Observing the unobserved confounding through its effects: toward randomized trial-like estimates from real-world survival data

1. Problématique

L'estimation de l'effet des traitements à partir de données observationnelles (monde réel) est entravée par le biais de confusion non observée. Contrairement aux essais contrôlés randomisés (RCT), où la randomisation équilibre les facteurs de confusion observés et non observés, les études observationnelles ne peuvent ajuster que pour les covariables mesurées.

• Limite actuelle : Les méthodes standard (régression, appariement, pondération par probabilité inverse) ne corrigent que les facteurs observés. Les facteurs pronostiques non mesurés (ex. : fragilité, comorbidités non documentées, jugement clinique nuancé) peuvent déséquilibrer les groupes de traitement, conduisant à des estimations biaisées, voire trompeuses.
• Défi spécifique : En oncologie chirurgicale, les décisions de traitement dépendent souvent de facteurs subtils non capturés dans les bases de données routinières.

2. Méthodologie : Un cadre en trois étapes

Les auteurs proposent un cadre méthodologique pour inférer et équilibrer un facteur pronostique latent ($\tilde{U}$) qui capture l'effet agrégé des facteurs non observés.

Étape 1 : Construction du facteur latent $\tilde{U}$

L'objectif est d'estimer une variable scalaire $\tilde{U}_i$ pour chaque patient $i$, représentant la part de son résultat (survie) non expliquée par les covariables observées ($X$).

• Principe : On compare le patient à ses "voisins" (patients ayant des caractéristiques observées similaires et le même traitement). Si deux patients similaires ont des trajectoires de survie très différentes, cette divergence est attribuée à des facteurs latents.
• Construction directionnelle :
  • Pour un patient ayant eu un événement (décès/récidive) à un temps $T_i$, les voisins sont choisis parmi les patients du même bras de traitement ayant survécu plus longtemps ($T_j > T_i$).
  • Pour un patient censuré à $T_i$, les voisins sont ceux ayant eu un événement plus tôt.
  • Le facteur brut $U_i$ est la différence entre le signal de résultat du patient et la moyenne de ses voisins directionnels.
• Signal de résultat : Pour gérer la censure, les auteurs utilisent le Temps Moyen de Survie Restreint (RMST) via des pseudo-observations (méthode du jackknife) plutôt que l'indicateur binaire d'événement.
• Normalisation : Les valeurs brutes sont normalisées par percentile au sein de chaque bras de traitement pour obtenir $\tilde{U} \in [-1, 1]$, où les valeurs négatives indiquent un risque latent élevé et les positives une protection latente.

Étape 2 : Équilibrage des bras de traitement

Une fois $\tilde{U}$ estimé, il est intégré aux procédures d'équilibrage classiques pour créer une pseudo-cohorte pondérée où la distribution de $\tilde{U}$ et des covariables $X$ est similaire entre les groupes traités et non traités. Trois méthodes sont testées :

1. Appariement pronostique suivi d'un pondération : Appariement sur le score pronostique, puis application d'un poids scalaire pour aligner la moyenne de $\tilde{U}$.
2. Équilibrage par entropie (Entropy Balancing) : Optimisation convexe pour trouver des poids sur le groupe témoin qui correspondent aux moments (moyenne et variance) de $X$, du score pronostique et de $\tilde{U}$ du groupe traité.
3. Pondération par probabilité inverse de traitement (IPTW) : Modélisation de la propension au traitement incluant $X$ et $\tilde{U}$, puis pondération des témoins.

Étape 3 : Analyse multivariée

Une fois les données pondérées, un modèle de Cox à risques proportionnels est ajusté sur les échantillons pondérés pour estimer le Hazard Ratio (HR) du traitement. Note importante : $\tilde{U}$ n'est pas inclus comme covariable dans le modèle final de Cox, car son effet est déjà intégré via les poids d'équilibrage.

