Bayesian fusion forests for heterogeneous treatment effects on survival from randomised and real-world data

Résumé Technique : Forêts de Fusion Bayésienne pour les Effets de Traitement Hétérogènes sur la Survie

Énoncé du Problème
L'article traite du défi que représente l'estimation des effets de traitement hétérogènes (HTE) sur les résultats de survie en combinant des données issues d'un essai contrôlé randomisé (ECR) et de données en vie réelle (RWD). Si les ECR fournissent des estimations causales sans biais, ils sont souvent sous-dimensionnés pour l'analyse de sous-groupes et disposent d'un suivi limité. À l'inverse, les RWD offrent des tailles d'échantillons plus importantes et un suivi plus long, mais souffrent de facteurs de confusion non mesurés.

Trois défis spécifiques apparaissent lors de la fusion de ces sources pour les données de survie :

1. Confusion non mesurée : Dans les RWD, l'assignation au traitement n'est pas aléatoire et peut dépendre de facteurs non observés, biaisant les estimations de l'effet de traitement.
2. Hétérogénéité entre les sources : Le pronostic de base (survie sans traitement) et les distributions d'erreur peuvent différer entre la population de l'essai et la population observationnelle en raison de différences d'éligibilité, de protocoles et de composition de cas. La simple agrégation confond ces différences de base avec l'effet de traitement.
3. Censure : Les données de survie impliquent souvent une censure à droite (le temps de l'événement dépasse le suivi) et une censure par intervalle (l'événement se produit entre deux visites périodiques), ce qui complique la construction de la vraisemblance et l'estimation.

Les méthodes existantes ne traitent généralement qu'un ou deux de ces défis, échouant souvent à accommoder simultanément la censure par intervalle et la confusion non mesurée tout en estimant l'HTE.

Méthodologie : La Forêt de Fusion Bayésienne
Les auteurs proposent un cadre non paramétrique appelé Forêt de Fusion Bayésienne, qui modélise le logarithme du temps de survie à l'aide d'une décomposition de type Modèle de Temps de Survie Accéléré (AFT). Le modèle analyse conjointement les données des deux sources ($S \in \{0, 1\}$) et décompose le logarithme du temps de survie conditionnel comme suit :

$$\log T = m_0(X, S) + \tau(X)A + (1-S)A c(X) + \varepsilon$$

Où :

• $A$ est l'indicateur binaire de traitement.
• $X$ représente les covariables pré-traitement.
• $m_0(X, S)$ (Pronostic de base) : Modélisé comme une composante partagée $m_0^{sh}(X)$ plus une déviation spécifique à la source $(1-S)d(X)$. Cette structure permet au modèle de prêter de la force entre les sources tout en accommodant les différences de pronostic de base.
• $\tau(X)$ (Effet de traitement) : L'Effet Moyen de Traitement Conditionnel (CATE), défini comme $E[\log T(1) - \log T(0) | X]$. Il s'agit de l'estimand principal, interprété comme un facteur d'accélération sur l'échelle du temps de survie.
• $c(X)$ (Fonction de confusion) : Un terme actif uniquement dans les RWD ($S=0$) qui absorbe le biais causé par la confusion non mesurée. Il est défini comme la différence entre le contraste de traitement observé dans les RWD et le véritable effet causal.
• $\varepsilon$ (Terme d'erreur) : Modélisé à l'aide d'un Mélange de Processus de Dirichlet Hiérarchique (HDPM) de normales. Cela permet à la distribution d'erreur de différer en forme et en échelle entre les deux sources tout en partageant des composantes de mélange, capturant ainsi la non-gaussianité et l'hétérogénéité sans supposer une forme paramétrique unique.

Priors et Régularisation
Chaque composante fonctionnelle ($m_0^{sh}, d, \tau, c$) se voit assigner un a priori d'Arbre de Régression Additif Bayésien (BART). Les auteurs implémentent une « échelle » de régularisation pour refléter l'information disponible pour chaque composante :

• Base ($m_0^{sh}$) : Le prior le plus flexible (200 arbres) pour capturer des structures intrinsèques complexes à la maladie.
• Déviation ($d$) : Flexibilité modérée (50 arbres) pour capturer les différences résiduelles de pronostic entre les sources.
• Effet de traitement ($\tau$) : Régularisation plus forte (100 arbres, pénalité de profondeur) pour réduire vers l'homogénéité, limitant l'hétérogénéité spécieuse.
• Fonction de confusion ($c$) : La régularisation la plus forte (50 arbres, faible probabilité de division de racine, pénalité de profondeur) pour réduire vers un biais uniforme, reflétant l'hypothèse que la confusion non mesurée varie peu avec les covariables.

