Causal Inference of Blood Pressure Reduction and Coronary Heart Disease Risk in the Framingham Study

En appliquant des méthodes d'inférence causale à l'étude Framingham Heart, cet article démontre que les calculateurs de risque observationnels standards surestiment d'environ 21,8 % le bénéfice absolu de la réduction de la pression artérielle sur le risque de maladie coronarienne en raison de facteurs de confusion, soulignant ainsi la nécessité critique de distinguer les probabilités conditionnelles des effets interventionnels dans la prise de décision clinique.

L'essentiel

Imaginez que vous essayez de déterminer dans quelle mesure une action spécifique — comme abaisser votre tension artérielle — aide réellement à prévenir une crise cardiaque. Pendant des décennies, les médecins et les calculateurs de risque ont utilisé une méthode qui examine les personnes qui ont naturellement une tension artérielle basse et les compare à celles qui ont naturellement une tension artérielle élevée.

Le problème, selon cette étude, est que cette comparaison revient à juger une course en regardant les chaussures des coureurs plutôt que leur capacité à courir.

Voici le détail de ce que les chercheurs ont découvert, en utilisant des analogies simples :

L'erreur « Naturel » vs « Forcé »

Pensez à la tension artérielle comme à la température dans une maison.

• L'ancienne méthode (Observationnelle) : Les chercheurs ont examiné des maisons naturellement fraîches et les ont comparées à des maisons naturellement chaudes. Ils ont constaté que les maisons chaudes avaient plus de vitres cassées (maladies cardiaques). Ils en ont conclu : « Si nous refroidissons la maison, nous sauverons beaucoup de vitres. »
• Le défaut : Les maisons naturellement chaudes ont souvent d'autres problèmes : elles sont plus anciennes, l'isolation est moins bonne et les propriétaires sont moins soigneux dans l'entretien. La chaleur n'est pas la seule raison pour laquelle les vitres se cassent ; l'âge et le mauvais entretien y contribuent aussi.
• La nouvelle méthode (Causale) : Cette étude a posé une question différente : « Si nous prenons une maison naturellement chaude et que nous forçons le thermostat à la baisse (en utilisant des médicaments), combien de vitres sauvons-nous réellement ? »

L'étude a révélé que l'« ancienne méthode » surestimait le bénéfice d'environ 22 %. Elle blâmait la chaleur pour toutes les vitres cassées, alors qu'en réalité, l'âge de la maison et le mauvais entretien causaient une grande partie des dégâts. Lorsque vous corrigez la chaleur, vous corrigez la chaleur, mais vous ne réparez pas magiquement l'âge ni les problèmes d'entretien.

La correction de la « Carte »

Pour obtenir cela correctement, les chercheurs ont dessiné une nouvelle « carte » (appelée graphe acyclique dirigé ou DAG) du fonctionnement de la santé cardiaque. Ils ont identifié quatre erreurs dans les cartes que tous les autres utilisaient :

1. Le tabagisme : Ils ont supprimé une ligne suggérant que le tabagisme cause directement l'hypertension artérielle dans ce contexte spécifique, réalisant qu'il affecte la santé cardiaque d'abord par d'autres voies (comme le cholestérol).
2. L'âge : Ils ont ajouté une ligne montrant que le vieillissement cause le diabète, qui affecte ensuite la santé cardiaque.
3. Les médicaments : Ils ont réalisé que la prise de comprimés contre l'hypertension est une conséquence de l'hypertension, et non une cause. Traiter les médicaments comme une cause revenait à blâmer l'extincteur pour avoir déclenché l'incendie.
4. L'historique : Ils ont cessé de comptabiliser « l'hypertension passée » comme une cause distincte, car il s'agit simplement d'un symptôme de l'hypertension actuelle.

En corrigeant ces erreurs de carte, ils ont pu calculer l'effet réel du « réglage du thermostat ».

Les résultats : Un chiffre plus honnête

Lorsqu'ils ont fait les mathématiques correctement :

• L'ancienne estimation : Abaisser la tension artérielle de 20 points préviendrait les maladies cardiaques chez environ 4,14 % des personnes.
• La nouvelle vérité : Abaisser la tension artérielle de 20 points prévient en réalité les maladies cardiaques chez environ 3,40 % des personnes.

Bien que 3,40 % semble toujours bon, l'étude montre que l'« ancienne estimation » était trop optimiste. Si un médecin utilise l'ancien chiffre pour décider de prescrire un médicament, il pourrait penser que le bénéfice est suffisant pour traiter un patient, alors que le réel bénéfice pourrait être juste en dessous du seuil de traitement.

Qui en bénéficie le plus ?

L'étude a également examiné si cette « correction » fonctionne différemment selon les personnes :

• Âge : Les personnes âgées semblent obtenir un bénéfice absolu plus important de l'abaissement de la tension artérielle que les personnes plus jeunes. Cela a du sens car les personnes âgées ont plus de « vitres cassées » au départ.
• Diabète : Les chercheurs ont tenté d'examiner les personnes diabétiques, mais il y en avait trop peu dans l'étude pour dire quoi que ce soit de fiable. Ils avertissent explicitement que nous ne pouvons pas encore tirer de conclusions sur les diabétiques à partir de ces données.