3. Contributions Clés

• Inférence de l'inobservable : Au lieu de tenter de mesurer chaque facteur manquant, la méthode infère un signal latent agrégé ($\tilde{U}$) directement à partir des écarts de survie entre patients similaires.
• Extension des méthodes standards : Le cadre s'adapte aux méthodes d'équilibrage existantes (matching, entropie, IPTW) en y ajoutant une dimension latente, sans nécessiter de nouvelles hypothèses structurelles complexes.
• Validation rigoureuse : L'approche est validée sur trois types de scénarios :
  1. Cohortes observationnelles comparées à des RCT de référence.
  2. RCT (où l'ajout de $\tilde{U}$ ne devrait pas changer les résultats, servant de contrôle négatif).
  3. Cohortes multicentriques pour évaluer l'hétérogénéité inter-centres.

4. Résultats Principaux

A. Cohortes Observationnelles (Comparaison avec RCT)

• Données : Trois cohortes (GIST, Sarcome Rétropéritonéal, Métastases Hépatiques du CCR).
• Résultat : L'ajout de l'équilibrage sur $\tilde{U}$ a systématiquement amélioré l'accord avec les HR de référence des RCT.
• Performance : Dans les scénarios les plus forts, l'erreur absolue du log-HR a été réduite d'un facteur 10 par rapport à l'ajustement sur les covariables observées seules (réduction moyenne de 0,344 ; $p=0.001$).
• Stabilité : La méthode IPTW a produit les estimations les plus stables.

B. Essais Randomisés (Contrôle Négatif)

• Données : Deux RCT (STRASS et BRT).
• Résultat : Comme attendu, l'ajout de $\tilde{U}$ n'a pas significativement modifié les HR estimés (les groupes étaient déjà équilibrés par randomisation).
• Équilibre : Les différences standardisées de moyennes (SMD) pour $\tilde{U}$ entre les bras de traitement étaient faibles (< 0,1), confirmant que $\tilde{U}$ se comporte comme un facteur pronostique et non comme un bruit statistique.

C. Cohortes Multicentriques (Hétérogénéité)

• Données : Six centres académiques pour les métastases hépatiques du cancer colorectal (CRLM).
• Résultat 1 (Consistance des HR) : L'équilibrage sur $\tilde{U}$ a réduit la dispersion des HR de chimiothérapie entre les centres, suggérant que $\tilde{U}$ capture des biais de sélection de traitement communs (ex. : critères de fragilité non mesurés).
• Résultat 2 (Différences de survie inter-centres) : Dans les paires de centres où l'ajustement sur $X$ seul avait élargi l'écart de survie (indiquant des différences pronostiques cachées), l'ajout de $\tilde{U}$ a réduit cet écart dans 75% à 100% des cas comparables. Cela démontre que $\tilde{U}$ capture la composante pronostique non observée des différences de cas mix entre centres.

5. Signification et Implications

• Fiabilité des données réelles : Ce cadre offre une stratégie pratique pour renforcer l'inférence causale dans les données du monde réel, en particulier lorsque les RCT sont impossibles, obsolètes ou sous-dimensionnés.
• Réduction du biais de sélection : En équilibrant partiellement l'inobservable, la méthode permet aux analyses observationnelles de mieux approximer les résultats d'un essai randomisé, rendant les débats cliniques non résolus plus susceptibles d'être tranchés par des données réelles.
• Limites : La méthode ne corrige pas le biais de temps immortel (immortal time bias) et ne remplace pas les RCT, mais elle les complète efficacement dans des contextes où les facteurs de confusion résiduels sont importants.
• Applicabilité : Elle est particulièrement utile en oncologie chirurgicale où les modèles pronostiques standards ont souvent une discrimination modeste et où le jugement clinique joue un rôle majeur dans l'allocation des traitements.

En résumé, cette étude démontre qu'il est possible de "voir l'invisible" en inférant un signal pronostique latent à partir des écarts de survie résiduels, permettant ainsi de produire des estimations d'effets de traitement plus robustes et moins biaisées à partir de données observationnelles.