📊 statistics

Causal Mediation Analysis with a Time-Dependent Mediator, Time-Dependent Confounders and a Time-to-Event Outcome: Revisiting the Difference Method

Cet article évalue la performance de la méthode de différence pour l'analyse de médiation causale avec des médiateurs, des facteurs de confusion et des résultats de type temps de survie dépendant du temps, concluant que, bien qu'elle puisse fournir des estimations non biaisées sous des hypothèses spécifiques (telles que l'absence d'effet du traitement sur les facteurs de confusion dépendants du temps) en utilisant les modèles d'Aalen ou de Cox, elle échoue généralement en raison de problèmes de biais ou de collapsibilité par rapport à la formule g de médiation paramétrique, plus robuste.

Auteurs originaux : Robin Denz, Nina Timmesfeld

Publié 2026-08-14

📖 5 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Robin Denz, Nina Timmesfeld

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Imaginez que vous êtes un détective tentant de résoudre un mystère : comment une action spécifique, comme la prise d'un médicament, change-t-elle réellement l'avenir d'une personne ? Parfois, le médicament agit directement, comme un bouclier magique. Mais souvent, il agit indirectement, comme un entraîneur qui forme un joueur, et ce joueur gagne ensuite le match. Dans le monde de la science médicale, c'est ce qu'on appelle l'analyse de médiation. C'est l'art de diviser un effet total en deux parties : le chemin « direct » et le chemin « indirect ».

Maintenant, imaginez que le mystère devient plus difficile. Le « joueur » (un marqueur biologique dans le corps) n'est pas seulement un instantané ; il change chaque jour. L'« entraîneur » (le traitement) peut aussi changer l'environnement autour de lui chaque jour. Et le « match » (le résultat, comme la survie) ne se produit pas à un moment fixe ; cela pourrait être demain ou dans dix ans. C'est la réalité désordonnée des données de type survie (time-to-event) avec des variables dépendantes du temps. Les scientifiques ont construit des ordinateurs incroyablement complexes et surpuissants pour résoudre ces énigmes, mais ils sont si lourds et compliqués que la plupart des médecins et chercheurs ne peuvent pas les utiliser. Ainsi, beaucoup de gens utilisent un « raccourci » appelé la méthode de la différence. C'est comme essayer de deviner le poids d'un objet caché en pesant la boîte entière, puis en pesant la boîte sans l'objet, et en faisant la soustraction. C'est simple, rapide et cela nécessite très peu de mathématiques. Mais ce raccourci fonctionne-t-il lorsque le match est aussi complexe, ou vous mène-t-il vers le mauvais suspect ?

Ce document est un essai routier rigoureux de ce raccourci. Les auteurs, Robin Denz et Nina Timmesfeld, ont mis en place un laboratoire numérique massif pour voir si la « méthode de la différence » peut survivre au chaos des variables changeant avec le temps et des résultats de survie. Ils ne se sont pas contentés de deviner ; ils ont construit des milliers de mondes fictifs (simulations) où ils connaissaient la vérité exacte. Ils ont opposé la simple méthode de la différence à un outil lourd et complexe appelé la g-formule paramétrique de médiation, qui fait office de référence absolue (gold standard).

Voici ce qu'ils ont trouvé dans leurs simulations :

Premièrement, le raccourci n'est pas une solution universelle. Si le traitement modifie un facteur dépendant du temps (comme un effet secondaire qui apparaît plus tard) qui perturbe ensuite la relation entre le médiateur et le résultat, la méthode de la différence échoue de manière spectaculaire. Elle s'embrouille, confondant les effets directs avec les effets indirects, et produit des résultats biaisés. Dans ces scénarios désordonnés, le raccourci est tout simplement faux.

Deuxièmement, le raccourci fonctionne parfois, mais seulement sous des conditions très spécifiques. Si le résultat est rare (comme une maladie qui frappe très peu de personnes) et que les chercheurs utilisent un type spécifique de modèle mathématique appelé le modèle à risques proportionnels de Cox, la méthode de la différence peut donner des réponses sans biais. De même, si l'on utilise un modèle de risques additifs d'Aalen, elle fonctionne bien même si le résultat est fréquent, à condition que le traitement ne soit pas la cause directe des facteurs de confusion dépendants du temps. Cependant, si l'on tente d'utiliser le raccourci avec des modèles de temps de survie accéléré (AFT), on produit presque toujours une erreur petite mais constante, peu importe la propreté des données. Cela est dû à une particularité mathématique appelée « non-collapsibilité », où les calculs ne s'additionnent pas comme on pourrait l'attendre.

Enfin, les auteurs ont appliqué ce test à un exemple du monde réel : une étude sur l'acide ursodésoxycholique (UDCA), un médicament utilisé pour traiter une maladie du foie appelée cholangite biliaire primitive. Ils voulaient voir si le médicament aidait les patients à vivre plus longtemps en ralentissant les dommages aux tissus hépatiques (le médiateur). Dans ce cas précis, sur ce petit ensemble de données, le simple raccourci et l'outil complexe de référence ont donné des résultats très similaires. Cependant, les auteurs avertissent que cette similitude pourrait être un coup de chance causé par la taille minuscule de l'échantillon et le fait que les données étaient si propres. Ils soulignent que dans le monde réel, où les données sont désordonnées et les hypothèses sont souvent violées, s'appuyer sur la simple méthode de la différence est risqué.

