulnérables, ce que la valeur E seule ne distingue pas toujours qualitativement.
• Sensibilité aux priors :
  • Pour les grandes valeurs E, les conclusions sont stables sur une large gamme de priors (l'effet est robuste quelle que soit l'hypothèse de biais).
  • Pour les petites valeurs E, les résultats sont plus sensibles à la spécification du prior, reflétant l'incertitude intrinsèque des effets faibles.

5. Signification et Conclusion

Ce travail comble un vide méthodologique majeur en offrant un cadre formel pour répondre à la question de la plausibilité du biais, plutôt que seulement à sa force requise.

• Impact pratique : L'approche fournit une mesure de « vulnérabilité probabilité » directement interprétable pour la prise de décision scientifique et clinique. Elle permet de passer d'un jugement binaire (« l'association est-elle robuste ? ») à un jugement probabiliste (« quelle est la probabilité que cette association soit un artefact de confusion ? »).
• Alignement épistémologique : En s'alignant sur les principes bayésiens, la méthode traite l'incertitude comme un degré de croyance rationnelle, intégrant les connaissances antérieures de manière explicite.
• Limites et perspectives : Bien que le modèle simplifie la structure de confusion en un seul paramètre, il ouvre la voie à des modèles hiérarchiques plus complexes et à une meilleure intégration dans la synthèse des preuves.

En résumé, Costa propose de remplacer le raisonnement par seuils par un raisonnement probabiliste, transformant l'analyse de sensibilité en un outil d'inférence robuste et transparent pour la recherche observationnelle.