Bayesian integration G-formula for platform SMART designs allowing for adding new treatments

1. Énoncé du problème

Les Essais d'Affectation Séquentielle Multiple (SMART) constituent la référence pour l'évaluation des Régimes de Traitement Dynamiques (DTR), qui sont des séquences de règles de décision adaptées à l'évolution de l'état de santé d'un patient. Cependant, les SMART traditionnels présentent deux limitations majeures :

1. Durée : Ils nécessitent souvent beaucoup plus de temps pour être menés à bien que les Essais Contrôlés Randomisés (RCT) à un seul stade, en raison des multiples étapes de randomisation.
2. Rigidité : De nouveaux traitements candidats peuvent devenir disponibles (par exemple, via une approbation réglementaire) au cours de l'essai, mais ne peuvent pas être intégrés sans le redémarrer ou lancer une étude distincte.

Les essais de plateforme répondent à la deuxième problématique en permettant l'ajout de nouveaux traitements à une étude en cours sous un protocole maître. Cependant, l'ajout de traitements crée des cohortes non concurrentes (participants randomisés avant vs après l'ajout). Cela introduit des défis statistiques :

• Effets temporels : Les changements dans le traitement standard, les caractéristiques de la population ou les probabilités de randomisation au fil du temps peuvent biaiser les estimations de l'effet du traitement.
• Le compromis :
  • Approche séparée : Utiliser uniquement les données de la cohorte post-adaptation garantit l'absence de biais mais gaspille des données précieuses de la cohorte pré-adaptation, réduisant l'efficacité.
  • Approche de regroupement : Combiner les données de toutes les cohortes augmente l'efficacité mais risque un biais significatif si des effets temporels existent (violation de l'échangeabilité).

L'article comble le vide dans les méthodes analytiques pour les SMART de plateforme (SMART permettant l'ajout de nouveaux traitements), en se concentrant spécifiquement sur la manière d'estimer les moyennes des DTR tout en équilibrant biais et efficacité.

2. Méthodologie : Formule G d'intégration bayésienne (BIG)

Les auteurs proposent une nouvelle classe d'estimateurs appelée estimateurs de la Formule G d'intégration bayésienne (BIG). Ceux-ci utilisent des méthodes bayésiennes pour « emprunter » de l'information aux cohortes non concurrentes (données pré-adaptation) de manière contrôlée.

A. Configuration de la conception de l'étude

• Scénario : Un SMART à deux stades où un traitement de premier stade supplémentaire ($a_{13}$) est ajouté en cours d'essai.
• Cohortes :
  • $C=c_1$ : Cohorte pré-adaptation (traitements originaux uniquement).
  • $C=c_2$ : Cohorte post-adaptation (traitements originaux + nouveau traitement).
• Objectif : Estimer la moyenne des résultats ($\mu_{jk}$) pour les DTR intégrés dans la cohorte post-adaptation ($c_2$) tout en exploitant les données de $c_1$.

B. Cadre de l'estimateur BIG

La méthode modélise le taux de réponse ($R$) et le résultat final ($Y$) à l'aide de modèles linéaires généralisés (GLM).

1. Spécification du modèle :
   • Modèle de réponse : $\text{logit}(\pi) = f_R(A_1; \beta)$.
   • Modèle de résultat : $Y \sim f_Y(A_1, R, A_2; \psi) + \epsilon$.
2. Partitionnement des paramètres :
   • $\theta_s$ : Coefficients partagés entre les cohortes (par exemple, effets des traitements originaux). Ceux-ci peuvent emprunter de l'information à $c_1$.
   • $\theta_{ns}$ : Coefficients spécifiques au nouveau traitement ($a_{13}$). Ceux-ci n'ont aucune donnée antérieure de $c_1$.
3. Distributions a priori :
   L'innovation centrale réside dans les priors assignés à $\theta_s$ basés sur les données de $c_1$ :
   • BIGweak : Utilise des priors faiblement informatifs (par exemple, $N(0, 100)$) pour tous les paramètres. Équivalent à ignorer les données de $c_1$ pour l'emprunt.
   • BIGlogdis (Prior de distance logarithmique) : Fixe la moyenne a priori basée sur l'estimation du maximum de vraisemblance (MLE) de $c_1$. La variance a priori est adaptative, définie par le maximum de la différence au carré entre les estimations des cohortes et la variance de l'estimation de $c_1$. Cela réduit automatiquement l'emprunt si les cohortes diffèrent significativement.
   • BIGcomP (Prior commensurable) : Introduit un paramètre de commensurabilité $\tau$. Un $\tau$ élevé implique une forte similarité (plus d'emprunt) ; un $\tau$ faible implique une dissimilarité (moins d'emprunt).
   • BIGcommP (Prior commensurable mixte) : Utilise un mélange de valeurs fixes de $\tau$ (par exemple, une faible, une élevée) avec des poids égaux pour permettre un « emprunt partiel » sans avoir besoin d'estimer $\tau$ directement.

