Causal Inference with Multiple Misclassified Exposures: A Control Variate-Adjusted Calibration Weighting Approach

Résumé technique : Inférence causale avec multiples expositions mal classées

Énoncé du problème
Dans les études sur les infections respiratoires chez les patients atteints de fibrose kystique (FK), le mauvais classement de l'exposition est un problème omniprésent. Bien que les cultures de crachats représentent la norme de référence (gold standard) pour détecter des agents pathogènes tels que Pseudomonas aeruginosa et Staphylococcus aureus, elles sont souvent difficiles à obtenir, particulièrement chez les patients plus jeunes. Par conséquent, les chercheurs s'appuient fréquemment sur des écouvillons de gorge, qui présentent une sensibilité et une spécificité imparfaites. Cette erreur de mesure, particulièrement lorsqu'il s'agit d'un mauvais classement non différentiel, biaise les estimations d'effets causaux vers la valeur nulle, ce qui peut conduire à une sous-estimation de l'impact des agents pathogènes sur la fonction pulmonaire (par exemple, le pourcentage de VEMS prédit). La littérature existante sur l'erreur de mesure en inférence causale s'est largement concentrée sur des expositions univariées ou s'est appuyée sur des modèles paramétriques pour le mécanisme de mauvais classement, laissant une lacune méthodologique pour la gestion de multiples expositions binaires mal classées et regroupées sans modéliser explicitement le processus d'erreur.

Méthodologie
Les auteurs proposent un cadre combinant le pondération par étalonnage (calibration weighting) et l'ajustement par variables de contrôle (control variate adjustment) pour traiter l'inférence causale avec de multiples expositions binaires mal classées dans des données groupées. La structure des données est partitionnée en trois sous-échantillons mutuellement exclusifs :

1. Échantillon de référence (gold-standard sample) : Observations avec uniquement des cultures de crachats (exposition réelle $A$ observée).
2. Échantillon sujet à erreur (error-prone sample) : Observations avec uniquement des écouvillons de gorge (exposition mal classée $A^*$ observée).
3. Échantillon de validation (validation sample) : Observations avec des mesures appariées de crachats et d'écouvillons collectées simultanément.

La méthodologie procède en deux étapes :

1. AIPW (Inverse Probability Weighting augmenté) pondéré par étalonnage :
   Les auteurs traitent le mauvais classement comme un problème de données manquantes. Ils construisent des poids d'étalonnage pour les sous-échantillons de référence et de l'échantillon sujet à erreur afin d'équilibrer les distributions de covariables par rapport à une marge de population cible. Ces poids sont dérivés par inclinaison exponentielle pour minimiser la divergence de Kullback–Leibler.

   • Un estimateur cohérent ($\hat{\tau}_1$) est construit à partir de l'échantillon de référence.
   • Un estimateur distinct ($\tilde{\tau}_0$) est construit à partir de l'échantillon sujet à erreur.
   • Les deux estimateurs utilisent des modèles de régression de résultats (ajustés via des splines de régression adaptative multivariée, MARS) et sont doublesment robustes : ils restent cohérents si soit les poids d'étalonnage (score de propension), soit le modèle de résultat est correctement spécifié. Crucialement, cette approche atteint la cohérence sans modéliser la sensibilité ou la spécificité du mécanisme de mauvais classement.

2. Ajustement par variables de contrôle :
   Pour améliorer l'efficacité, les auteurs exploitent l'échantillon de validation pour construire une variable de contrôle.

   • Un troisième estimateur ($\tilde{\tau}_{val}$) est construit à l'aide de l'échantillon de validation avec l'exposition sujette à erreur $A^*$.
   • Sous l'hypothèse d'un échantillonnage sujet à erreur échangeable, la différence $\hat{\zeta} = \tilde{\tau}_{val} - \tilde{\tau}_0$ a une espérance de zéro.
   • Cette quantité de moyenne nulle est utilisée comme variable de contrôle pour ajuster l'estimateur de référence : $\hat{\xi} = \hat{\tau}_1 + b\hat{\zeta}$.
   • Le coefficient $b$ est choisi pour minimiser la variance, en se basant sur la covariance entre l'estimateur de référence et la variable de contrôle, laquelle est identifiable via l'échantillon de validation.

