Robust and Data-Adaptive Integration of Nonconcurrent Data in Platform Trials via Gaussian Processes

Résumé technique : Intégration robuste et adaptative aux données de données non concurrentes dans les essais de plateforme via des processus gaussiens

Énoncé du problème
Les essais de plateforme offrent une conception efficace pour évaluer simultanément plusieurs traitements sous un seul protocole maître. Cependant, l'inférence statistique dans ces essais fait face à une tension critique entre efficacité et validité. Les méthodes robustes traditionnelles limitent l'analyse aux participants « randomisés de manière concurrente » — ceux inscrits pendant les périodes où tous les traitements comparés sont disponibles — afin d'éviter les biais liés aux tendances temporelles (par exemple, les changements dans les populations de patients ou la prise en charge standard). Bien que cela assure la validité, cela rejette les données « non concurrentes » (généralement issues des bras de contrôle inscrits avant l'introduction d'un nouveau bras de traitement), entraînant une perte de puissance statistique et de précision.

Les approches existantes pour intégrer les données non concurrentes souffrent souvent de limitations : elles peuvent manquer d'estimands causaux formellement définis, reposer sur des modèles paramétriques soit trop simplistes, soit opaques, ou dépendre d'hypothèses fortes comme l'échangeabilité conditionnelle. De plus, de nombreuses méthodes ne fournissent pas de mécanismes transparents pour expliquer comment les observations individuelles contribuent à l'estimation finale, rendant difficile le diagnostic de savoir si l'emprunt d'informations est bénéfique ou nuisible dans une application spécifique.

Méthodologie
Les auteurs proposent un cadre flexible et interprétable basé sur les processus gaussiens (GP), conçu pour intégrer les données non concurrentes tout en contrôlant le biais. La méthodologie s'appuie sur l'inférence causale et l'apprentissage automatique, ciblant l'estimand « entièrement éligible de manière concurrente » (ECE) défini par Qian et al. (2025).

1. Cadre et Estimand :
   L'estimand cible est le contraste entre les résultats potentiels attendus pour deux traitements au sein de la population ECE (individus éligibles aux deux traitements pendant les périodes où les deux sont disponibles). Le cadre utilise le temps calendaire d'inscription comme covariable critique, exploitant la « régularité temporelle » inhérente aux essais de plateforme où les distributions de patients évoluent progressivement au fil du temps.

2. Modèles à processus gaussiens :

   • GP à tâche unique : Ajuste un GP séparé pour chaque bras de traitement, modélisant la trajectoire des résultats comme une fonction latente du temps d'inscription plus du bruit. Cela capture la régularité temporelle via une fonction de noyau (par exemple, exponentielle carrée ou Matérn).
   • GP à tâches multiples : Décompose les résultats en une fonction de base partagée (commune à tous les bras) et une fonction d'effet de traitement. Cette structure exploite le fait que, bien que les risques de base puissent évoluer au fil du temps, les effets de traitement restent souvent relativement stables. Le modèle utilise un noyau composite pour capturer à la fois la variance intra-bras et la covariance inter-bras.

3. Estimation et Inférence :
   Le cadre ajuste le GP en utilisant tous les participants éligibles (concurrents et non concurrents), mais ne moyenne l'estimation de l'effet de traitement que sur la population éligible de manière concurrente. Cela ancre l'estimand à la définition ECE tout en permettant aux données non concurrentes d'informer de manière adaptative l'ajustement du GP. L'inférence est réalisée par un bootstrap bayésien pour tenir compte à la fois de l'incertitude postérieure et de la variabilité d'échantillonnage.

4. Interprétation fréquentiste :
   Les auteurs établissent un lien entre la moyenne postérieure du GP et la régression ridge à noyau (KRR). Cela fournit une interprétation fréquentiste transparente où l'estimateur est une combinaison linéaire pondérée des résultats observés. Les poids dépendent des hyperparamètres du noyau et de la proximité des temps d'inscription, quantifiant explicitement la contribution des données non concurrentes.