La conclusion

Cette étude ne dit pas « ne baissez pas la tension artérielle ». Elle dit : « Faites attention à l'ampleur du bénéfice que vous pensez obtenir en abaissant la tension artérielle. »

Les calculateurs de risque standards sont comme une prévision météorologique qui prédit une tempête en fonction de l'obscurité du ciel à l'instant présent, en ignorant que le ciel est sombre à cause d'un nuage d'orage qui s'éloigne déjà. En utilisant une méthode plus avancée (appelée inférence causale), les chercheurs ont montré que la « tempête » (le risque de maladie cardiaque) est légèrement moins sévère que ce que les anciennes prévisions indiquaient lorsque l'on isole l'effet de la tension artérielle seule.

Cela aide les médecins à prendre des décisions plus précises, en veillant à ne pas surestimer la « magie » d'un traitement unique lorsque le tableau global de la santé d'un patient est beaucoup plus complexe.

Résumé technique

Résumé technique : Inférence causale de la réduction de la pression artérielle et du risque de maladie coronarienne dans l'étude de Framingham

Énoncé du problème
Les calculateurs de risque cardiovasculaire standards, tels que le score de risque de Framingham et les équations de cohortes regroupées ACC/AHA, estiment la probabilité conditionnelle de maladie coronarienne (MC) étant donné un profil de pression artérielle spécifique, $P(\text{MC} \mid \text{PAS}=s, Z=z)$. Cette quantité reflète la fréquence observée de la maladie parmi les individus qui présentent naturellement certaines caractéristiques. Cependant, la prise de décision clinique concernant la thérapie antihypertensive nécessite la quantité interventionnelle, $P(\text{MC} \mid \text{do}(\text{PAS}=s))$, qui représente le risque si la pression artérielle était fixée pharmacologiquement à une valeur cible, indépendamment de l'état biologique sous-jacent du patient (par exemple, âge, obésité, dysrégulation métabolique).

L'article soutient que la confusion entre ces deux quantités conduit à une surestimation systématique du bénéfice absolu de la réduction de la pression artérielle. Les individus ayant une pression artérielle naturellement élevée possèdent souvent une charge plus élevée de comorbidités (âge plus avancé, IMC plus élevé, diabète) par rapport à ceux ayant une pression artérielle plus basse. Les estimations observationnelles capturent le risque associé à l'ensemble de ce profil, alors que la thérapie antihypertensive ne fait que rompre le chemin causal reliant la pression aux événements vasculaires. Par conséquent, les outils observationnels peuvent gonfler l'efficacité perçue du traitement, influençant potentiellement les seuils de prescription et la stratification du risque.

Méthodologie
L'étude applique le calcul do de Pearl et la modélisation causale structurelle à la cohorte des descendants de l'étude cardiaque de Framingham ($n=4\,240$ ; analyse principale sur $n=3\,776$ cas complets). Le pipeline méthodologique comprend :

1. Spécification du modèle causal structurel (DAG) : Un graphe acyclique dirigé (DAG) a été construit avec 11 nœuds et 24 arêtes. Les auteurs ont introduit quatre corrections motivées biologiquement par rapport aux formulations antérieures :

   • Suppression de Tabagisme $\to$ PAS : Reconnaissant que, bien que la nicotine provoque une vasoconstriction aiguë, elle ne constitue pas un chemin causal structurel au niveau de la population allant du statut tabagique à la pression artérielle systolique soutenue dans ce contexte transversal.
   • Ajout de Âge $\to$ Diabète : Intégrant l'augmentation marquée de l'incidence du diabète de type 2 avec l'âge, reconnaissant l'âge comme une cause partagée de l'élévation de la pression artérielle et de la MC.
   • Reclassification du traitement médicamenteux (BPMEDS) : Traitant le traitement antihypertenseur comme un descendant de la pression artérielle systolique (PAS) plutôt que comme un facteur de confusion. Son inclusion dans l'ensemble de réglage induirait un biais de collier.
   • Exclusion de l'hypertension prévalente : Retirant l'hypertension prévalente de l'ensemble de réglage principal pour éviter un biais de surajustement, car elle est causalement en aval de la pression artérielle à long terme.

   La validité du DAG a été testée par des tests d'indépendance conditionnelle (corrélations partielles), tous validés au seuil $\alpha=0,05$.

