Debiased inference for stochastic treatment interventions with survival outcomes

Résumé Technique : Inférence Débiaisée pour les Interventions de Traitement Stochastiques avec des Résultats de Survie

Énoncé du Problème
Estimer l'effet causal de traitements dépendants du temps sur des résultats de survie (temps avant le décès) est intrinsèquement difficile en raison de problèmes tels que le biais de temps d'immortalité et l'interprétation causale subtile des modèles de Cox dépendants du temps standards. Bien que des méthodes comme les modèles structurels marginaux et la g-computation existent, elles reposent souvent lourdement sur la spécification correcte des modèles de travail ; une erreur de spécification entraîne des résultats biaisés. De plus, une distinction critique existe entre les interventions définies au niveau des intensités observées des données et celles définies au niveau du véritable processus générateur de données (DGP). En présence de variables non mesurées affectant à la fois l'initiation du traitement et les risques concurrents, une intervention appliquée aux intensités observées peut ne pas correspondre à l'intervention causale souhaitée.

Méthodologie
Les auteurs formulent le problème dans le cadre du modèle maladie-décès (illness–death model), où les individus passent d'un état sans traitement (0) à l'initiation du traitement (1) et finalement au décès (2).

1. Définition de l'Intervention Stochastique :
   Le papier propose une intervention stochastique qui modifie l'hazard régissant la transition de l'absence de traitement vers l'initiation du traitement. Les auteurs démontrent que pour qu'une intervention sur les intensités observées soit causalement valide, aucune variable non observée ne doit agir comme une cause commune de l'hazard d'initiation du traitement et des hazards concurrents ou en aval.

2. L'Intervention Lissée :
   Un défi technique primaire est que fixer l'initiation du traitement à un point temporel exact $u^*$ résulte en un estimand qui n'est pas différentiable par chemin (pathwise differentiable), empêchant la dérivation d'une fonction d'influence efficace (EIF) et précluant une inférence peu dépendante des hypothèses.
   Pour résoudre cela, les auteurs introduisent une intervention lissée. Au lieu de forcer le traitement à un point unique, l'intervention assigne un traitement dans une fenêtre temporelle $[u^* - b, u^* + b]$ autour du temps cible $u^*$. L'hazard d'initiation du traitement $\tilde{\alpha}_{01}(s)$ est modifié pour être nul en dehors de cette fenêtre et proportionnel à l'hazard observé à l'intérieur de celle-ci, normalisé par l'intégrale de l'hazard sur la fenêtre. Ce lissage rend l'estimand différentiable par chemin et apte à l'analyse semi-paramétrique.

3. Fonction d'Influence Efficace (EIF) et Estimation :
   Les auteurs dérivent l'EIF pour le risque interventionnel $\psi_t = \tilde{P}^o(T \le t)$ sous des conditions générales, incluant la censure à droite.

   • Estimateur One-Step : Ils proposent un estimateur "one-step" débiaisé : $\hat{\psi}^{os}_t = \hat{\psi}^{pi}_t + \mathbb{P}_n\{D^*_{\psi_t}(O, P_n)\}$. Cela combine un estimateur de type "plug-in" avec un terme de correction basé sur l'EIF.
   • Paramètres de Nuisance : La méthode permet une estimation flexible et adaptative aux données des paramètres de nuisance (hazards de transition, fonctions de survie et distributions de censure), y compris les approches par apprentissage automatique (machine learning).
   • Double Robustesse : L'estimateur présente une double robustesse de taux. Spécifiquement, la normalité asymptotique est maintenue si le produit des erreurs d'estimation de la fonction de survie post-traitement et de la distribution de censure converge à une vitesse plus rapide que $n^{-1/2}$. Cela permet une convergence plus lente dans un composant si l'autre converge suffisamment rapidement.
   • Covariables : Le cadre est étendu aux contextes avec des covariables de base $L$, en conditionnant les fonctions d'intensité et l'EIF sur $L$.

