Résumé Technique : B-CALM (Bias-Limited Bayesian Borrowing)

1. Énoncé du Problème

Les essais contrôlés randomisés (ECR) fournissent des estimations valides sur le plan interne des effets de traitement, mais sont souvent sous-dimensionnés pour l'estimation des effets de traitement moyens conditionnels (CATE) au sein de sous-groupes de patients. Les études observationnelles (EO) à grande échelle offrent des tailles d'échantillon substantielles, mais souffrent de facteurs de confusion, d'un décalage de population et d'un chevauchement partiel des covariables (où les ECR et les EO partagent certains ensembles de covariables $W$ mais possèdent respectivement des ensembles uniques $U$ et $V$).

Le défi central consiste à exploiter les données des EO pour réduire l'incertitude de l'estimation du CATE défini par l'ECR sans permettre aux données biaisées des EO de dominer l'inférence (c'est-à-dire éviter le « transfert négatif » où l'EO déplace l'estimand loin de la cible réelle de l'ECR). Les méthodes existantes reposent souvent sur des estimations ponctuelles avec une propagation séparée de l'incertitude ou sur des poids d'emprunt globaux qui ne modélisent pas explicitement la forme fonctionnelle du biais sous un décalage de covariables.

2. Méthodologie : B-CALM

Les auteurs proposent B-CALM (Bayesian Calibrated ALignment under covariate Mismatch), un cadre bayésien qui traite l'EO comme une mesure biaisée et partiellement décalée des surfaces de résultats de l'ECR.

2.1 Architecture du Modèle

• Alignement Latent : Des encodeurs spécifiques à la source ($q_{\phi_r}$ pour l'ECR, $q_{\phi_o}$ pour l'EO) projettent les blocs de covariables distincts ($X_r = (W, U)$ pour l'ECR et $X_o = (W, V)$ pour l'EO) dans un état latent de patient partagé $Z$. Cela crée un système de coordonnées commun pour la comparaison.
• Surfaces de Résultats :
  • Surface de l'ECR : $\eta_r(a, z) = \mu(z) + a\tau(z)$, où $\mu(z)$ est le pronostic du groupe contrôle et $\tau(z)$ est le CATE cible.
  • Surface de l'EO : $\eta_o(a, z) = \mu(z) + a\tau(z) + b_0(z) + ab_\Delta(z)$.
• Décomposition du Biais :
  • $b_0(z)$ : Biais de Base (Baseline Bias), représentant la différence entre les résultats du groupe contrôle entre l'EO et l'ECR au même état latent (par exemple, en raison de comorbidités non mesurées).
  • $b_\Delta(z)$ : Biais Comparatif (Comparative Bias), représentant la différence entre les contrastes de traitement ($\tau_{OS} - \tau_{RCT}$) après avoir pris en compte les décalages de base. Il s'agit du paramètre critique régissant l'emprunt.

2.2 Formulation Probabiliste

La méthode place des priors de processus gaussiens (GP) sur les fonctions de résultats ($\mu, \tau$) et les fonctions de biais ($b_0, b_\Delta$).

• Mécanisme d'Emprunt : La variance du prior du biais comparatif, $\sigma^2_\Delta$, agit comme un « bouton de sensibilité ».
  • Si $\sigma^2_\Delta \to 0$, les contrastes de l'EO et de l'ECR sont supposés commensurables, permettant un regroupement complet (full pooling).
  • Si $\sigma^2_\Delta \to \infty$, le contraste de l'EO est autorisé à être arbitrairement biaisé, revenant à une inférence basée uniquement sur l'ECR.
  • Les valeurs intermédiaires définissent une analyse de sensibilité où l'EO informe le CATE de l'ECR seulement dans la mesure où la fonction de biais est contrainte par le prior.

2.3 Alignement et Calibrage

Le cadre intègre une métrique de probabilité intégrale (IPM) pour quantifier le décalage résiduel entre les distributions latentes des deux sources. Le modèle optimise une borne inférieure variationnelle (ELBO) qui comprend :

1. Les termes de vraisemblance pour les résultats de l'ECR et de l'EO.
2. La divergence KL par rapport aux priors.
3. Une pénalité d'alignement (par exemple, MMD ou perte adversaire) pour garantir que les espaces latents sont suffisamment alignés.

