Improved prediction of extreme random effects in joint models: WRaPs

Résumé technique : Amélioration de la prédiction des effets aléatoires extrêmes dans les modèles joints : WRaPs

Énoncé du problème
Dans la médecine personnalisée, particulièrement en oncologie et en soins intensifs, il existe un besoin croissant d'identifier les patients présentant un risque élevé de résultats graves, définis non seulement par la survie mais aussi par une mauvaise qualité de vie (QoL). Les outils de prédiction standards dans les modèles joints (qui modélisent simultanément les résultats longitudinaux et la survie) reposent généralement sur les prédicteurs linéaires non biaisés les meilleurs (BLUPs) ou sur des estimations bayésiennes empiriques pour les effets aléatoires. Cependant, les BLUPs sont connus pour présenter un phénomène de « rétrécissement » (shrinkage), qui ramène les valeurs extrêmes des effets aléatoires vers la moyenne de la population. Dans les contextes cliniques où l'objectif est de signaler les patients en très mauvaise santé ou avec de faibles probabilités de survie, ce rétrécissement conduit à des prédictions trop optimistes, provoquant une sous-identification des individus à haut risque. Bien que des estimateurs d'effets aléatoires pondérés aient été proposés pour les modèles mixtes linéaires afin d'atténuer ce phénomène, ils n'avaient pas été étendus au cadre des modèles joints où les processus longitudinaux et de survie sont liés.

Méthodologie
Les auteurs proposent les WRaPs (Weighted Random effect Predictors), une extension des méthodes d'estimation pondérée aux modèles joints à effets aléatoires partagés.

• Cadre : La méthode opère au sein d'un modèle joint où un résultat longitudinal ($Y_{ij}$) et un temps de survie ($T_i$) sont liés via des effets aléatoires spécifiques au sujet partagés ($U_i$). Le risque de survie est modélisé comme une fonction de covariables de base et des effets aléatoires partagés.
• Innovation centrale : Au lieu de minimiser l'erreur quadratique moyenne (MSE) standard pour obtenir les BLUPs, les WRaPs minimisent une erreur quadratique moyenne pondérée de la forme $E((\tilde{U} - U)'W(U; \lambda)(\tilde{U} - U))$. La fonction de poids $W(U; \lambda)$ est conçue pour pénaliser plus lourdement les erreurs dans les queues de la distribution des effets aléatoires.
• Fonctions de poids : Le document utilise plusieurs fonctions de poids adaptées de McCulloch et Neuhaus (2023), notamment :
  • Carrée ($SQ$) :$W(u) = \exp(\lambda u^2)$
  • Absolue ($AB$) :$W(u) = \exp(\lambda |u|)$
  • Seuil de censure ($CT$) :$W(u) = I(|u| > \lambda)$
  • Asymétrique ($AS$) :$W(u) = \exp(-\lambda u)$ (ciblant spécifiquement les valeurs basses).
• Mise en œuvre :
  • Solutions analytiques : Pour les modèles de base (par exemple, interception aléatoire avec survie log-normale), les auteurs dérivent des expressions analytiques à forme fermée pour les WRaPs.
  • Solutions numériques bayésiennes : Pour les modèles complexes (par exemple, interception et pente aléatoires, risques proportionnels), les auteurs utilisent un cadre bayésien via des méthodes de Monte Carlo par chaînes de Markov (MCMC) via le package rjags. Les WRaPs sont calculés comme le rapport des moyennes postérieures des effets aléatoires pondérés et des poids eux-mêmes.
• Stratégie de signalement (Flagging) : La méthode est appliquée pour « signaler » les patients dont on s'attend à ce qu'ils meurent ou survivent avec une QoL substandarde dans un horizon temporel futur. Un patient est signalé si sa probabilité de survie prédite tombe en dessous d'un seuil $c$ ou si sa QoL moyenne prédite tombe en dessous d'un percentile spécifique. Le paramètre de réglage $\lambda$ est sélectionné pour équilibrer les taux de vrais positifs (TPR) et de faux positifs (FPR).