En résumé, le document suggère que bien que la méthode de la différence soit un outil tentant et facile à utiliser, c'est un peu un « piège » pour les données de survie dépendantes du temps. Elle ne fonctionne que si vous êtes extrêmement prudent quant à vos hypothèses et au type de mathématiques que vous utilisez. Pour la plupart des scénarios réels, les auteurs recommandent de s'en tenir aux méthodes complexes et robustes comme la g-formule paramétrique, même si elles sont plus difficiles à utiliser, car elles sont beaucoup plus susceptibles de vous dire la vérité. Le raccourci peut vous faire gagner du temps, mais dans le jeu à enjeux élevés de la recherche médicale, il pourrait vous coûter la réponse.

Résumé technique : Analyse de médiation causale avec un médiateur dépendant du temps, des facteurs de confusion dépendants du temps et un critère de jugement de type temps de survie

1. Énoncé du problème

L'analyse de médiation est un outil standard pour décomposer les effets totaux du traitement en composantes directes et indirectes. Cependant, l'application de ces méthodes à des contextes impliquant des critères de jugement de type temps de survie (time-to-event), des médiateurs dépendants du temps et des facteurs de confusion dépendants du temps présente des défis importants. Les méthodes rigoureuses existantes (par exemple, la formule g paramétrique de médiation, l'analyse de chemin dynamique, la modélisation multi-états) sont souvent statistiquement complexes, exigeantes en termes de calcul et manquent d'implémentations logicielles conviviales.

Par conséquent, les chercheurs sont souvent tentés d'utiliser la méthode de la différence, une approche simple où l'effet indirect est estimé en soustrayant le coefficient de l'effet direct du coefficient de l'effet total dans deux modèles de régression distincts. Bien que largement utilisée pour les variables continues et les médiateurs fixes dans le temps, la performance de la méthode de la différence dans les contextes de survie longitudinaux complexes est controversée. Des études antérieures suggèrent qu'elle peut produire des estimations biaisées en raison de la non-collapsibilité (dans les modèles de Cox) ou de violations structurelles (par exemple, des facteurs de confusion dépendants du temps causés par le traitement). Cependant, il n'y a pas eu d'évaluation systématique de sa performance empirique dans des processus de génération de données (DGP) réalistes avec des médiateurs dépendants du temps pour des estimands cibles bien définis.

2. Méthodologie

2.1 Estimands cibles et identification

Les auteurs définissent les estimands cibles sur la base des effets spécifiques aux chemins en utilisant la notation contrefactuelle (Vansteelandt et al., 2019). Cette approche contourne les problèmes de confusion post-traitement en définissant des historiques contrefactuels pour les facteurs de confusion dépendants du temps ( $L_t$ ) et les médiateurs ( $M_t$ ) de manière récursive.

Effet Total (TE) : Contraste entre $Y^{1,1}$ et $Y^{0,0}$ .
Effet Direct (DE) : Contraste entre $Y^{1,0}$ et $Y^{0,0}$ (médiateur fixé au contrefactuel sous contrôle).
Effet Indirect (IE) : Contraste entre $Y^{1,1}$ et $Y^{1,0}$ .
Ces effets sont évalués sur trois échelles correspondant à des modèles de survie populaires : le rapport de risque logarithmique (Cox), la différence de risque (Aalen) et le temps de survie logarithmique (modèle à temps de défaillance accéléré - AFT).

2.2 Méthodes comparées

L'étude compare la méthode de la différence à la formule g de médiation paramétrique (utilisée comme référence).

Méthode de la différence : Ajuste deux modèles :
1. Modèle de l'effet total : Résultat $\sim$ Traitement + Facteurs de confusion de base.
2. Modèle de l'effet direct : Résultat $\sim$ Traitement + Médiateur dépendant du temps + Facteurs de confusion dépendants du temps + Facteurs de confusion de base.
  L'effet indirect est estimé comme la différence entre les coefficients du traitement ( $\hat{\theta}_A - \hat{\beta}_A$ ).
- Modèles utilisés : Risques proportionnels de Cox, Risques additifs d'Aalen, et AFT (Weibull).
Formule g de médiation paramétrique : Une approche basée sur la simulation qui estime l'espérance des résultats contrefactuels en modélisant les probabilités conditionnelles du médiateur, des facteurs de confusion et du résultat au fil du temps, puis en simulant des données sous différents scénarios d'intervention ( $a, a'$ ) pour estimer les effets.

2.3 Conception de l'étude de simulation

Une simulation d'événements discrets (algorithme de Gillespie) a été utilisée pour générer des données avec $n=2000$ individus.

