Doubly robust Methods for Recurrent Event Outcomes: Causal Effects of Blood Pressure Medications on Acute Kidney Injuries

Résumé Technique : Méthodes de la Robustesse Double pour les Événements Récurrents

Énoncé du Problème
L'évaluation des effets causaux moyens (ACE - Average Causal Effects) des stratégies de traitement sur les résultats d'événements récurrents (par exemple, les épisodes d'insuffisance rénale aiguë) est cruciale en recherche clinique, mais elle est méthodologiquement complexe. Les analyses standards échouent souvent à traiter de manière adéquate la complexité des contextes longitudinaux impliquant des traitements variables dans le temps, une confusion variable dans le temps et une non-observance. De plus, les études précédentes estimant l'ACE pour les événements récurrents se sont principalement concentrées sur des contextes d'exposition ponctuels, négligeant les nuances de l'observance thérapeutique soutenue. Par ailleurs, la présence de « risques semi-compétitifs », tels que le décès, complique l'analyse des événements non terminaux récurrents, car le décès interrompt l'ensemble des sujets à risque pour les événements futurs. Les données de l'essai SPRINT (Systolic Blood Pressure Intervention Trial) présentent un cas spécifique où la gestion intensive par rapport à la gestion standard de la pression artérielle peut affecter différemment les récurrences d'insuffisance rénale aiguë (IRA) et la mortalité, nécessant des méthodes d'inférence causale robustes pour démêler ces effets.

Méthodologie
Les auteurs proposent un cadre basé sur le modèle contrefactuel et la formule g longitudinale pour estimer les effets causaux sous des régimes de traitements et d'observance variables dans le temps.

1. Structure des Données et Identification :

   • L'étude définit une structure de données longitudinale avec des variables de base ($L_0$), des covariables variables dans le temps ($L_k$), une assignation au traitement ($Z$), une observance variable dans le temps ($A_k$) et des indicateurs d'événements récurrents binaires ($Y_k$).
   • L'identification causale repose sur trois hypothèses standards : l'échangeabilité conditionnelle, la positivité et la cohérence.
   • L'estimand cible est le compte cumulé attendu des événements récurrents ($E[R_{K+1}^{z, \bar{a}_K}]$) sous des régimes d'intervention spécifiques pour le traitement ($z$) et l'observance ($\bar{a}_K$). Ceci est exprimé via une forme d'espérance conditionnelle itérative (ICE).

2. Estimation de la Robustesse Double via la TMLE :

   • Les auteurs étendent l'estimation de la maximum de vraisemblance ciblée longitudinale (TMLE - Longitudinal Targeted Maximum Likelihood Estimation) pour gérer les résultats d'événements récurrents sur une grille de temps discrète.
   • La méthode utilise la fonction d'influence efficiente (EIF) pour construire des estimateurs qui possèdent une robustesse double : l'estimateur reste consistant si soit le modèle de score de propension (mécanisme de traitement/observance), soit le modèle de régression de l'effet est correctement spécifié.
   • L'implémentation incorpore des algorithmes d'apprentissage automatique (par exemple, l'Extreme Gradient Boosting, les modèles additifs généralisés) pour l'estimation des fonctions de nuisance afin d'atténuer le biais de mauvaise spécification de modèle.
   • L'algorithme implique un processus de mise à jour itératif où les modèles de régression de l'effet sont ajustés à l'aide d'un paramètre de fluctuation dérivé des scores de propension pour cibler l'estimand spécifique.

3. Gestion des Risques Semi-Compétitifs :

   • Pour traiter le problème du décès interrompant l'observation des événements récurrents, le décès ($D_k$) n'est pas modélisé comme un événement de censure à éliminer, mais comme un risque semi-compétitif.
   • Le décès est incorporé comme une composante des covariables variables dans le temps ($L_k^*$), avec une relation déterministe où le décès implique la cessation des événements d'IRA futurs ($D_k=1 \implies Y_k=0$). Cela permet l'estimation de l'effet total, qui inclut les voies médiées par le décès.

Contributions Clés

• Extension Méthodologique : L'article formalise les estimands causaux cibles et les structures de données pour les résultats d'événements récurrents sous traitement et observance variables dans le temps, étendant la TMLE longitudinale à ce contexte spécifique.
• Implémentation Pratique : Il fournit un guide d'implémentation transparent, étape par étape (Algorithme 1), pour la construction d'estimateurs de robustesse double utilisant l'apprentissage automatique, facilitant l'application dans des études du monde réel.
• Gestion de la Complexité : Le cadre traite explicitement la confusion variable dans le temps, la non-observance (permettant à la fois des analyses en intention de traiter et per-protocole) et le risque semi-compétitif du décès sans dépendre d'interventions hypothétiques qui élimineraient le décès.

Résultats (Application SPRINT)
Les méthodes proposées ont été appliquées aux données SPRINT (9 322 sujets) pour évaluer les effets d'une thérapie de réduction de la pression artérielle intensive ($<120$ mm Hg) par rapport à une thérapie standard ($<140$ mm Hg) sur les récurrences d'IRA sur une période de quatre ans.

• Effet Total en Intention de Traiter (ITT) : L'assignation des patients à la thérapie intensive a entraîné une augmentation statistiquement significative des événements d'IRA par rapport à la thérapie standard. La différence estimée était de 0,019 (IC 95 % : [0,011, 0,026]).
• Effet Total Per-Protocole (PP) : Sous un scénario hypothétique d'observance totale des régimes assignés, le groupe de thérapie intensive présentait également un nombre attendu d'IRA récurrentes légèrement plus élevé que le groupe standard. La différence estimée était de 0,017 (IC 95 % : [0,007, 0,027]).
• Effets de l'Observance : Des analyses supplémentaires de l'effet d'intervention de la population (PIE) pour l'observance ont indiqué que le passage de l'observance observée à une observance totale avait un impact négligeable sur les taux de récurrence de l'IRA, suggérant que la similitude entre les estimations ITT et PP est due à une forte observance de base dans la population de l'étude.
• Robustesse : Les analyses de sensibilité concernant la discrétisation temporelle (bisannuelle vs annuelle) et l'utilisation de différents algorithmes d'apprentissage automatique (GLM, XGB, GAM) ont produit des résultats cohérents, confirmant la robustesse des conclusions causales.

Signification et Revendications
L'article affirme que sa méthodologie offre une approche rigoureuse pour estimer l'effet causal total des stratégies de traitement sur les événements récurrents en présence de risques semi-compétitifs. En traitant le décès comme un événement de troncature plutôt que comme un mécanisme de censure à éliminer hypothétiquement, les auteurs soutiennent que leur approche reflète plus précisément les implications de santé publique réelles que les méthodes reposant sur des effets directs contrôlés (qui nécessitent des hypothèses sur l'élimination du décès qui peuvent être mal définies).

Les auteurs concluent que, bien que la réduction intensive de la pression artérielle réduise la mortalité, elle est associée à une augmentation marginale de la fréquence des épisodes d'IRA récurrents. Ils soulignent que leur cadre TMLE, renforcé par l'apprentissage automatique et la robustesse double, fournit un outil fiable pour les cliniciens et les chercheurs afin de naviguer entre les bénéfices cardiovasculaires et les risques rénaux dans les études longitudinales présentant des structures d'observance et de risques compétitifs complexes. L'article note modestement que la validité de la définition de l'observance repose sur l'hypothèse que les mesures d'observance au niveau de l'intervalle reflètent fidèlement l'observance réelle, une limite qui peut être plus prononcée dans les populations ayant des taux de conformité plus faibles.