Robust inference for risk heterogeneity under group imbalance

Résumé Technique : Inférence Robuste pour l'Hétérogénéité des Risques sous Déséquilibre de Groupes

Énoncé du Problème
Dans les données biomédicales, l'hétérogénéité au niveau de la population est omniprésente, où les modèles de risque diffèrent souvent considérablement entre les sous-groupes démographiques ou cliniques. Un défi critique surgit lors de l'analyse de ces disparités en présence d'un déséquilibre de groupe sévère, où un sous-groupe (la minorité) est sous-représenté par rapport à un autre (la majorité). Les approches existantes pour détecter l'hétérogénéité des risques, telles que les méthodes classiques basées sur la vraisemblance ou les cadres d'ajustement linéaire (par exemple, Maity et al., 2024), font face à deux limitations principales dans ce contexte :

1. Sensibilité à la spécification erronée du modèle : Ces méthodes reposent souvent sur un modèle de base pour le groupe majoritaire. Si ce modèle de base est mal spécifié, les estimations de l'hétérogénéité qui en résultent sont biaisées.
2. Biais de régularisation : Dans les contextes de haute dimension, une estimation régularisée (par exemple, Lasso) est nécessaire mais introduit un biais en contractant les coefficients vers zéro. Cela est particulièrement problématique pour le groupe minoritaire, où les tailles d'échantillon sont réduites, et le biais provenant de l'estimation des paramètres de nuisance du groupe majoritaire se propage aux estimations de l'hétérogénéité.

Les auteurs visent à développer un cadre d'inférence capable de gérer l'hétérogénéité ajustée selon les covariables à travers les sous-groupes avec un grand nombre de covariables, des sous-représentations potentielles et des associations non linéaires, tout en fournissant une inférence statistique fiable (intervalles de confiance et p-valeurs).

Méthodologie
Le papier propose un cadre d'inférence robuste basé sur l'orthogonalité de Neyman (Chernozhukov et al., 2018). L'objectif central est d'estimer le vecteur de paramètres $\beta$ représentant la différence de risque entre un groupe minoritaire ($T=0$) et un groupe majoritaire ($T=1$), conditionnellement aux covariables $X$.

• Formulation du Modèle : L'hétérogénéité est modélisée comme une fonction linéaire des covariables sur l'échelle de la fonction de lien :
  $$\gamma(E[Y|X, T=0]) - \gamma(E[Y|X, T=1]) = \alpha^T X$$
  Ici, $\gamma$ est une fonction de lien présupposée (par exemple, logit pour les résultats binaires). Le paramètre d'intérêt est un sous-ensemble $\beta$ de $\alpha$, tandis que la fonction de risque de base $\xi(X)$ pour le groupe majoritaire et les autres coefficients $\delta$ sont traités comme des paramètres de nuisance.

• Score d'Orthogonalité de Neyman : Pour assurer la robustesse contre les erreurs d'estimation des paramètres de nuisance ($\xi, \delta, \pi$), les auteurs construisent une fonction de score $S(Z, \beta, \delta, \xi, \pi)$ qui satisfait la condition d'orthogonalité de Neyman. Cette condition garantit que la fonction de score est localement insensible aux petites perturbations des paramètres de nuisance. Le score est dérivé en modifiant l'approche d'ajustement linéaire pour inclure un terme de correction impliquant la dérivée de la fonction de perte par rapport aux paramètres de nuisance.

• Procédure d'Estimation :

  1. Estimation des Nuisances : Estimer le modèle de base $\hat{\xi}$ en utilisant les données du groupe majoritaire, et estimer les coefficients de nuisance $\hat{\delta}$ et le score de propension $\hat{\pi}$ en utilisant des méthodes appropriées de régularisation ou d'apprentissage automatique (machine learning).
  2. Estimation Débiaisée : Résoudre l'équation de score $\sum S(Z_i, \beta, \hat{\delta}, \hat{\xi}, \hat{\pi}) = 0$ pour $\beta$. Puisque cette équation est implicite, un algorithme itératif (Algorithme 1) est fourni pour approximer la solution.
  3. Estimation de la Variance : La variance asymptotique est estimée à l'aide de la formule de l'estimateur de sandwich, permettant la construction d'intervalles de confiance valides.

