Effects conditional on post-treatment events generated by independent mechanisms

Résumé Technique : Effets conditionnels aux événements post-traitement générés par des mécanismes indépendants

1. Problématique

Dans les études observationnelles et les essais cliniques randomisés (ECR), des événements post-traitement (tels que l'abandon, la non-observance, ou la mort) surviennent fréquemment. Ces événements peuvent rendre l'issue de l'étude ($Y$) indéfinie (par exemple, la qualité de vie est indéfinie si le patient décède).

• Le biais de sélection (Collider Bias) : Conditionner l'analyse sur ces événements post-traitement ($D$) introduit généralement un biais de sélection, même dans des essais randomisés. Si le traitement ($A$) affecte $D$ et que $D$ partage des causes communes non mesurées ($U$) avec l'issue $Y$, conditionner sur $D$ ouvre un chemin non causal entre $A$ et $Y$, faussant l'estimation de l'effet causal.
• Limites des méthodes existantes : Des estimands causaux tels que l'effet causal moyen des survivants (SACE) ou les effets séparables conditionnels (CSE) ont été proposés pour contourner ce problème. Cependant, leur identification nécessite généralement la mesure des facteurs de confusion communs ($U$) entre l'événement post-traitement et l'issue, ou l'utilisation de variables proxy, ce qui est souvent impossible en pratique.

2. Méthodologie et Hypothèses

Les auteurs proposent une nouvelle approche d'identification qui ne nécessite pas de mesurer les facteurs de confusion communs ($U$), sous réserve d'une hypothèse structurelle spécifique sur la génération de l'événement post-traitement.

Hypothèse clé : Mécanismes Indépendants
L'article postule que le traitement $A$ affecte l'événement post-traitement $D$ via un sous-ensemble spécifique et indépendant de causes, noté $D_A$.

• Séparation des mécanismes : Le traitement influence $D$ uniquement à travers un mécanisme spécifique (ex: effets secondaires aigus d'un anesthésique), noté $D_A$, qui est indépendant de toutes les autres causes de $D$ et de $Y$ (représentées par $U$).
• Modèle de survie multiplicatif : Cette indépendance implique que la probabilité de survie (ne pas avoir l'événement $D$) se factorise. Mathématiquement, pour un niveau de traitement $a'$ et une valeur de $U=u$ :
  $$Pr(D^{a'} = 0 | U = u) = Pr(D = 0 | U = u, D_A = 0) \times Pr(D_A = 0 | A = a')$$
  Cela signifie qu'il n'y a pas d'interaction entre le traitement et les causes non mesurées pour déterminer l'événement $D$.

Décomposition du traitement (Effets Séparables)
Pour formaliser l'effet causal d'intérêt, les auteurs décomposent le traitement $A$ en deux composantes hypothétiques :

1. $A_D$ : La composante affectant uniquement l'événement post-traitement (ex: le risque d'effet secondaire fatal).
2. $A_Y$ : La composante affectant uniquement l'issue $Y$ (ex: l'efficacité thérapeutique ou esthétique).
   Dans l'essai observé, $A = A_D = A_Y$. L'objectif est d'estimer l'effet de $A_Y$ tout en maintenant $A_D$ fixe (par exemple, comparer une chirurgie avec un anesthésique sûr vs sans chirurgie).

3. Résultats Principaux

Identification des Effets Séparables Conditionnels (CSE)
Sous les hypothèses de mécanismes indépendants, de positivité et de détermination (si $D_A=1$ alors $D=1$), les auteurs démontrent que l'effet causal conditionnel peut être identifié directement à partir des données observées, sans ajustement pour $U$.

• Proposition 1 : L'effet séparable conditionnel $CSE(0)$ (effet de la composante $A_Y$ lorsque $A_D$ est fixé à 0) est égal à la différence des moyennes conditionnelles observées :
  $$CSE(0) = E(Y | A = 1, D = 0) - E(Y | A = 0, D = 0)$$
  Interprétation : La simple comparaison des résultats entre les groupes traités et témoins, restreinte aux individus ayant survécu (ou n'ayant pas eu l'événement), fournit une estimation causale valide, malgré la présence de facteurs de confusion non mesurés $U$.