Contributions clés

1. Extension aux modèles joints : Le document étend le concept de prédiction d'effets aléatoires pondérés des modèles mixtes linéaires aux modèles joints, prenant en compte la dépendance entre les résultats longitudinaux de la QoL et de la survie.
2. Gestion des résultats extrêmes : Il fournit un mécanisme pour réduire le biais de rétrécissement inhérent aux BLUPs, améliorant spécifiquement la précision de la prédiction pour les queues de la distribution des effets aléatoires (c'est-à-dire les patients ayant les pires résultats).
3. Réglage flexible : L'introduction du paramètre de réglage $\lambda$ permet aux cliniciens ou chercheurs d'auto-calibrer le modèle de prédiction, en échangeant la MSE globale contre une meilleure sensibilité pour identifier les patients à haut risque.
4. Cadre de calcul : Le document fournit à la fois des dérivations analytiques pour les cas simples et une stratégie de calcul bayésienne robuste pour les structures d'effets aléatoires complexes et de haute dimension.

Résultats
Les auteurs ont évalué les WRaPs via des études de simulation de Type I et une étude de cas utilisant des données d'un essai sur le glioblastome de l'EORTC (Stupp et al., 2005 ; Taphoorn et al., 2005).

• Études de simulation :
  • Dans les modèles avec interceptions et pentes aléatoires, les WRaPs ont systématiquement démontré une erreur quadratique moyenne (MSE) plus faible que les BLUPs pour les sous-groupes avec des effets aléatoires extrêmes (par exemple, $|z_i| > 1,5$), tandis que les BLUPs maintenaient une MSE globale plus faible sur l'ensemble de la population.
  • Dans les simulations de « signalement », les WRaPs ont considérablement amélioré le taux de vrais positifs (TPR) pour identifier les patients qui mourraient ou auraient une mauvaise QoL. Par exemple, dans un scénario avec un taux de faux positifs (FPR) de 5 %, les WRaPs ont augmenté le TPR d'environ 58 % (BLUP) à 65–80 %, selon la fonction de poids et le seuil.
  • La fonction de poids Asymétrique (AS) était particulièrement efficace pour identifier les patients ayant une faible QoL, atteignant des TPR dépassant 75 % à des FPR modérés.
• Étude de cas (Glioblastome) :
  • Appliquée à 573 patients, la méthode a signalé les patients à risque de décès ou de mauvaise QoL entre les semaines 33 et 46.
  • Pour un seuil de QoL au 25e percentile, les WRaPs ont augmenté le TPR de 32 % (BLUP) à plus de 50 % à travers les fonctions de poids, avec des FPR compris entre 10 et 20 %.
  • Pour un seuil plus strict au 5e percentile, les BLUPs se sont montrés très conservateurs (TPR = 5,7 %), alors que les WRaPs (spécifiquement la méthode AS) ont atteint un TPR d'environ 75 % pour un FPR de 25 %.
  • Les valeurs prédictives positives (VPP) et négatives (VPN) se sont généralement améliorées avec les W_RaPs par rapport aux BLUPs.

Signification et affirmations
Le document affirme que les WRaPs offrent une méthode pratique et efficace pour améliorer la détection des patients à risque de résultats graves en atténuant le rétrécissement des effets aléatoires dans les queues de leur distribution. Les auteurs positionnent les WRaPs non pas comme un remplacement des BLUPs standards dans tous les contextes, mais comme un outil spécialisé pour les scénarios où l'identification des résultats extrêmes et défavorables est critique (ex: « signalement de haut risque »).

La signification réside dans le passage d'une focalisation purement basée sur la survie à un résultat bidimensionnel (survie + QoL), répondant à la réalité clinique selon laquelle les bénéfices de survie peuvent ne pas compenser les effets secondaires du traitement ou la détérioration de la qualité de vie. En permettant le réglage de $\lambda$ pour équilibrer la sensibilité et la spécificité, les WRaPs fournissent un complément flexible et cliniquement interprétable aux prédictions standards des modèles joints, soutenant une transition vers des soins plus centrés sur le patient en oncologie et en soins intensifs. Les auteurs notent que bien que l'incertitude des paramètres ait été gérée via des estimations par injection (plug-in) pour réduire la charge de calcul, les travaux futurs pourraient explorer une intégration bayésienne complète de l'incertitude des paramètres ou des prédicteurs hybrides combinant WRaPs et BLUPs à travers différentes régions de la distribution.