Causal Vaccine Effects on Post-infection Outcomes in the Naturally Infected

1. Problématique et Contexte

L'évaluation complète de la valeur d'un vaccin nécessite de quantifier non seulement son efficacité à prévenir l'infection, mais aussi son impact sur les résultats post-infectieux (sévérité de la maladie, complications, utilisation d'antibiotiques, etc.) chez les individus qui contractent l'infection.

Cependant, l'estimation causale de ces effets est complexe car l'infection elle-même est un résultat intermédiaire affecté par le vaccin. Les approches classiques reposent sur la stratification principale :

• Strate "Doomed" (Condamnés) : Individus qui seraient infectés quel que soit le statut vaccinal ($S(0)=1, S(1)=1$).
• Strate "Immune" : Individus qui ne seraient jamais infectés ($S(0)=0, S(1)=0$).
• Strate "Protected" (Protégés) : Individus qui ne seraient infectés que sans vaccin ($S(0)=1, S(1)=0$).

Limites des approches existantes :

1. Analyse de la strate "Doomed" : Elle exclut les individus dont l'infection a été prévenue par le vaccin. Or, ces individus (la strate "Protected") sont précisément ceux qui bénéficient le plus de la prévention de l'infection. Ignorer cette strate sous-estime le bénéfice total du vaccin.
2. Effet marginal (Populationnel) : Comparer les résultats moyens entre tous les vaccinés et non-vaccinés dilue l'effet du vaccin. La majorité de la population (la strate "Immune") ne développe pas d'infection et donc pas de résultat post-infectieux, ce qui réduit la puissance statistique pour détecter un effet protecteur réel.

Objectif de l'article : Proposer et développer des méthodes pour estimer les effets causaux du vaccin spécifiquement chez les "Naturellement Infectés" (Naturally Infected), définis comme l'union des strates "Protected" et "Doomed" (c'est-à-dire les individus qui seraient infectés en l'absence de vaccin : $S(0)=1$).

---

2. Méthodologie et Cadre Théorique

Les auteurs travaillent dans le cadre d'essais contrôlés randomisés (ECR) et utilisent le calcul de contre-factuels.

2.1. Définition de l'estimand

L'effet causal cible est défini comme :
$$E\{Y(1) - Y(0) \mid S(0) = 1\}$$
où $Y$ est le résultat post-infectieux et $S(0)$ l'état d'infection sous placebo.

2.2. Identification et Hypothèses

L'identification de cet estimand est difficile car elle implique des quantités "cross-world" (mondes croisés), notamment le résultat post-infectieux sous vaccin ($Y(1)$) pour les individus qui auraient été infectés sous placebo mais protégés sous vaccin ($S(0)=1, S(1)=0$).

Les auteurs proposent plusieurs stratégies d'identification :

1. Identification partielle (Bornes) :

   • Sans hypothèses supplémentaires fortes, on ne peut pas identifier ponctuellement l'effet, mais on peut établir des bornes (intervalles de validité).
   • Ces bornes sont dérivées en considérant que les vaccinés non infectés sont un mélange d'individus "Immune" et "Protected". En utilisant les extrêmes de la distribution des résultats chez les vaccinés non infectés, on peut borner le résultat moyen chez les "Protected".

2. Identification ponctuelle sous Restriction d'Exclusion (Exclusion Restriction - ER) :

   • Hypothèse : Le vaccin n'a aucun effet causal sur le résultat post-infectieux en l'absence d'infection ($Y(1,0) = Y(0,0)$).
   • Cela permet d'identifier l'effet, notamment pour les résultats "nécessaires à l'infection" (ex: hospitalisation due à la maladie).

3. Identification ponctuelle sous Ignorabilité Principale Partielle (Partial Principal Ignorability - PI) :

   • Hypothèse : Conditionnellement à des covariables $X$, le résultat post-infectieux sous vaccin est indépendant du statut principal (Immune vs Protected) parmi ceux qui ne sont pas infectés sous vaccin ($S(1)=0$).
   • Formellement : $S(0) \perp Y(1) \mid X, S(1)=0$.
   • Cette hypothèse est plus faible que l'ignorabilité principale complète et permet d'identifier l'effet même pour des résultats non nécessaires à l'infection (ex: prescription d'antibiotiques pour d'autres causes).

4. Interprétation conditionnelle à l'exposition :

   • Les auteurs montrent que les mêmes fonctionnels d'identification peuvent être interprétés comme des effets chez les individus exposés à une dose infectieuse suffisante ($E=1$), évitant ainsi certaines hypothèses "cross-world" fondamentalement non testables, à condition de mesurer l'exposition.

2.3. Estimation

Pour les cas d'identification ponctuelle, les auteurs développent des estimateurs en une étape (one-step estimators) basés sur la théorie de l'influence efficace (Efficient Influence Function - EIF).