2. Estimation de l'effet causal :

   • Estimateur principal : La g-computation (standardisation) a été utilisée pour estimer l'effet causal moyen (ACE) d'une réduction de 20 mmHg de la PAS. L'ensemble de réglage par la porte arrière $Z = \{\text{Âge, Sexe, IMC, Tabagisme actuel}\}$ a été utilisé. Le cholestérol total et le glucose ont été inclus comme covariables de précision dans la régression de l'issue.
   • Triangulation : Les résultats ont été corroborés en utilisant l'appariement par score de propension (PSM) stratifié par sexe et le pondération par l'inverse de la probabilité (IPW).
   • Hétérogénéité : Les effets moyens de traitement conditionnels (CATE) ont été estimés en utilisant les méta-apprentissages R-Learner et T-Learner avec des modèles de nuisance à gradient boosté pour évaluer la modification de l'effet par l'âge, le sexe et le statut diabétique.
   • Robustesse : L'étude a employé des tests de réfutation par permutation et des instruments placebo (par exemple, fréquence cardiaque $\to$ âge) pour valider les estimations causales. Les valeurs E ont été calculées pour quantifier la robustesse des résultats face à des facteurs de confusion non mesurés.

Résultats clés

• Écart Prédiction-Causalité : L'approche de g-computation a produit un ACE de 3,40 % de réduction absolue du risque (IC à 95 % par bootstrap : 2,64 %–4,14 %) pour une réduction de 20 mmHg de la PAS. En revanche, l'estimation observationnelle naïve était de 4,14 %. Cela représente une surestimation relative d'environ 21,8 % par l'approche observationnelle.
• Source du biais : La divergence est entraînée par le regroupement de l'âge avancé, d'un IMC plus élevé et d'une dysrégulation métabolique avec une pression artérielle élevée. L'estimation observationnelle capture le risque du profil comorbide, et non seulement la réduction de la pression artérielle.
• Hétérogénéité : Une hétérogénéité statistiquement significative a été détectée entre les strates d'âge ($p < 0,001$) et le statut diabétique ($p < 0,001$). Les patients plus âgés (45–64 ans) ont montré des réductions absolues de risque estimées plus élevées (~4,5–4,8 %) par rapport aux patients plus jeunes (<45 ans, ~2,2 %).
• Limites des sous-groupes : Les estimations pour le sous-groupe diabétique ($n=109$) étaient instables et sous-puissantes, avec un intervalle de confiance large croisant zéro. Les auteurs déclarent explicitement qu'aucune inférence fiable concernant un bénéfice différentiel chez les diabétiques ne peut être tirée de ces données sans réplication.
• Robustesse : La borne inférieure de la valeur E était de 2,18, indiquant qu'un facteur de confusion non mesuré devrait avoir un ratio de risque d'au moins 2,18 à la fois avec la PAS et la MC pour expliquer entièrement l'effet observé. Cela dépasse la force d'association de toutes les covariables mesurées.

Signification et affirmations
L'article prétend être le premier à quantifier l'ampleur du biais dans les outils de risque cardiovasculaire observationnels standards au sein de la cohorte de Framingham, démontrant que ces outils peuvent surestimer le bénéfice absolu du traitement antihypertenseur d'environ un cinquième.

Les auteurs soutiennent que cette surestimation a des conséquences cliniques directes. Pour les patients proches des seuils de prescription, une inflation de 21,8 % du bénéfice estimé pourrait conduire à des décisions de traitement où le bénéfice causal réel tombe en dessous d'un seuil cliniquement significatif. L'étude suggère que la stratification du risque clinique devrait idéalement reposer sur des estimations interventionnelles plutôt que sur des associations conditionnelles.

Sur le plan méthodologique, l'article contribue à un pipeline reproductible de bout en bout intégrant l'évaluation du DAG, la g-computation, le PSM, l'IPW et les méta-apprentissages semi-paramétriques. Il met en évidence des erreurs structurelles spécifiques dans les analyses causales antérieures de données cardiovasculaires, en particulier le traitement incorrect du traitement antihypertenseur comme facteur de confusion plutôt que comme descendant de la pression artérielle, ce qui introduit un biais de collier.

Limites reconnues par les auteurs
Les auteurs maintiennent un ton modeste concernant leurs conclusions, notant plusieurs limites :

• Facteurs de confusion non mesurés : L'hypothèse d'absence de facteurs de confusion non mesurés est invérifiable ; des facteurs tels que l'alimentation, l'activité physique et la génétique pourraient biaiser les résultats.
• Nature transversale : L'analyse repose sur des données de base, ne tenant pas compte des facteurs de confusion variant dans le temps sur les 10 ans de suivi, ce qui peut conduire à des estimations conservatrices.
• Simplification du DAG : Le DAG est une représentation simplifiée ; des échecs dans certains tests placebo suggèrent des causes partagées latentes non encodées dans le modèle.
• Généralisabilité : La cohorte des descendants de Framingham est un échantillon majoritairement blanc, basé sur la communauté, du New England du milieu du XXe siècle, limitant la généralisabilité aux populations contemporaines, diversifiées ou à plus haut risque.
• Puissance des sous-groupes : L'analyse du sous-groupe diabétique est explicitement signalée comme sous-puissante et peu fiable pour l'inférence.

L'étude présente ses résultats comme générant des hypothèses, appelant à une validation future par rapport aux données d'essais randomisés (par exemple, SPRINT, ACCORD-BP) et à une réplication dans des cohortes plus vastes et plus diversifiées.