Résumé technique : Détection de facteurs de confusion via l'intention de traitement (CDTI)

Énoncé du problème

En inférence causale, les essais contrôlés randomisés (ECR) constituent la référence absolue, mais ils sont souvent limités par des contraintes de coût, de temps et des considérations éthiques, ce qui impose l'utilisation de données observationnelles. Cependant, les études observationnelles font face au défi critique du facteur de confusion non observé (FCNO) : la présence de variables influençant à la fois l'allocation du traitement ($X$) et le résultat ($Y$), mais qui ne sont pas enregistrées dans l'ensemble de données. Les méthodes d'ajustement standard (par exemple, le critère de la porte arrière) échouent lorsque de telles variables sont absentes.

Bien que les experts du domaine possèdent une connaissance de ces facteurs non observés (par exemple, la perception par un médecin de la difficulté respiratoire d'un patient), ils sont rarement formés à les énumérer de manière abstraite. Les méthodes existantes pour faire émerger les FCNO sont limitées. Cet article comble le vide consistant à identifier systématiquement des candidats FCNO en exploitant le processus de prise de décision de l'agent attribuant le traitement.

Méthodologie : Détection de facteurs de confusion via l'intention de traitement (CDTI)

Les auteurs proposent une nouvelle conception d'étude observationnelle appelée Détection de facteurs de confusion via l'intention de traitement (CDTI). La prémisse centrale est que tout facteur de confusion non observé $U$ affectant la décision de traitement $X$ doit être disponible pour le décideur (DM) au moment de la décision. Au lieu de demander au DM de lister les facteurs de confusion de manière abstraite, la méthode interroge le DM pour comparer des paires spécifiques d'unités (patients) afin de faire émerger les raisons des décisions de traitement différentielles.

Composantes du cadre

Le cadre se compose de deux stratégies principales :

1. Stratégie d'appariement ($\mathcal{M}$) : Une méthode rigoureuse pour sélectionner des paires d'unités $(i, j)$ où $X_i=1$ (traité) et $X_j=0$ (non traité) à présenter à l'expert.
2. Stratégie d'extraction ($\varepsilon$) : Une méthode pour traiter le raisonnement de l'expert afin d'identifier des variables candidates non observées.

Stratégies d'appariement

L'article formalise trois stratégies d'appariement spécifiques conçues pour maximiser la probabilité que l'explication du DM repose sur des variables non observées ($U$) plutôt que sur des covariables observées ($Z$) :

• Appariement sur $Z$ ($\mathcal{M}_{Z\text{-match}}$) : Sélectionne des paires ayant des covariables observées identiques ($Z_i = Z_j$). Si le traitement diffère, l'explication doit résider dans $U$.
• Appariement sur $\pi$ ($\mathcal{M}_{\pi\text{-match}}$) : Sélectionne des paires ayant des scores de propension identiques ($\pi(Z_i) = \pi(Z_j)$). Cela permet un appariement dans des espaces de haute dimension où l'appariement exact sur $Z$ est irréalisable.
• Domination sur $Z$ ($\mathcal{M}_{Z\text{-dom}}$) : Sélectionne des paires où l'unité traitée est strictement « plus petite » (moins grave) que l'unité non traitée sur toutes les dimensions observées ($Z_i \le Z_j$). Intuitivement, si un patient « en meilleure santé » reçoit un traitement tandis qu'un patient « plus malade » n'en reçoit pas, la décision doit être motivée par des marqueurs de gravité non observés.

Fondements théoriques

Les auteurs établissent des résultats de dominante stochastique (Théorème 1) sous des hypothèses spécifiques (monotonie de la probabilité de traitement en fonction de $U$, et log-supermodularité de la distribution conjointe de $U$ étant donné $Z$). Ces théorèmes prouvent que, sous les stratégies d'appariement proposées, la distribution des facteurs de confusion non observés $U$ pour l'unité traitée est stochastiquement plus grande que pour l'unité non traitée. Cela crée un décalage systématique qui rend $U$ l'explication la plus probable de la différence de traitement.