C. Algorithme d'estimation

Les auteurs utilisent un algorithme de Formule G bayésienne :

1. Générer des tirages postérieurs des paramètres du modèle ($\theta$) en utilisant les données de $c_2$ et les priors spécifiés dérivés de $c_1$.
2. Simuler une grande population ($N$) sous des DTR spécifiques en utilisant ces tirages postérieurs.
3. Calculer la moyenne des résultats pour chaque tirage afin d'approcher la distribution postérieure de la moyenne du DTR ($\mu_{jk}$).
4. L'estimation finale est la moyenne de ces tirages postérieurs.

3. Contributions clés

1. Intégration de conception novatrice : Première étude proposant des méthodes analytiques spécifiquement pour les SMART de plateforme, combinant la nature adaptative des essais de plateforme avec les objectifs d'évaluation des DTR des SMART.
2. Estimateurs BIG : Développement d'un cadre bayésien flexible permettant un emprunt dynamique de données non concurrentes. Contrairement au regroupement standard, il tient compte des effets temporels potentiels via des priors adaptatifs.
3. Flexibilité des priors : Comparaison de multiples stratégies de priors (distance logarithmique, commensurable, commensurable mixte) pour gérer les degrés variables d'hétérogénéité entre les cohortes.
4. Application réelle : Démonstration de la méthode utilisant l'essai SNAP (S. aureus Network Adaptive Platform), un essai de plateforme adaptatif complexe pour les infections du sang.

4. Résultats des simulations

Les auteurs ont mené des simulations extensives sur cinq scénarios (variant les effets temporels, les DTR optimaux et les tailles d'échantillon) comparant :

• Séparé : Utilise uniquement les données de $c_2$.
• Regroupement : Regroupe les données de $c_1$ et $c_2$.
• Variantes BIG : Utilisant différents priors.

Constats principaux :

• Sans effets temporels (Scénarios 1–3) : L'approche de Regroupement a été la meilleure (variance/MSE la plus faible). Cependant, BIGlogdis, BIGcomP et BIGcommP ont performé presque aussi bien que le regroupement tout en maintenant une robustesse.
• Avec effets temporels (Scénarios 4–5) :
  • Le Regroupement a échoué de manière significative, produisant un biais élevé et des taux de couverture faibles en raison de la violation de l'échangeabilité.
  • Séparé et BIGweak sont restés sans biais mais ont présenté une variance plus élevée (efficacité inférieure).
  • BIG (Distance logarithmique/Commensurable) a réussi à équilibrer le compromis : ils ont atteint un biais inférieur au Regroupement et une variance inférieure à Séparé/BIGweak. Ils ont efficacement « sous-pondéré » les données pré-adaptation lorsque des effets temporels ont été détectés.
• Identification du DTR optimal : Les approches BIG ont constamment surpassé les approches Séparé et BIGweak pour identifier le véritable DTR optimal dans tous les scénarios.

5. Importance et conclusion

• Efficacité vs Validité : Les estimateurs BIG offrent un « juste milieu » entre l'inefficacité de l'ignorance des données historiques et le biais du regroupement aveugle. Cela est crucial pour les essais de plateforme où les effets temporels sont inévitables.
• Impact clinique : En permettant l'ajout de nouveaux traitements sans redémarrer les essais et en fournissant des méthodes statistiquement valides pour analyser les données complexes qui en résultent, cette méthodologie accélère le développement de séquences de traitement optimales pour les maladies chroniques et complexes.
• Perspectives futures : Les auteurs notent que bien qu'ils se soient concentrés sur un seul traitement ajouté et des modèles linéaires, les travaux futurs devraient étendre cela à plusieurs traitements ajoutés à différents stades et à des approches de modélisation plus flexibles (par exemple, l'apprentissage automatique) pour gérer les spécifications incorrectes des modèles.

En résumé, l'article établit un cadre statistique rigoureux pour les SMART de plateforme, prouvant que l'intégration bayésienne via la Formule G permet aux chercheurs d'exploiter efficacement les données non concurrentes sans compromettre la validité de l'estimation des Régimes de Traitement Dynamiques.