Accounting for overdispersion and clustering in binomial data from N-of-1 trials

Résumé technique : Prise en compte de la surdispersion et du regroupement dans les données binomiales issues des essais N-of-1

Énoncé du problème
Les essais N-of-1 sont des expériences de croisement randomisées, en double aveugle et centrées sur le patient, conçues pour évaluer les interventions pour des patients individuels souffrant de maladies chroniques. Bien que l'objectif principal soit de déterminer l'efficacité pour un patient spécifique, il existe une valeur significative à regrouper les résultats de plusieurs essais N-of-1 afin d'obtenir des estimations de l'efficacité au niveau de la population et d'évaluer le succès de l'individualisation du traitement. Cependant, les méthodes statistiques standards pour regrouper les données binomiales échouent souvent à prendre en compte deux caractéristiques critiques inhérentes aux conceptions N-of-1 :

1. La surdispersion : La variance des résultats binaires dépasse souvent la relation moyenne-variance prescrite par la distribution binomiale standard.
2. Le regroupement hiérarchique (Clustering) : Les mesures sont corrélées au sein des patients en raison de la répétition des épisodes de traitement (corrélation intra-patient).

Bien que des méthodes bayésiennes aient été proposées dans ce contexte, particulièrement pour les résultats binaires, il existe un manque d'approches fréquentistes qui traitent rigoureusement à la fois la surdispersion et le regroupement de manière simultanée. Cet article comble cette lacune en présentant et en comparant deux stratégies analytiques fréquentistes pour regrouper les données binomiales issues des essais N-of-1.

Méthodologie
Les auteurs proposent deux approches fréquentistes distinctes pour estimer la proportion regroupée ($\theta$) de préférence ou de succès du traitement.

• Méthode 1 : Approche par quasi-vraisemblance (QL) (Surdispersion uniquement)
  Cette méthode modélise les données à l'aide d'une distribution Beta-Binomiale pour tenir compte de la surdispersion ($\rho$), mais traite les patients comme des unités indépendantes concernant la structure de regroupement.

  • Modèle : $X_j \sim \text{BetaBinom}(n_j, \theta, \rho)$, où $X_j$ est le nombre de succès pour le patient $j$ sur $n_j$ épisodes.
  • Estimation : La proportion regroupée $\theta$ est estimée à l'aide d'un estimateur de quasi-vraisemblance : $\hat{\theta}_{QL} = \frac{\sum c_j X_j}{\sum c_j n_j}$, où les poids $c_j$ dépendent du paramètre de surdispersion $\rho$.
  • Estimation de la variance : Les erreurs types sont dérivées de la méthode du Jackknife pour assurer la cohérence.
  • Estimation de $\rho$ : Le papier évalue plusieurs estimateurs du paramètre de corrélation intra-classe (ICC) $\rho$, notamment l'Analyse de Variance (AOV), Fleiss-Cuzick (FC), Pearson (PE), l'Extended Quasi-Likelihood (EQL), la Pseudo-Vraisemblance (PL) et la Méthode des Moments (MM). Les auteurs notent que les formules de variance en forme close pour certains estimateurs (comme l'AOV) peuvent donner des valeurs négatives ou biaisées, ce qui les amène à s'appuyer sur l'estimation de variance par Jackknife pour la comparaison.

• Méthode 2 : Approche par effets aléatoires (Surdispersion et Regroupement)
  Cette méthode, adaptée de Molenberghs et al., utilise un modèle hiérarchique à effets aléatoires pour tenir compte simultanément de la surdispersion et de la corrélation entre les mesures répétées au sein des patients.

  • Modèle : $X_j \sim \text{Binom}(n_j, \theta_j)$, où $\theta_j = \pi_j \kappa_j$. Ici, $\pi_j$ (modélisé via une distribution Beta) rend compte de la surdispersion restante et $\kappa_j$ (un effet aléatoire dérivé d'une distribution normale) rend compte du regroupement hiérarchique.
  • Estimation : Les paramètres sont estimés via le Maximum de Vraisemblance (ML) en utilisant l'intégration numérique. L'estimation finale regroupée est dérivée du produit des espérances des composantes aléatoires : $\hat{\theta} = \hat{E}(\pi_j) \times \hat{E}(\kappa_j)$.
  • Approximation : L'espérance de la fonction sigmoïde de la variable aléatoire normale est approximée à l'aide d'une fonction de répartition de la loi normale standard avec un facteur d'échelle ($\lambda \approx 0,588$).

