Résumé technique : MEC-Cox pour l'estimation du rapport de risques marginaux de l'ATT

1. Énoncé du problème

L'article traite du défi de l'estimation des effets de traitement causaux dans les essais de survie à bras unique avec contrôle externe, un design de plus en plus utilisé en oncologie et pour les maladies rares lorsque des contrôles randomisés concomitants sont irréalisables. La cible spécifique est le rapport de risques (hazard ratio) marginal de l'ATT (Average Treatment Effect on the Treated), qui compare le risque marginal sous traitement au risque marginal contrefactuel sous contrôle au sein de la population de l'essai traité.

Les principales difficultés inférentielles identifiées sont :

1. Sensibilité à la spécification erronée du modèle : La régression de Cox pondérée par inverse de probabilité (IPW) standard repose sur le score de propension de la source. Si le modèle paramétrique du score de propension est mal spécifié (par exemple, en raison de relations non linéaires), l'estimateur de Cox pondéré qui en résulte souffre d'un biais sévère.
2. Complexité de l'estimation de la variance : L'inférence valide pour les estimateurs de Cox IPW est techniquement difficile car la vraisemblance partielle pondérée dépend des poids à travers les contributions des événements et les moyennes des ensembles à risque.
   • Les estimateurs de variance naïfs ignorent la structure de pondération.
   • Les estimateurs sandwich robustes (par exemple, Lin–Wei/Binder) traitent les poids estimés comme fixes, ignorant l'incertitude provenant de l'estimation du score de propension.
   • Les estimateurs sandwich corrigés (par exemple, Shu et al., 2021b) tiennent compte de l'incertitude des poids mais dépendent généralement de modèles de score de propension paramétriques correctement spécifiés, ce qui les rend sensibles à une spécification erronée.
3. Intégration de l'apprentissage automatique (Machine Learning) : Bien que l'estimation de type TMLE (Targeted Maximum Likelihood Estimation) et le DML (Double Machine Learning) intègrent avec succès l'apprentissage automatique flexible pour les estimands de type moyenne, étendre ces méthodes à l'estimation du rapport de risques de Cox est non trivial. Cela nécessite généralement de dériver une fonction d'influence efficiente (EIF) ou des scores de Neyman-orthogonal, ce qui est analytiquement complexe pour les modèles de Cox en raison de la dépendance non linéaire du score par rapport aux poids via les moyennes des ensembles à risque.

2. Méthodologie : MEC-Cox

Les auteurs proposent MEC-Cox, une méthode qui adapte le cadre de la Calibration d'Entropie Généralisée assistée par Machine Learning (MEC) (Lee et Kim, 2026) à la régression de Cox IPW. La méthode opère en deux étapes principales :

A. Construction des poids de base

1. Estimation du score de propension de la source : Le score de propension de la source $\pi(X) = P(A=1|X)$ est estimé à l'aide de méthodes de ML flexibles (ex: BART, Deep Learning) ou d'une régression logistique paramétrique via une validation croisée K-fold (K-fold cross-fitting) pour éviter le surapprentissage.
2. Poids de transport de l'ATT : Pour les contrôles externes ($A=0$), les poids de base sont construits comme des rapports de cotes (odds) de l'ATT normalisés : $d_i = n_1 \hat{q}(X_i) / \sum \hat{q}(X_j)$, où $\hat{q}(X) = \hat{\pi}(X)/(1-\hat{\pi}(X))$. Ces poids transportent la distribution du contrôle externe vers la population de l'essai traité.

B. Étape de calibration de Bregman

L'innovation centrale est une étape de calibration qui affine les poids de base en équilibrant des résumés pronostiques plutôt que de simples covariables brutes.

1. Construction de la base de calibration : Un score pronostique issu de la validation croisée est généré pour tous les sujets. L'article suggère d'utiliser les probabilités de survie de contrôle de repère (landmark) $\hat{S}_0(t_k | X)$ estimées à partir de la cohorte de contrôle externe à l'aide d'apprenants de survie flexibles (ex: forêts de survie aléatoires ou modèles de Cox). Le vecteur de base est $h_i = (1, \hat{S}_0(t_1|X_i), \dots, \hat{S}_0(t_{p-1}|X_i))$.
2. Projection de Bregman : Les poids de base $d_i$ sont mis à jour en nouveaux poids $w_i$ en minimisant une divergence de Bregman $D_G(w_i \| d_i)$ sous la contrainte que la moyenne pondérée de la base de calibration dans le groupe de contrôle externe corresponde à celle du groupe de l'essai traité :
   $$\sum_{i \in I_0} w_i h_i = \sum_{i \in I_1} h_i$$
   La solution prend la forme $w_i = g^{-1}(g(d_i) + \lambda^\top h_i)$, où $\lambda$ est le paramètre dual résolvant l'équation de calibration.
3. Estimation finale : Les poids mis à jour $\tilde{\omega}_i = A_i + (1-A_i)w_i$ sont utilisés dans l'équation d'estimation de Cox IPW standard pour résoudre le log-rapport de risques marginal $\theta_{ATT}$.

C. Estimation de la variance

Pour tenir compte de l'incertitude introduite par l'étape de calibration, les auteurs proposent un estimateur de variance sandwich empilé (stacked sandwich).