Principales contributions
L'article apporte quatre contributions majeures :

1. Quantification du biais : Il quantifie empiriquement le biais introduit par l'utilisation d'écouvillons de gorge par rapport aux cultures de crachats pour P. aeruginosa et S. aureus chez les patients atteints de FK.
2. Cadre d'étalonnage : Il décrit des estimateurs de pondération par étalonnage qui traitent le mauvais classement comme des données manquantes, en les appliquant séparément aux échantillons de référence et sujets à erreur sans modéliser le mécanisme de mauvais classement.
3. Variables de contrôle multivariées : Il étend la méthode de la variable de contrôle aux expositions binaires bivariées avec des observations groupées. Notamment, il caractérise un plafond structurel d'efficacité dans le cadre multivarié. Les auteurs démontrent que la réduction de la variance est limitée par la probabilité jointe de classification correcte pour les deux expositions, laquelle est inférieure aux probabilités marginales, entraînant des gains plus modestes que dans les applications univariées.
4. Validation par simulation et empirique : Les méthodes sont évaluées par des simulations sous spécification incorrecte de modèle et appliquées à une cohorte réelle de FK.

Résultats

• Études de simulation : Les estimateurs proposés ont démontré leur cohérence et leur double robustesse sous diverses spécifications incorrectes de modèles (scores de propension ou modèles de résultats erronés). L'estimateur de variable de contrôle a réduit la variance jusqu'à 13 % par rapport à l'estimateur de référence seul. Cependant, les probabilités de couverture pour les intervalles de confiance nominaux à 95 % ont montré une légère sous-couverture (89–92 %) lorsque la proportion d'observations de référence était faible ($\eta=0,2$), attribuée à l'instabilité des poids d'étalonnage en échantillon fini.
• Application à la cohorte de FK : L'étude a analysé 651 patients atteints de FK (12 971 observations).
  • Atténuation du biais : Les estimations basées sur les écouvillons ont atténué l'effet de P. aeruginosa sur le pourcentage de VEMS prédit d'environ 69 % par rapport aux estimations basées sur les crachats ($-2,67$ vs. $-8,52$ points de pourcentage).
  • Associations spécieuses : Les estimations basées sur les écouvillons ont suggéré une association positive significative entre S. aureus et la fonction pulmonaire ($+2,86$ points), un artefact de la faible spécificité (63,6 %) des écouvillons pour ce pathogène, qui classifie à tort les patients non colonisés (plus sains) comme colonisés.
  • Performance de la variable de contrôle : L'estimateur de variable de contrôle a produit des estimations proches des résultats de référence des crachats ($-8,00$ pour P. aeruginosa) et a réduit les erreurs types de moins de 1 % à environ 6 %, ce qui est cohérent avec le plafond structurel théorique dans le cadre bivarié.

Signification et affirmations
Les auteurs affirment que leurs méthodes fournissent un cadre robuste pour l'inférence causale lorsqu'on traite de multiples expositions mal classées, particulièrement dans des contextes où une norme de référence existe mais est rare. La principale importance réside dans la démonstration que le recours à des proxys imparfaits (écouvillons de gorge) peut conduire à une sous-estimation substantielle des effets des agents pathogènes et à des conclusions cliniques potentiellement trompeuses (par exemple, suggérer que S. aureus est bénéfique).

L'article affirme avec modestie que, bien que l'ajustement par variable de contrôle offre des gains d'efficacité, ceux-ci sont structurellement limités dans les contextes multivariés en raison de l'exigence d'une classification correcte conjointe. Les auteurs soulignent que leur approche atteint la cohérence sans avoir besoin de spécifier la sensibilité ou la spécificité de l'erreur de mesure, un avantage distinct par rapport aux méthodes de correction paramétriques. Ils concluent que ces résultats suggèrent un besoin clinique d'éviter le sous-traitement de P. aeruginosa basé uniquement sur les données d'écouvillons et soulignent l'utilité du cadre proposé pour des applications plus larges impliquant de multiples expositions mal classées.