Contributions Clés

• Conditions de Validité Causale : Le papier délimite explicitement les conditions sous lesquelles les interventions sur les intensités observées correspondent à des interventions causalement valides sur le DGP, soulignant les risques posés par les variables de confusion non mesurées.
• Régularisation par Lissage : En introduisant une intervention stochastique lissée, les auteurs surmontent la non-différentiabilité des interventions de masse ponctuelle, permettant la dérivation de l'EIF et le développement de procédures d'inférence robustes.
• Estimation Débiaisée : La proposition d'un estimateur "one-step" qui corrige le biais des estimateurs "plug-in" en utilisant l'EIF, permettant l'utilisation de méthodes d'apprentissage automatique flexibles pour les paramètres de nuisance tout en maintenant une inférence valide.
• Double Robustesse de Taux : Établissement théorique de la double robustesse de taux, assurant la validité de l'estimateur même lorsque les modèles de nuisance sont mal spécifiés, à condition que le produit des erreurs soit suffisamment petit.

Résultats

• Études de Simulation :
  • Sous des modèles de travail correctement spécifiés, tant l'estimateur "plug-in" que l'estimateur "one-step" étaient sans biais.
  • Sous une erreur de spécification du modèle de transition post-traitement, l'estimateur "plug-in" devenait biaisé, tandis que l'estimateur "one-step" restait approximativement sans biais, confirmant ses propriétés de robustesse.
  • Lors de l'utilisation de l'apprentissage automatique (validation croisée à 3 plis) pour l'estimation de nuisance, l'estimateur "one-step" a maintenu ses propriétés de correction de biais, avec un léger biais à de petits échantillons ($n=300$) qui diminuait à mesure que la taille de l'échantillon augmentait ($n=600$).
• Données de Transplantation Cardiaque de Stanford :
  • Appliqué à des données sur des patients atteints de maladies cardiaques terminales. L'analyse a comparé "Traiter dès le début" (transplantation dans les 30 jours) versus "Ne jamais traiter".
  • Les résultats n'ont montré aucune différence significative dans le risque de décès entre les deux stratégies globalement.
  • La stratification par année d'admission (début vs fin) a suggéré un bénéfice potentiel d'un traitement précoce pour ceux admis plus tôt, bien que cette interaction ne soit pas statistiquement significative.
• Données d'Insemination Intra-Utérine (IIU) :
  • Appliqué à des couples souffrant de subfertilité inexpliquée pour évaluer les stratégies : "Traiter dès le début", "Traiter après 6 mois" et "Ne jamais traiter".
  • Les résultats ont indiqué que "Traiter dès le début" était supérieur à "Ne jamais traiter", et "Traiter après 6 mois" était également supérieur à "Ne jamais traiter".
  • Aucune différence significative n'a été trouvée entre "Traiter dès le début" et "Traiter après 6 mois".

Signification et Revendications
Le papier revendique de fournir un cadre rigoureux pour évaluer les traitements dépendants du temps dans les contextes de survie où les méthodes causales standards peuvent échouer en raison de la mauvaise spécification de modèle ou de la complexité de la définition de l'intervention. En distinguant les interventions observées des interventions latentes et en utilisant une intervention stochastique lissée, les auteurs permettent une inférence peu dépendante des hypothèses avec des propriétés de robustesse désirables. La méthode permet aux chercheurs d'utiliser des outils adaptatifs aux données (comme le machine learning) pour les paramètres de nuisance sans sacrifier la validité de l'estimation causale, à condition que la condition de double robustesse de taux soit remplie. Les auteurs notent que bien que le cadre soit théoriquement compatible avec une estimation entièrement adaptative aux données, l'estimation pratique des transitions post-traitement dans les contextes d'entrée différée reste un défi, suggérant un besoin de développement futur de procédures d'apprentissage automatique stables pour ces composants spécifiques.