• Ils empilent l'équation d'estimation de Cox pondérée pour $\theta$ avec l'équation de calibration duale pour $\lambda$.
• La variance est dérivée de la fonction d'influence de ce système conjoint, traitant l'estimation du paramètre de calibration comme une source de variabilité similaire à l'estimation du score de propension dans les estimateurs sandwich corrigés.
• Cette approche tient compte de l'incertitude de premier ordre du paramètre de calibration $\lambda$ tout en traitant les fonctions de nuisance issues de la validation croisée (scores de propension et modèles pronostiques) comme fixes dans le calcul du sandwich.

3. Contributions clés et résultats théoriques

• Consistance : Le Théorème 2 établit que l'estimateur MEC-Cox est consistant pour le log-rapport de risques marginal de l'ATT sous des hypothèses causales standards (consistance, transportabilité de la survie, positivité) et des conditions de régularité. Crucialement, la consistance de l'estimateur ne nécessite pas que la base de calibration (modèle pronostique) soit correctement spécifiée ; elle exige seulement que le score de propension de la source soit estimé de manière consistante et que la base de calibration soit $L_2$-stochastiquement bornée.
• Gain d'efficacité : Le Théorème 3 démontre que sous une condition de projection, la variance sandwich empilée de MEC-Cox n'est pas plus grande que la variance robuste de Lin–Wei à poids fixes. L'étape de calibration élimine efficacement la composante de la variation du score de Cox expliquée par la base de calibration, menant à des gains d'efficacité potentiels.
• Base Oracle : La Proposition 4 montre que si un score pronostique de contrôle "oracle" existe (un résumé suffisant pour le résultat de contrôle contrefactuel), son utilisation comme base de calibration minimise la variation résiduelle de la contribution de Cox normalisée par les poids, maximisant théoriquement l'efficacité.
• Flexibilité : La méthode permet l'intégration de méthodes de ML flexibles (BART, Forêts de survie aléatoires, Deep Learning) tant pour l'estimation du score de propension que pour la construction du résumé pronostique, sans nécessiter la dérivation de fonctions d'influence efficientes (EIF) complexes.

4. Résultats empiriques

L'article évalue MEC-Cox via des études de simulation et une application sur données réelles.

Études de simulation

• Scénario 1 (Modèles linéaires) : Dans des contextes de modèles linéaires correctement spécifiés, MEC-Cox (utilisant la régression logistique pour les scores de propension et des modèles de Cox pour le pronostic) a obtenu un biais et une erreur quadratique moyenne (RMSE) plus faibles que les estimateurs ATT-IPW standards, démontrant des gains d'efficacité même sans spécification erronée du modèle.
• Scénario 2 (Modèles non linéaires) : Dans des contextes de forte non-linéarité dans les modèles de sélection de la source et de l'issue, les estimateurs IPW standards utilisant la régression logistique ont présenté un biais significatif dû à une spécification erronée du score de propension. MEC-Cox, utilisant BART pour les scores de propension et des apprenants de survie flexibles (RSF) pour la base de calibration, a réussi à réduire le biais et la RMSE, maintenant une couverture proche des niveaux nominaux.

Application sur données réelles

La méthode a été appliquée pour comparer la thérapie hormonale (essai GBSG) versus l'absence de thérapie hormonale (banque de tumeurs de Rotterdam) pour la survie sans récurrence du cancer du sein.

• Déséquilibre : La comparaison non pondérée ne montrait aucune différence significative, mais le déséquilibre des covariables brutes était sévère (SMD max = 1,158).
• Résultats : La régression de Cox ATT-IPW standard suggérait un bénéfice significatif de la thérapie hormonale (HR = 0,569) mais laissait un déséquilibre résiduel (SMD max = 0,270) et une forte variabilité des poids.
• Performance de MEC-Cox : Les implémentations de MEC-Cox (utilisant à la fois GLM/Cox et DL/RSF) ont produit des conclusions qualitatives similaires (HR $\approx$ 0,61–0,65) mais avec une meilleure stabilité des poids (taille d'échantillon effective plus élevée, coefficient de variation plus faible) et un meilleur équilibre des covariables (SMD max < 0,15). Les erreurs types ont également été réduites par rapport à l'approche IPW standard.

5. Signification et affirmations

L'article affirme que MEC-Cox comble une lacune dans la littérature concernant l'estimation du rapport de risques marginal dans les essais contrôlés externes.

• Robustesse : Il offre une solution à la sensibilité des méthodes existantes à la spécification erronée du modèle de score de propension en exploitant le ML flexible.
• Inférence : Il fournit un cadre d'estimation de la variance valide (sandwich empilé) qui tient compte de l'incertitude de l'étape de calibration, répondant ainsi à une limitation des estimateurs robustes naïfs.
• Efficacité : En équilibrant des résumés pronostiques plutôt que de simples covariables brutes, la méthode améliore l'efficacité en échantplon fini.
• Praticité : Le solveur Newton dual pour l'étape de calibration est efficace sur le plan computationnel, opérant dans l'espace de faible dimension de la base de calibration plutôt que dans l'espace de haute dimension des poids.

Les auteurs notent que bien que MEC-Cox améliore l'efficacité et la robustesse, il ne prétend pas atteindre la limite d'efficience semi-paramétrique pour le rapport de risques marginal de l'ATT, ni établir une propriété de double robustesse pour la régression de Cox pondérée dans le même sens algébrique que pour les estimands de type moyenne. La méthode suppose un censurement indépendant spécifique à la source, et les extensions aux censurements informatifs sont laissées aux travaux futurs.