5. Extensions :
   Le cadre est étendu pour gérer des résultats discrets (binaires ou de comptage) via des modèles linéaires généralisés avec des vraisemblances de la famille exponentielle, et pour ajuster les covariables de base grâce à des noyaux additifs ou multiplicatifs.

Garanties théoriques clés
L'article établit deux résultats théoriques principaux concernant les propriétés des estimateurs proposés :

• Réduction de la variance : L'intégration des contrôles non concurrents est prouvée pour réduire la variance postérieure de la moyenne des résultats (tâche unique) et de la fonction d'effet de traitement (tâches multiples). Cela tient car la conditionnalisation d'un processus gaussien sur des variables supplémentaires n'augmente jamais la variance conditionnelle.
• Contrôle du biais : Le biais introduit par les données non concurrentes est borné par une quantité qui n'augmente pas lorsque des contrôles non concurrents sont ajoutés. Bien que le biais lui-même ne soit pas garanti de diminuer, la borne est non croissante, assurant que les gains d'efficacité ne se font pas au prix d'une inflation incontrôlée du biais, à condition que le modèle de travail soit raisonnable.

Résultats
Les auteurs valident la méthode par le biais d'études de simulation et d'une application sur des données réelles :

• Simulations : Dans un essai de plateforme simulé avec deux fenêtres d'inscription, les méthodes GP proposées (tâche unique et tâches multiples) ont démontré des performances supérieures par rapport aux références basées uniquement sur les données concurrentes (ANOVA, ANHECOVA) et d'autres méthodes non concurrentes (Time Machine bayésien, LR-EW).
  • Le GP à tâches multiples intégrant toutes les données a atteint une erreur standard plus faible (0,395) que toute méthode basée uniquement sur les données concurrentes (par exemple, 0,420 pour ANHECOVA) tout en maintenant une couverture proche du nominal (94,4 %).
  • Les méthodes concurrentes ont montré des inconvénients significatifs : le Time Machine bayésien a exhibited une sensibilité élevée à la spécification a priori avec des intervalles de crédibilité excessivement larges, tandis que le modèle linéaire avec ajustement de la fenêtre d'inscription (LR-EW) a souffert de biais lorsque les tendances temporelles étaient non linéaires.
  • Même dans des conditions de mauvaise spécification (changements temporels abrupts), les méthodes GP ont maintenu un biais contrôlé et surpassé les concurrents, bien que la couverture ait légèrement diminué.
• Application sur données réelles : La méthode a été appliquée à un essai de plateforme hypothétique construit à partir de l'essai SURMOUNT-1 sur l'obésité. Les méthodes GP intégrant des contrôles non concurrents ont réduit la variance intra-imputation de 12 à 16 % par rapport aux analyses basées uniquement sur les données concurrentes, avec des estimations ponctuelles stables, suggérant des gains d'efficacité réussis sans introduire de biais significatif.

Signification et revendications
L'article revendique offrir une solution fondée sur des principes au compromis efficacité-validité dans les essais de plateforme. En exploitant la régularité temporelle de l'inscription, le cadre GP proposé permet l'intégration robuste des données non concurrentes sans rejeter d'informations précieuses. Les contributions clés incluent :

• Transparence : Le lien avec la régression ridge à noyau fournit des poids explicites pour chaque observation, permettant aux chercheurs de diagnostiquer l'influence des données non concurrentes.
• Rigueur théorique : L'établissement de la réduction de la variance et de bornes de biais non croissantes fournit une garantie formelle de la robustesse de la méthode.
• Flexibilité : Le cadre s'adapte à divers types de résultats et ajustements de covariables, dépassant les limites des approches paramétriques ou non paramétriques précédentes.
• Implémentation : Les auteurs fournissent une implémentation dans le package R RobinCID, facilitant l'application pratique.

Les auteurs concluent que, bien que la méthode améliore l'efficacité de l'estimation, il reste essentiel d'examiner les tendances temporelles, car le degré d'emprunt et le biais potentiel dépendent de la validité de l'hypothèse de régularité. L'article ne revendique pas d'éliminer totalement le biais, mais plutôt de le contrôler dans une borne non croissante tout en réduisant considérablement la variance.