• Propriétés : Ces estimateurs sont doubly robust (ou multi-robustes). Ils sont consistants si l'un des modèles de nuisance (ex: probabilité d'infection ou résultat moyen) est correctement spécifié, et ils atteignent l'efficacité asymptotique.
• Ils utilisent des méthodes d'apprentissage automatique (Super Learner) pour estimer les paramètres de nuisance, réduisant ainsi les biais de spécification de modèle.

---

3. Résultats Principaux

3.1. Simulations

• Validité des bornes : Les bornes calculées sans hypothèses fortes sont valides (elles couvrent le vrai effet) mais souvent larges, ce qui limite leur utilité pratique pour la prise de décision précise.
• Performance des estimateurs ponctuels :
  • Lorsque les hypothèses d'identification (ER ou PI) sont respectées, les estimateurs sont non biaisés et efficaces.
  • Lorsque les hypothèses sont violées, les estimateurs correspondants deviennent biaisés.
  • L'estimateur combinant ER et PI (semi-paramétrique) présente la variance la plus faible.
• Puissance statistique : Les simulations montrent que les tests basés sur l'estimand "Naturellement Infectés" (surtout sous hypothèse PI) ont une puissance supérieure pour détecter des effets protecteurs sur les résultats post-infectieux par rapport aux tests marginaux ou aux tests sur la strate "Doomed". Cela est dû à l'élimination de la dilution causée par la strate "Immune".

3.2. Réanalyse de l'étude PROVIDE (Vaccin contre le Rotavirus)

Les auteurs réanalysent les données de l'essai PROVIDE (Bangladesh) concernant l'utilisation d'antibiotiques pour la diarrhée.

• Résultats marginaux et "Doomed" : Aucun effet significatif n'est détecté.
• Résultats "Naturellement Infectés" (sans hypothèse forte) : Les bornes sont larges et incluent le zéro.
• Résultats "Naturellement Infectés" (sous hypothèse PI) : L'analyse suggère un effet protecteur du vaccin, réduisant la probabilité d'utilisation d'antibiotiques d'environ 8% (intervalle de confiance à 95% : -18% à +1%, p=0.071).
• Conclusion de l'analyse : L'hypothèse d'ignorabilité principale partielle permet de révéler un signal protecteur qui serait masqué par les analyses traditionnelles.

---

4. Contributions Clés

1. Nouvel Estimand : Introduction et formalisation de l'effet causal chez les "Naturellement Infectés" ($S(0)=1$) comme métrique supérieure pour évaluer le bénéfice global des vaccins sur les résultats post-infectieux.
2. Cadre d'Identification Flexible : Développement de méthodes d'identification sous deux hypothèses distinctes (Restriction d'Exclusion et Ignorabilité Principale Partielle), avec des analyses de sensibilité pour évaluer la robustesse aux violations de ces hypothèses.
3. Méthodologie d'Estimation Efficace : Proposition d'estimateurs en une étape (one-step) avec propriétés de double robustesse, permettant une estimation robuste même avec des modèles de nuisance complexes (machine learning).
4. Interprétation Causalité Alternative : Lien établi entre les estimands de stratification principale et les effets conditionnels à une exposition infectieuse suffisante, offrant une interprétation potentiellement plus testable.
5. Preuve Empirique : Démonstration via des simulations et une réanalyse de données réelles que cette approche offre une puissance statistique supérieure pour détecter des bénéfices vaccinaux subtils sur les séquelles de l'infection.

---

5. Signification et Implications

Ce travail est significatif pour la recherche vaccinale et l'épidémiologie pour plusieurs raisons :

• Changement de paradigme : Il remet en question la focalisation exclusive sur la strate "Doomed" ou les effets marginaux, qui peuvent sous-estimer la valeur réelle d'un vaccin en ignorant la prévention de l'infection elle-même.
• Optimisation des essais cliniques : En ciblant la bonne population (les naturellement infectés), les essais peuvent être plus puissants pour détecter des effets sur la sévérité de la maladie ou les complications, même avec des tailles d'échantillon limitées.
• Prise de décision sanitaire : Pour les vaccins destinés à réduire la transmission ou la sévérité (ex: vaccins contre la grippe, le rotavirus, le SARS-CoV-2), quantifier l'impact sur les résultats post-infectieux est crucial pour les politiques de santé publique. Cette méthode fournit un outil rigoureux pour le faire.
• Robustesse : La disponibilité d'outils d'analyse de sensibilité et d'estimateurs robustes permet aux chercheurs de justifier leurs conclusions même lorsque les hypothèses causales idéales ne peuvent être vérifiées à 100%.

En résumé, l'article propose une avancée méthodologique majeure pour mieux comprendre et quantifier la valeur complète des vaccins au-delà de la simple prévention de l'infection.