• Garanties Théoriques : Sous des hypothèses de covariables bornées et de taux de convergence spécifiques pour les estimateurs des paramètres de nuisance (qui peuvent être plus lents que $\sqrt{N}$), l'estimateur débiaisé proposé $\hat{\beta}_{debias}$ est démontré comme étant consistant et asymptotiquement normal. La taille d'échantillon effective pour l'inférence est déterminée par la taille du groupe minoritaire.

Contributions Clés

1. Outil d'Inférence Robuste : Le cadre fournit une méthode pour effectuer l'inférence statistique sur l'hétérogénéité des risques qui est robuste à la fois à la spécification erronée du modèle de base et au biais de régularisation.
2. Gestion du Déséquilibre : Il accommode explicitement les scénarios où les sous-groupes sont sévèrement sous-représentés, un problème courant dans les ensembles de données cliniques.
3. Flexibilité : La méthode est agnostique quant à l'algorithme spécifique utilisé pour le modèle de base $\xi(\cdot)$, à condition qu'il respecte les conditions de taux de convergence. Elle supporte une large gamme de types de résultats (binaires, continus, de comptage) via des modèles linéaires généralisés.
4. Mécanisme de Débiaisage : Contra خلاف les procédures classiques en deux étapes, cette approche unifie la correction du biais de régularisation et du biais des paramètres de nuisance grâce au score d'orthogonalité de Neyman.

Résultats

• Études de Simulation :

  • Les auteurs ont simulé des données avec $N=30\,000$ et des proportions variables de groupes minoritaires ($10\%, 20\%, 40\%$).
  • Réduction du Biais : L'estimateur débiaisé proposé a atteint un biais proche de zéro à tous les niveaux de déséquilibre de groupe et de choix de modèle de base (GLM pénalisé, XGBoost, Réseaux de neurones). En revanche, l'estimateur d'ajustement linéaire standard a présenté un biais substantiel, particulièrement lorsque le groupe minoritaire était petit ou que le modèle de base était mal spécifié.
  • Validité de l'Inférence : Les intervalles de confiance à 95 % construits à partir de l'estimateur débiaisé ont atteint une couverture empirique proche du niveau nominal de 95 %. Les graphiques QQ ont confirmé la normalité asymptotique de l'estimateur.
  • Variance : Comme prévu, la variance a augmenté à mesure que la proportion du groupe minoritaire diminuait, mais l'estimateur est resté stable.

• Application de Données (Base de données eICU) :

  • La méthode a été appliquée à la base de données de recherche collaborative eICU pour analyser les différences de mortalité intra-hospitalière entre les patients caucasiens et les groupes sous-représentés (Asiatiques, Hispaniques, Amérindiens).
  • Résultats : Les méthodes d'ajustement linéaire standard (utilisant le Lasso) ont contracté tous les coefficients d'hétérogénéité vers zéro, échouant à détecter des différences significatives.
  • Découverte : La méthode proposée a identifié des hétérogénéités cliniquement significatives que les méthodes standards ont manquées :
    • Les patients Amérindiens admis pour Overdose présentaient un log-odds de mortalité ajusté significativement plus élevé par rapport aux Caucasiens.
    • Les patients Asiatiques admis pour Arrêt Cardiaque présentaient un risque de mortalité significativement plus élevé.
    • Les patients Hispaniques admis pour Acidocétose Diabétique (DKA) présentaient un risque de mortalité significativement plus élevé.
  • Ces résultats concordent avec la littérature existante concernant les disparités ethniques spécifiques dans ces pathologies.

Signification et Revendications
Le papier affirme que le cadre proposé offre une avancée critique pour la médecine de précision et la recherche sur l'équité en santé. En permettant une inférence fiable en présence de déséquilibre de groupe et de covariables de haute dimension, la méthode permet aux chercheurs de découvrir des hétérogénéités « cliniquement significatives » qui sont autrement occultées par le biais inhérent aux approches régularisées standards. Les auteurs soulignent que leur approche ne nécessite pas une spécification parfaite du modèle de risque du groupe majoritaire, ce qui en fait un outil pratique et robuste pour l'analyse de données biomédicales réelles où ces modèles sont souvent complexes et imparfaits. La méthodologie s'étend au-delà des résultats binaires, suggérant une large applicabilité aux données continues et de comptage dans les contextes de soins de santé.