De plus, l'article analyse les stratégies d'extraction, définissant la probabilité de « succès » (identification précise d'un véritable FCNO). Les résultats théoriques (Théorèmes 2 et 3) démontrent que :

• La domination sur $Z$ augmente prouvablement la précision par rapport à l'appariement sur $Z$ dans le cas d'une extraction parfaite.
• L'appariement sur $\pi$ domine l'appariement marginal (aléatoire) lorsque les covariables observées $Z$ expliquent une part significative de la variation par rapport à $U$.

Contributions clés

1. Formalisation du CDTI : Introduction d'une nouvelle conception d'étude qui fait émerger systématiquement des facteurs de confusion non observés en interrogeant les décideurs sur des paires appariées.
2. Garanties théoriques : Développement d'un cadre comprenant des stratégies d'appariement et d'extraction, soutenu par des théorèmes de dominance stochastique caractérisant les conditions dans lesquelles ces stratégies produisent des paires informatives.
3. Validation empirique en soins intensifs :
   • Démonstration que les estimations issues des dossiers médicaux électroniques (DME) pour la ventilation mécanique sont fortement biaisées par des facteurs de confusion (les estimations suggèrent une mortalité accrue, contredisant l'intuition clinique).
   • Validation de la méthodologie à l'aide d'un jeu de données semi-synthétique dérivé de MIMIC-III, où la vérité terrain concernant les facteurs de confusion non observés est connue (extraite des notes textuelles cliniques).
   • Application aux données réelles de MIMIC-III pour découvrir des facteurs de confusion cliniquement plausibles (par exemple, épanchement pleural, dyspnée, pneumonie) qui sont souvent absents des champs structurés des DME.

Résultats expérimentaux

• Vérification synthétique : Les expériences ont confirmé que la domination sur $Z$ surpasse l'appariement sur $Z$ lorsque les conditions théoriques sont remplies, et que l'appariement sur $\pi$ surpasse l'appariement marginal lorsque le rapport signal-bruit des covariables observées est élevé.
• MIMIC-III semi-synthétique : En utilisant les notes cliniques comme substitut pour $U$, l'étude a montré que les paires sélectionnées via l'appariement sur $\pi$ et la domination sur $Z$ ont produit des taux de succès significativement plus élevés dans l'identification de véritables facteurs de confusion non observés par rapport à un appariement aléatoire.
• Application réelle :
  • La méthode a identifié avec succès 20 facteurs de confusion candidats à haute fréquence à partir des notes cliniques, dont 17 ont été jugés cliniquement plausibles (par exemple, altération pulmonaire, SIRS, hémorragie).
  • Effet sur le TTT (ETT) : Lorsque les facteurs de confusion détectés ont été ajoutés à l'ensemble d'ajustement pour estimer l'effet du traitement sur les traités (ETT) de la ventilation mécanique, les estimations ont légèrement changé mais ne sont pas passées à zéro ni n'ont devenu statistiquement significatives. Les auteurs attribuent cela à la nature bruyante et partielle des données textuelles (les concepts sont documentés pour une minorité de patients seulement), suggérant que, bien que la méthode identifie des candidats, le substitut actuel (indicateurs binaires issus des notes) ne permet peut-être pas de retrouver pleinement la validité de la porte arrière.

Importance et affirmations

L'article prétend fournir une base théorique pour une nouvelle conception d'étude observationnelle qui comble le fossé entre les données observationnelles brutes et l'expertise du domaine. Son importance principale réside dans :

• L'offre d'une alternative systématique et rigoureuse à l'élucidation ad hoc par des experts pour découvrir des facteurs de confusion non observés.
• La fourniture de garanties de dominance stochastique justifiant pourquoi certaines stratégies d'appariement (comme la domination sur $Z$ et l'appariement sur $\pi$) sont plus susceptibles de révéler des facteurs non observés que d'autres.
• La démonstration d'une preuve de concept dans un contexte médical à haut risque (soins intensifs), montrant que les notes textuelles cliniques peuvent servir de substitut pour la connaissance non observée, bien que les auteurs restent modestes quant à la capacité immédiate de cette méthode à corriger pleinement les estimations causales en présence de substituts bruyants.

Les auteurs déclarent explicitement que le cadre détecte des candidats pour les facteurs de confusion non observés avec des garanties probabilistes, mais ne certifie pas qu'une variable détectée spécifique est un véritable facteur de confusion, ni que leur ajout permet automatiquement de retrouver la validité de la porte arrière. Ces questions restent ouvertes pour un travail futur.