Identification de l'Effet Causal Moyen des Survivants (SACE)
En ajoutant une hypothèse de monotonie (le traitement ne réduit pas le risque de l'événement post-traitement pour personne) et une hypothèse d'indépendance croisée conditionnelle à $U$, les auteurs montrent que le SACE est également identifié par la même fonctionnelle :
$$SACE = E(Y | A = 1, D = 0) - E(Y | A = 0, D = 0)$$

Généralisation
Les résultats sont étendus au cas où une variable mesurée $L$ (causant à la fois $D_A$, $D$ et $Y$) existe, permettant une identification stratifiée sur $L$.

4. Illustrations et Applications

L'article illustre ces résultats sur trois exemples concrets :

1. Chirurgie plastique et mortalité :

   • Contexte : Comparaison de la qualité de vie ($Y$) entre chirurgie et contrôle, avec la mortalité ($D$) comme événement de truncation.
   • Mécanisme : La mortalité due à la chirurgie est causée uniquement par des réactions anesthésiques fatales ($D_A$), indépendantes des comorbidités ($U$) affectant la qualité de vie.
   • Résultat : La comparaison des scores de qualité de vie parmi les survivants est une estimation valide de l'effet de la chirurgie (avec un anesthésique sûr) sur la qualité de vie.

2. Paradoxe du poids de naissance :

   • Contexte : L'association paradoxale où les bébés de mères fumeuses de faible poids de naissance ont une mortalité inférieure à celle des bébés de mères non-fumeuses de faible poids.
   • Apport : En décomposant le tabagisme en une composante affectant le poids ($A_D$) et une composante affectant la mortalité ($A_Y$), et en supposant que le faible poids dû au tabac est un mécanisme indépendant, l'association observée chez les bébés de poids normal ($D=0$) peut être interprétée comme un effet causal valide, expliquant pourquoi le paradoxe n'apparaît pas dans ce sous-groupe.

3. Non-observance dans un essai de sevrage tabagique (E-cigarettes vs Patchs) :

   • Contexte : Les participants arrêtent le traitement ($D=1$) souvent à cause d'effets secondaires spécifiques au produit ($D_A$).
   • Résultat : Si les effets secondaires (ex: irritation cutanée des patchs) sont indépendants des autres causes d'arrêt ou de succès, la comparaison des taux d'abstinence parmi les participants observants ($D=0$) est une estimation causale valide de l'efficacité du mécanisme d'administration du traitement (ex: un patch sans irritation).

5. Signification et Contribution

• Réduction des exigences de données : Contrairement aux méthodes traditionnelles qui nécessitent la mesure de tous les confondants entre l'événement post-traitement et l'issue, cette approche permet l'identification causale sans ces mesures, à condition que la structure causale (mécanismes indépendants) soit justifiée par le domaine d'expertise (ex: biologie, pharmacologie).
• Réinterprétation du biais de collier : L'article démontre que le biais de collier (collider bias) n'est pas inévitable. Si le traitement affecte le collier via un mécanisme qui n'interagit pas avec les autres causes de l'issue, la stratification sur le collier ne crée pas de biais.
• Pertinence pour les essais cliniques : Cela offre une justification théorique pour l'utilisation d'analyses de sous-groupes (survivants/observants) dans des contextes spécifiques, transformant une pratique souvent critiquée en une méthode d'estimation causale rigoureuse.
• Lien avec les variables instrumentales : L'article clarifie les différences entre cette approche et l'analyse par variables instrumentales (IV), montrant que les hypothèses de monotonie et d'exclusion diffèrent, permettant d'identifier des estimands différents (SACE vs CSE) avec des hypothèses structurelles distinctes.

En conclusion, cet article fournit un cadre théorique robuste pour estimer des effets causaux dans la présence d'événements post-traitement, en exploitant la structure des mécanismes de génération de ces événements plutôt que la mesure exhaustive des confondants.