Étude de simulation et résultats
Les auteurs ont mené une étude de simulation avec 1 000 itérations pour comparer les performances de ces méthodes sous différents scénarios de proportion réelle ($\theta$) et de surdispersion ($\rho$), avec des tailles d'échantillon variables ($J$ patients et $n_j$ épisodes).

• Performance des estimateurs de $\rho$ : Dans la Méthode 1, l'estimateur Extended Quasi-Likelihood (EQL) pour $\rho$ a présenté une erreur quadratique moyenne (MSE) et un biais élevés, particulièrement lorsque $\theta = 0,50$. Cependant, malgré la faible performance de l'estimateur EQL pour $\rho$, l'estimation de la proportion regroupée ($\hat{\theta}$) résultante a performé de manière comparable, voire parfois supérieure, aux autres estimateurs. Les auteurs attribuent cela à un effet de compensation où le biais de $\hat{\rho}$ réduit la contribution de la variance du terme $\rho$ dans l'expansion de la méthode Delta de $\text{Var}(\hat{\theta})$.
• Performance de la Méthode 1 vs. Méthode 2 :
  • MSE : Les estimateurs de la Méthode 1 ont généralement montré des MSE stables. La Méthode 2 a montré des MSE compétitives dans certains scénarios, mais a moins bien performé lorsque $\theta = 0,75$.
  • Probabilité de couverture : La Méthode 1 a maintenu des probabilités de couverture proches du niveau nominal de 95 % dans tous les scénarios. La Méthode 2 (Effets Aléatoires) a montré une couverture significativement faible (jusqu'à ~78 %) lorsque $\theta = 0,75$. Les auteurs attribuent cela à la distribution d'échantillonnage asymétrique des estimations de variance dans les modèles linéaires généralisés à effets mixtes (GLMM), ce qui rend les intervalles de confiance symétriques inappropriés dans ces scénarios spécifiques.
• Effets de la taille de l'échantillon : Augmenter le nombre de patients ($J$) a réduit la MSE plus efficacement qu'augmenter le nombre d'épisodes par patient ($n_j$).

Applications sur des données réelles
Les méthodes ont été appliquées à trois ensembles de données d'essais N-of-1 du monde réel :

1. Amitriptyline pour la fibromyalgie : Toutes les méthodes ont produit des estimations regroupées de préférence similaires ($\hat{\theta} \approx 0,67$). Aucune surdispersion significative n'a été détectée (les intervalles de confiance pour $\rho$ incluaient zéro).
2. AINS vs Paracétamol pour l'arthrose : Les résultats sont cohérents entre les méthodes ($\hat{\theta} \approx 0,42$ pour le score total du journal). Aucune surdispersion significative n'a été trouvée.
3. Théophylline pour la CAL irréversible : Les estimations regroupées sont cohérentes ($\hat{\theta} \approx 0,51$). Là encore, aucune preuve significative de surdispersion n'a été détectée.
   Dans tous les exemples de données réelles, les estimations ponctuelles de la proportion regroupée étaient remarquablement cohérentes entre les différentes méthodes, malgré les variations dans les paramètres de surdispersion estimés.

Signification et revendications
L'article affirme fournir les premières méthodes basées sur des approches fréquentistes pour regrouper les données binaires des essais N-of-1 qui traitent explicitement la surdispersion et le regroupement hiérarchique.

• Contribution méthodologique : Les auteurs introduisent un cadre de quasi-vraisemblance pour la surdispersion et adaptent un cadre d'effets aléatoires pour traiter simultanément la surdispersion et le regroupement.
• Distinction interprétative : Le papier souligne une différence conceptuelle entre les deux méthodes. La Méthode 1 produit des estimations « moyennes de la population » (PA), tandis que la Méthode 2 produit des estimations « spécifiques au sujet » (SS). Étant donné que les essais N-of-1 sont intrinsèquement axés sur les différences individuelles, les auteurs suggèrent que l'interprétation de la Méthode 2 (SS) peut être légèrement plus appropriée pour le contexte N-of-1, malgré sa complexité computationnelle et ses problèmes occasionnels de couverture.
• Utilité pratique : L'étude démontre que, bien que l'estimation du paramètre de surdispersion ($\rho$) puisse être instable (particulièrement avec l'EQL), l'estimation de la proportion regroupée ($\hat{\theta}$) résultante est robuste à travers les différentes stratégies d'estimation. Les auteurs concluent que, pour des applications pratiques, le choix de la méthode peut dépendre de si l'objectif inférentiel est de niveau population ou de niveau individuel, et que la Méthode 1 offre une alternative plus simple et robuste lorsque les propriétés de couverture de la Méthode 2 sont préoccupantes.