3. Contributions Théoriques Clés

L'article établit quatre résultats théoriques principaux :

1. Borne d'Information Limitée par le Biais : Les auteurs prouvent que l'information que l'EO peut apporter sur la fonction d'effet de traitement de l'ECR est plafonnée par la précision du prior de la fonction de biais comparatif $b_\Delta$. Même lorsque la taille de l'échantillon de l'EO ($n_o$) tend vers l'infini, le gain d'information ne diverge pas ; il sature.
2. Saturation de la Taille d'Échantillon Effective (ESS) : Dans un cas particulier scalaire (par exemple, l'effet de traitement moyen), les auteurs dérivent une formule d'ESS : $n_{eff} = n_o / (1 + n_o \sigma^2_b / \sigma^2_o)$. Lorsque $n_o \to \infty$, $n_{eff}$ converge vers $\sigma^2_o / \sigma^2_b$. Cela démontre que l'augmentation de la taille de l'échantillon de l'EO ne peut pas surmonter l'incertitude du prior concernant le biais.
3. Extension de la Fonction : Le Théorème 1 étend ce résultat de saturation aux représentations de dimension finie de la fonction CATE, montrant que l'information de Fisher pour l'effet de traitement est bornée par la précision du prior de la fonction de biais dans chaque direction.
4. Décomposition du Risque PAC-Bayes : Les auteurs fournissent une décomposition du risque cible qui sépare le risque empirique de l'ECR, l'erreur d'alignement latent (IPM) et l'erreur de calibrage résiduelle de la surface de l'EO débiaisée. Cela clarifie que l'alignement seul est insuffisant ; la surface de l'EO débiaisée doit également être calibrée par rapport à la surface de l'ECR.

4. Résultats Expérimentaux

La méthode a été évaluée sur trois ensembles de données : une étude factorielle synthétique, un benchmark semi-synthétique basé sur l'essai Tennessee STAR, et une étude réelle de contrôle externe sur l'obésité pédiatrique.

• Étude Synthétique :
  • Couverture : B-CALM a maintenu une couverture de l'intervalle de crédibilité nominal de 90 % (moyenne de 0,939) à travers divers régimes de biais. En revanche, les méthodes de regroupement (pooled methods) et les Forêts Causales (CF) sont devenues surconfiantes (la couverture est tombée à 0,581 et 0,811, respectivement) sous l'effet d'un biais comparatif.
  • Transfert Négatif : B-CALM a présenté un faible transfert négatif (0,023), ce qui signifie qu'il est rarement moins performant qu'une analyse basée uniquement sur l'ECR.
  • Saturation : À mesure que la taille de l'échantillon de l'EO augmentait, les largeurs d'intervalles de crédibilité de B-CALM se sont aplaties vers un plancher déterminé par $\sigma_\Delta$, alors que les méthodes de regroupement continuaient de rétrécir vers zéro, ignorant le biais.
• Semi-Synthétique (STAR) : B-CALM a obtenu une couverture de 0,936 contre 0,425 pour les méthodes de regroupement, avec une RMSE comparable.
• Données Réelles (Obésité Pédiatrique) : En utilisant des données de dossiers médicaux électroniques (EHR) comme contrôles externes, B-CALM a réduit la largeur de l'intervalle de crédibilité à 90 % de 9,4 % par rapport à l'analyse de l'ECR seule, tout en maintenant un « ratio de susceptibilité au biais » inférieur à 1,0. Les méthodes de regroupement ont obtenu des réductions de largeur plus importantes (jusqu'à 70 %) mais impliquaient des risques de biais dépassant leurs propres largeurs d'intervalles rapportées (ratio > 1,0).

5. Signification et Revendications

L'article positionne B-CALM comme un changement de paradigme : passer de l'« emprunt » en tant que problème d'estimation ponctuelle à l'« emprunt » en tant qu'analyse de sensibilité de la distribution postérieure.

• Modélisation Explicite du Biais : Contra% de l'utilisation de facteurs de discrédit globaux ou d'indicateurs d'échangeabilité, B-CALM modélise explicitement la fonction de biais $b_\Delta$. Cela permet à l'analyste de contrôler où et combien l'emprunt se produit en fonction de la précision du prior du biais.
• Mécanisme de Sécurité : La propriété « limitée par le biais » garantit que, peu importe la taille de l'ensemble de données observationnelles, l'inférence ne peut pas être entièrement pilotée par des données potentiellement biaisées. Le prior sur la fonction de biais agit comme un plafond rigide sur le transfert d'information.
• Résultat Pratique : Les auteurs affirment que le principal produit n'est pas une estimation unique, mais une analyse calibrée comprenant une distribution postérieure sur l'estimand défini par l'ECR, une courbe de sensibilité sur les échelles de biais du prior, et un diagnostic de la taille d'échantillon effective. Cela permet aux chercheurs de rapporter comment les conclusions changent à mesure que les hypothèses sur le biais de l'EO varient, plutôt que de s'engager sur un poids d'emprunt unique, potentiellement fragile.

Les auteurs reconnaissent des limites, notamment la non-identifiabilité de $b_\Delta$ sans priors (nécessitant une analyse de sensibilité), la dépendance à l'alignement latent via les covariables partagées, et les coûts de calcul à grande échelle.