Résumé Technique : Régression par Changement de Plan Bayésienne

1. Problématique (Le Problème)

L'objectif est d'identifier des sous-populations présentant des effets de traitement hétérogènes à l'aide d'une règle de décision linéaire interprétable du type $\mathbb{1}\{Z^\top\theta \geq 0\}$. Bien que cette approche soit cliniquement intuitive, l'inférence statistique pour le paramètre de frontière (le plan de séparation $\theta$) est intrinsèquement non régulière :

• Non-lissé : La fonction indicatrice est discontinue, rendant les fonctions de vraisemblance non dérivables.
• Identification faible : En l'absence d'hétérogénéité réelle, le paramètre $\theta$ n'est pas identifié.
• Fragilité des approximations : Les méthodes classiques de grands échantillons (approximations asymptotiques) échouent ou sont difficiles à calibrer en raison de la non-régularité.
• Biais de lissage : L'utilisation de fonctions lissées pour faciliter l'optimisation change la cible inférentielle, créant un arbitrage entre biais d'approximation et variance.

2. Méthodologie

Les auteurs proposent un cadre bayésien complet basé sur une vraisemblance de travail à porte probit (probit-gated working likelihood).

• Modèle de travail : Au lieu d'une frontière dure, ils utilisent une fonction de transition lisse $\pi_{\theta,\tau}(z) = \Phi(z^\top\theta/\tau)$, où $\tau$ est une échelle de lissage. Le modèle devient un mélange gaussien à deux composantes.
• Inférence MCMC : Ils développent un échantillonneur de Gibbs combiné à un échantillonneur de tranche elliptique sur le grand cercle (great-circle elliptical slice sampler) pour mettre à jour la direction $\theta$ sur la sphère unité sans nécessiter de réglage de paramètres.
• Régularisation de haute dimension : Pour les cas où le nombre de covariables est élevé, ils intègrent une prior de type "ferradure" (horseshoe prior) sur les coefficients de la direction $\theta$, permettant une détection automatique de sous-groupes par contraction des variables non pertinentes.
• Approche semi-paramétrique : Le modèle peut intégrer des composantes de base flexibles, comme les arbres de régression bayésiens additifs (BART), pour protéger l'inférence contre la mauvaise spécification de la moyenne de base.

3. Contributions Clés

L'article apporte trois contributions majeures :

1. Théorie Asymptotique Inédite : Les auteurs établissent la première théorie de contraction de la distribution a posteriori pour ce modèle. Ils démontrent que pour un $\tau$ fixe, la distribution suit un théorème de Bernstein-von Mises (BvM) misspecifié autour d'un paramètre "pseudo-vrai". Ils prouvent également que dans un régime de lissage décroissant ($\tau_n \to 0$), la cible est récupérée, mais avec un biais régi par une condition de marge sur la distribution des covariables ($\alpha$).
2. Protocole de Rapport Décisionnel : Pour éviter de rapporter des frontières de sous-groupes sans fondement, ils proposent un protocole basé sur la théorie de la décision. On ne rapporte une frontière que si la probabilité a posteriori d'une hétérogénéité cliniquement significative dépasse un seuil prédéfini ($p_{report}$). Cela sépare l'évidence de l'hétérogénéité de la description de la frontière.
3. Gestion de l'incertitude : Contrairement aux méthodes fréquentistes "test-puis-estimation", leur cadre propage l'incertitude de la frontière directement dans les probabilités d'appartenance des patients aux sous-groupes.

4. Résultats

• Simulations : Les méthodes bayésiennes surpassent les approches fréquentistes classiques (notamment le package subdetect de Fan et al.) en termes de précision de la direction de la frontière et de couverture des intervalles de confiance, particulièrement lorsque le modèle de base est mal spécifié.
• Haute Dimension : L'utilisation de la prior horseshoe stabilise l'estimation de la frontière même en présence de nombreuses variables de bruit, là où les méthodes classiques échouent (erreur angulaire élevée).
• Application Clinique (Essai PREMIER) : L'application aux données de l'essai PREMIER montre que l'intervention sur le mode de vie est efficace pour un sous-groupe spécifique (profils non afro-américains, plus jeunes, etc.). Le protocole décisionnel confirme la présence d'une hétérogénéité cliniquement significative.

5. Signification et Impact

Ce travail est crucial pour la médecine de précision et les essais cliniques adaptatifs. En fournissant un cadre mathématiquement rigoureux pour traiter la non-régularité des seuils, il permet aux chercheurs de :

• Identifier des sous-groupes de patients de manière robuste.
• Éviter les faux positifs (déclarations de sous-groupes fallacieuses) grâce au protocole décisionnel.
• Communiquer l'incertitude de manière transparente, non pas comme une frontière rigide, mais comme une probabilité d'appartenance, ce qui est beaucoup plus conforme à la réalité biologique.