Semi-supervised Method for Risk Prediction with Doubly Censored EHR Data

Résumé Technique : Méthode Semi-supervisée pour la Prédiction du Risque avec des Données de Dossiers Médicaux Électroniques Doublement Censurées

Énoncé du Problème
L'article aborde le défi de l'estimation des effets de risque (coefficients de régression) dans les données de Dossiers Médicaux Électroniques (DME) où les temps d'événement sont soumis à une double censure (à la fois à gauche et à droite). Dans de nombreux contextes cliniques, le moment réel de l'apparition d'une maladie peut précéder la première visite enregistrée (censure à gauche) ou rester inobservé à la fin du suivi (censure à droite). De plus, l'obtention de temps d'événement « de référence » nécessite souvent des revues manuelles de dossiers fastidieuses, ce qui aboutit à un scénario où seule une petite sous-ensemble de patients (l'ensemble étiqueté) dispose de données de résultat précises, tandis que la grande majorité (l'ensemble non étiqueté) n'en dispose pas.

Bien que des résultats de substitution (par exemple, le temps jusqu'au premier code diagnostique) soient disponibles pour l'ensemble de la cohorte, ils sont sujets à des erreurs de classification. Se fier uniquement au petit ensemble étiqueté entraîne une variabilité élevée, tandis que l'utilisation directe de substituts sujets à erreur introduit un biais. Les méthodes d'apprentissage semi-supervisé (SSL) existantes sont efficaces pour des résultats binaires ou censurés à droite, mais ne prennent pas en compte les complexités de la double censure.

Méthodologie
Les auteurs proposent un cadre novateur d'apprentissage semi-supervisé (SSL) pour la prédiction du risque sous double censure, utilisant un modèle de transformation linéaire semi-paramétrique :
$$h(T) = -\beta'Z + \varepsilon$$
où $T$ est le temps d'événement, $Z$ est un vecteur de covariables, $h$ est une fonction croissante inconnue, et $\varepsilon$ suit une distribution connue.

La procédure d'estimation comporte deux étapes principales :

1. Estimation Supervisée : Un estimateur supervisé ($\hat{\beta}_{SL}$) est dérivé en utilisant uniquement les données étiquetées ($D_l$) via une approche de vraisemblance maximale non paramétrique employant un algorithme Espérance-Maximisation (EM) avec des variables de Poisson indépendantes spécifiques au sujet.
2. Augmentation : L'estimateur supervisé est augmenté en utilisant des informations provenant du grand ensemble non étiqueté ($D_u$) contenant des résultats de substitution ($T^*$). Les auteurs supposent un modèle de travail pour le substitut $T^*$ avec des paramètres $\theta = (\gamma, \alpha)$. Deux modèles de travail spécifiques sont proposés :
   • Modèle 1 (Même Structure) : Suppose que $T^*$ suit le même modèle de transformation linéaire semi-paramétrique que $T$ (Éq. 4).
   • Modèle 2 (Structure Flexible) : Suppose un modèle de transformation plus flexible où la distribution d'erreur est inconnue et potentiellement corrélée à l'erreur réelle (Éq. 5). Ce modèle utilise une fonction de perte convexe combinant un modèle logistique pour la probabilité de censure à gauche et un modèle de Cox pour la partie censurée à droite.

L'estimateur semi-supervisé final ($\hat{\beta}_{SSL}$) est construit en ajustant $\hat{\beta}_{SL}$ avec un terme proportionnel à la différence entre l'estimateur du paramètre de substitut $\gamma$ dérivé des données combinées ($\bar{\gamma}$) et des données étiquetées ($\hat{\gamma}$). Un estimateur combiné ($\hat{\beta}_{SSL3}$) est également proposé en empilant les termes d'augmentation des deux modèles de travail pour maximiser l'efficacité.

Contributions Clés

• Nouveauté Méthodologique : L'article comble une lacune dans la littérature en développant des méthodes SSL spécifiquement pour des données doublement censurées, un scénario précédemment non abordé par les cadres SSL existants.
• Validité Théorique : Les auteurs établissent les propriétés asymptotiques des estimateurs proposés, prouvant la consistance et la normalité asymptotique. Ils démontrent que les estimateurs SSL sont plus efficaces que l'estimateur supervisé ($\hat{\beta}_{SL}$) indépendamment du fait que les modèles de travail pour le substitut soient correctement spécifiés.
• Gain d'Efficacité : Il est démontré que l'estimateur combiné est au moins aussi efficace que les estimateurs basés sur des modèles de travail uniques.
• Robustesse : Le cadre est conçu pour gérer le taux élevé de données manquantes pour les vraies étiquettes (où le taux de manque approche 1), rendant les méthodes standard de données manquantes inapplicables.

Résultats

• Études de Simulation : Des simulations extensives avec des tailles d'échantillon et des distributions d'erreur variables (incluant des cas où le modèle de travail est mal spécifié) montrent que les estimateurs SSL proposés réduisent significativement l'erreur standard par rapport aux méthodes supervisées. L'efficacité relative (ER) des estimateurs SSL variait d'environ 1,35 à 1,52 par rapport à l'estimateur supervisé. L'estimateur combiné ($\hat{\beta}_{SSL3}$) a constamment atteint la plus haute efficacité.
• Application sur Données Réelles : La méthode a été appliquée à des données de DME d'un système de santé américain pour étudier les facteurs de risque du diabète de type 2 (DT2). L'ensemble de données comprenait 115 236 patients, dont seulement 1 613 avaient des temps d'apparition (étiquetés) revus manuellement. Les estimateurs SSL ont produit des erreurs standard substantiellement plus faibles que l'estimateur supervisé, avec des efficacités relatives atteignant jusqu'à 1,81. Les résultats ont confirmé qu'un âge d'inscription plus élevé est associé à un apparition ultérieure du DT2, tandis que le sexe masculin et une race non blanche sont associés à un risque plus élevé.

Signification et Revendications
Les auteurs affirment que leur méthode fournit une manière fondée pour intégrer des étiquettes de référence limitées avec des données de substitution à grande échelle sous double censure. La signification principale réside dans l'amélioration substantielle de l'efficacité de l'estimation, qui réduit la dépendance aux revues manuelles de dossiers coûteuses et fastidieuses. En tirant parti des données de DME non étiquetées abondantes, la méthode rend l'étude des facteurs de risque de maladies dans des contextes réels plus réalisable et statistiquement robuste. L'article note modestement que, bien que le gain d'efficacité dépende de la force de l'association entre le substitut et le vrai résultat, le cadre proposé reste consistant même en cas de mauvaise spécification du modèle. Des travaux futurs sont suggérés pour étendre le cadre afin de prendre en compte la censure dépendante des covariables et les mécanismes manquants au hasard (MAR).