Generalizing conditional average treatment effects from nested randomized trials to all trial-eligible individuals

Résumé technique : Généralisation des effets moyens conditionnels du traitement à partir d'essais randomisés imbriqués

Énoncé du problème
Les essais contrôlés randomisés (ECR) recrutent souvent des participants dont les caractéristiques diffèrent de la population cible plus large des individus éligibles à l'essai. Bien que les méthodes de généralisation existantes se concentrent principalement sur l'estimation de l'effet moyen du traitement (ATE) dans la population cible, de tels résumés peuvent masquer une hétérogénéité importante pertinente pour la prise de décision clinique et politique. Plus précisément, lorsque des modificateurs d'effet clés diffèrent entre l'essai et la population cible, l'effet du traitement estimé au sein de l'essai peut ne pas être applicable à la population plus large. De plus, les approches existantes pour généraliser l'effet moyen conditionnel du traitement (CATE) ont largement reposé sur des spécifications paramétriques ou restreint l'analyse à des sous-groupes discrets, ce qui les rend difficiles à appliquer lors de l'estimation des CATE en tant que fonctions de covariables continues ou multiples. En outre, les méthodes d'estimation CATE semiparamétriques standard supposent généralement que la population de l'étude coïncide avec la population cible, ne parvenant pas à traiter la participation sélective à l'essai.

Méthodologie
Les auteurs proposent un cadre semiparamétrique unifié pour estimer le CATE dans une population cible d'individus éligibles à l'essai sous un design d'essai imbriqué (où les participants de l'essai sont recrutés à partir d'une cohorte plus large). La méthodologie distingue entre les variables utilisées pour ajuster la participation sélective à l'essai et les variables utilisées pour définir l'hétérogénéité de l'effet du traitement.

L'approche se déroule en deux étapes :

1. Première étape (Estimation des paramètres de nuisance et construction de pseudo-résultats) : Les auteurs utilisent des méthodes adaptatives aux données (apprentissage automatique) pour estimer les fonctions de nuisance nécessaires, notamment le mécanisme de sélection de l'essai $P(S=1|X)$, la probabilité d'attribution du traitement $P(A|X,S=1)$ et la régression du résultat $E(Y|A,X,S=1)$. En utilisant ces estimations, ils construisent des pseudo-résultats basés sur la fonction d'influence conditionnelle dérivée de l'estimand cible. Cette dérivation repose sur la fonction d'influence conditionnelle $\phi_{CATE}(O)$, qui sert d'équation d'estimation orthogonale de Neyman conditionnelle.
2. Deuxième étape (Régression linéaire locale) : Les pseudo-résultats construits sont régressés sur les modificateurs d'effet sélectionnés ($V$) en utilisant une régression linéaire locale (à noyau). Cela permet d'estimer une fonction CATE lisse sans nécessiter la discrétisation des covariables ni une spécification paramétrique du modèle CATE.

Pour assurer une inférence asymptotique valide et réduire le biais de surajustement, l'algorithme emploie le fractionnement des échantillons et l'ajustement croisé. Les données sont partitionnées en sous-ensembles disjoints ; les fonctions de nuisance sont estimées sur un sous-ensemble et appliquées pour construire des pseudo-résultats pour l'autre, qui sont ensuite utilisés dans la régression locale.

Contributions clés

• Cadre unifié : L'article développe un cadre unifié qui intègre des techniques semiparamétriques pour la généralisabilité avec des méthodes flexibles d'apprentissage automatique pour l'estimation du CATE, spécifiquement adaptées aux designs d'essais imbriqués.
• Fonctions d'influence conditionnelles : Les auteurs dérivent la fonction d'influence conditionnelle pour le CATE dans la population cible, fournissant une base principielle pour construire des pseudo-résultats qui tiennent compte à la fois de la participation sélective et de l'hétérogénéité de l'effet du traitement.
• Flexibilité : La méthode prend en charge des modificateurs d'effet continus et multivariés sans discrétisation et permet aux investigateurs d'ajuster un ensemble riche de covariables pour la participation à l'essai tout en restreignant les résumés de l'effet du traitement à un ensemble plus restreint de modificateurs cliniquement significatifs.
• Validité asymptotique : Les résultats théoriques démontrent que, sous des conditions de régularité (incluant des taux de convergence en moyenne quadratique pour les estimateurs de nuisance), l'estimateur proposé converge à la même vitesse que si les fonctions de nuisance étaient connues, et l'erreur d'estimation dans les fonctions de nuisance est asymptotiquement négligeable.

Résultats

• Simulations : La performance en échantillon fini a été évaluée par des simulations avec des résultats binaires et continus. L'estimateur de régression linéaire locale proposé a considérablement réduit le biais par rapport à une approche de régression linéaire naïve. Bien qu'un estimateur « oracle » (utilisant la forme fonctionnelle vraie) ait été le plus performant, la méthode proposée a surpassé l'approche naïve à travers diverses tailles d'échantillon. La méthode a atteint des probabilités de couverture proches des niveaux nominaux, bien qu'une légère sous-coverage ait été observée pour les résultats continus, attribuée au biais de lissage en échantillon fini inhérent à la ciblage d'un paramètre lissé plutôt que de la valeur ponctuelle exacte.
• Application (CASS) : La méthode a été appliquée à l'étude sur la chirurgie des artères coronaires (CASS) pour estimer les différences de risque de mortalité à 10 ans conditionnelles à la fraction d'éjection de base, stratifiées par les antécédents d'infarctus du myocarde. Les résultats ont révélé des modèles distincts d'hétérogénéité de l'effet du traitement entre les patients avec et sans antécédents d'infarctus du myocarde. Plus précisément, le CATE lissé pour les patients ayant un antécédent d'infarctus du myocarde augmentait approximativement de manière linéaire avec la fraction d'éjection, tandis que pour ceux sans antécédents, le CATE restait proche de zéro sur la plage médiane des fractions d'éjection. Ces résultats étaient cohérents avec les analyses paramétriques antérieures mais fournissaient une visualisation non paramétrique plus flexible de l'hétérogénéité.

Signification et revendications
L'article affirme que son approche permet une estimation flexible et interprétable de l'hétérogénéité de l'effet du traitement dans la population cible tout en évitant des hypothèses paramétriques restrictives. En séparant l'ajustement pour la participation sélective de la caractérisation de l'hétérogénéité de l'effet, le cadre comble une lacune critique dans la littérature sur la généralisabilité. Les auteurs notent que leur inférence cible une version lissée du CATE, ce qui améliore la stabilité en échantillon fini. Ils reconnaissent qu'une inférence valide pour le paramètre ponctuel exact nécessiterait un sous-lissage ou une correction du biais (par exemple, l'estimation de dérivées d'ordre supérieur), ce qui est laissé pour des travaux futurs. L'étude conclut que la prise en compte des différences dans les distributions des modificateurs d'effet entre l'essai et les populations cibles est essentielle pour une inférence valide sur l'hétérogénéité de l'effet du traitement et pour éclairer la prise de décision dans la population cible.