Inférence
L'inférence a posteriori est réalisée via un échantillonneur de Gibbs bloqué. L'échantillonneur met à jour les forêts BART par rapport aux résidus partiels et gère les observations censurées (à droite et par intervalle) via l'augmentation de données (Tanner et Wong, 1987). Le bloc d'erreur HDPM est mis à jour via une étape de Gibbs séparée sur les assignations de clusters, les atomes et les paramètres de concentration.

Résultats Clés

• Étude de Simulation :

  • Robustesse à la confusion : La Forêt de Fusion Bayésienne reste essentiellement sans biais à travers différents niveaux de confusion non mesurée ($\lambda_u$), alors que les estimations basées uniquement sur les RWD deviennent de plus en plus biaisées.
  • Robustesse à l'hétérogénéité : La méthode reste sans biais même lorsque l'hétérogénéité du pronostic de base entre les sources augmente ($\lambda_d$).
  • Efficacité : L'approche de fusion atteint une erreur quadratique moyenne (RMSE) et une variance a posteriori plus faibles que l'analyse basée uniquement sur l'ECR pour tous les niveaux de confusion et d'hétérogénéité.
  • Comparaison avec le ML : La méthode surpasse quatre bases de machine learning flexibles (Réseaux de neurones profonds, Gradient Boosting, Boosting de Buckley-James) tant en précision qu'en calibration d'intervalle. Alors que les méthodes de ML produisaient souvent des intervalles étroits, elles souffraient d'une couverture sévèrement insuffisante (0,00–0,48) ou nécessitaient des intervalles excessivement larges pour atteindre la couverture. La Forêt de Fusion a atteint une couverture nominale (0,96) avec une largeur compétitive.
  • Covariables de haute dimension : À mesure que le nombre de covariables augmentait (jusqu'à $p=500$), la méthode de fusion maintenait une RMSE et une variance plus faibles par rapport à la référence de l'essai seul, démontant que les gains de précision issus du prêt de force des RWD l'emportent sur le coût de la recherche dans un espace de covariables plus large.

• Application (Traitement antirétroviral du VIH) :

  • Les auteurs ont fusionné l'essai ACTG 175 (censuré à droite, ~3 ans de suivi) avec l'étude multicentrique de la cohorte de SIDA (censuré par intervalle, ~25 ans de suivi) pour estimer l'effet de la thérapie combinée par rapport à la monothérapie ZDV.
  • Résultats : La fusion a estimé un facteur d'accélération moyen de 1,65 (IC 95 % : [1,43, 1,90]), indiquant que la thérapie combinée prolonge la survie sans événement par un facteur de 1,65.
  • Estimations individuelles : La forêt de fusion a fourni des estimations individuelles nettement plus précises (largeur moyenne de l'IC 95 % réduite de 62 % par rapport à l'analyse de l'essai seul). Elle a identifié un bénéfice pour presque chaque patient (96,4 % avec une probabilité a posteriori de bénéfice > 95 %), tandis que l'analyse de l'essai seul était non concluante pour un quart des patients.
  • Hétérogénéité : Le bénéfice du traitement varie selon le taux de CD8 et la race, des bénéfices plus élevés étant observés chez les patients ayant des taux de CD8 plus élevés.

Signification et Revendications
L'article affirme que la Forêt de Fusion Bayésienne est la première méthode capable d'adresser simultanément la confusion non mesurée, l'hétérogénéité entre les sources et la censure (à droite et par intervalle) dans le contexte de l'estimation des effets de traitement hétérogènes pour les données de survie.

Les auteurs soulignent que leur approche :

1. Relâche l'hypothèse d'absence de confusion : En modélisant explicitement une fonction de confusion, la méthode évite de devoir supposer que les RWD sont sans confusion, une hypothèse courante et souvent violée dans la fusion de données.
2. Prête la force de manière appropriée : La structure hiérarchique permet un emprunt adaptatif d'informations des RWD, améliorant la précision sans compromettre la validité causale.
3. Fournit une incertitude calibrée : Contra à de nombreux prédicteurs de machine learning qui visent la prédiction plutôt que l'inférence causale, le cadre bayésien fournit une quantification de l'incertitude intrinsèque et calibrée pour les effets de traitement individuels.
4. Fournit des informations exploitables : Dans l'application au VIH, la méthode a résolu les résultats non concluants de l'essai, identifiant des bénéfices quasi universels de la thérapie combinée qui étaient obscurcis par le suivi limité et la puissance de l'essai.

Les auteurs notent que le cadre suppose que le facteur d'accélération est invariant dans le temps (dépendant des covariables mais pas du temps), une hypothèse standard dans les modèles AFT, et suggèrent que de futures extensions pourraient incorporer des effets dépendants du temps. L'implémentation logicielle est mise à disposition pour faciliter la reproductibilité.