Variables : Traitement de base binaire ( $A$ ), covariables de base ( $X, Z$ ), facteur de confusion dépendant du temps ( $L_t$ ), médiateur dépendant du temps ( $M_t$ ), et résultat dépendant du temps ( $Y_t$ ).
Scénarios : Six scénarios ont été construits pour varier la structure causale :
1. Scénario 1 : Traitement randomisé ; $L_t$ est un pur prédicteur du résultat (pas de confusion).
2. Scénario 2 : $L_t$ est un facteur de confusion dépendant du temps de la relation médiateur-résultat.
3. Scénario 3 : Boucle de rétroaction entre $L_t$ et $M_t$ .
4. Scénario 4 : $L_t$ est directement causé par le traitement $A$ (violation de l'hypothèse selon laquelle le traitement ne doit pas affecter les facteurs de confusion dépendants du temps).
5. Scénario 5 : Traitement non randomisé avec confusion de la relation traitement-médiateur.
6. Scénario 6 : Traitement non randomisé avec confusion de la relation traitement-résultat.
Paramètres : Les scénarios incluaient des variations dans la probabilité d'événement de base (résultats rares vs fréquents) et la présence/absence d'effets indirects.
Métriques de performance : Biais et Erreur Quadratique Moyenne (MSE) de l'effet indirect estimé.

2.4 Application au monde réel

Les méthodes ont été appliquées aux données d'un essai contrôlé randomisé (Lindor et al., 1994) sur l'acide ursodésoxycholique (UDCA) pour la cholangite biliaire primitive (CBP).

Traitement : UDCA vs Placebo.
Médiateur : Progression histologique (dépendante du temps).
Résultat : Survie sans transplantation hépatique (temps de survie).
Facteurs de confusion : Stade de la maladie à la base, score de risque de Mayo, bilirubine ; varices dépendantes du temps.

3. Résultats clés

3.1 Résultats de la simulation

Modèle d'Aalen (Méthode de la différence) : A produit des estimations non biaisées dans les scénarios 1–3 et 5–6, à condition que le modèle soit correctement spécifié et que le traitement ne cause pas directement le facteur de confusion dépendant du temps ( $L_t$ ). Cela s'est vérifié tant pour les résultats rares que fréquents.
Modèle de Cox (Méthode de la différence) : A produit des estimations non biaisées uniquement lorsque le résultat était rare et que le traitement ne causait pas directement $L_t$ . Avec des résultats fréquents, la méthode a produit des estimations biaisées en raison de la non-collapsibilité, quel que soit le scénario.
Modèle AFT (Méthode de la différence) : A produit des estimations biaisées dans presque tous les scénarios, même lorsque le résultat était rare et qu'il n'y avait pas de confusion dépendante du temps. Le biais provenait de la non-collapsibilité des coefficients AFT ; l'effet direct marginal (estimand cible) différait du coefficient conditionnel estimé par le modèle.
Scénario 4 (Traitement $\to$ Facteur de confusion) : Dans tous les scénarios où le traitement causait directement le facteur de confusion dépendant du temps ( $L_t$ ), toutes les versions de la méthode de la différence ont produit des estimations biaisées, quel que soit le modèle utilisé ou si $L_t$ était inclus dans le modèle d'effet direct. Cela est dû au fait que le fait de conditionner sur $L_t$ supprime une partie de l'effet direct qui circule via $A \to L_t \to Y$ .
Formule g paramétrique : A produit des estimations non biaisées dans tous les scénarios et combinaisons de paramètres, servant de référence robuste.
Efficacité : Lorsque la méthode de la différence était non biaisée, elle présentait généralement une Erreur Quadratique Moyenne plus faible (meilleure précision) que la formule g, probablement en raison de la variance de simulation inhérente au calcul de l'estimation ponctuelle de la formule g dans cette étude.

3.2 Résultats de l'application au monde réel

Dans le jeu de données CBP :

La méthode de la différence (Cox/Aalen/AFT) et la formule g ont donné des estimations ponctuelles similaires pour les effets totaux, directs et indirects.
L'effet total de l'UDCA montrait une tendance protectrice (Hazard Ratio $\approx$ 0,63), mais les intervalles de confiance étaient larges et incluaient 1 en raison de la petite taille de l'échantillon ( $n=170$ ).
Les effets indirects via la progression histologique étaient proches de 1 (neutre), avec des intervalles de confiance larges.
Les auteurs notent que la quasi-équivalence des résultats dans ce jeu de données spécifique peut être fortuite ou due à la petite taille de l'échantillon masquant des violations structurelles (par exemple, des effets directs potentiels de l'UDCA sur les facteurs de confusion dépendants du temps comme les varices).

4. Signification et affirmations

L'article affirme combler une lacune dans la littérature en évaluant systématiquement la méthode de la différence dans le contexte spécifique des médiateurs et facteurs de confusion dépendants du temps avec des critères de jugement de type temps de survie.

Utilité conditionnelle : La méthode de la différence n'est pas recommandée de manière générale pour ce contexte. Elle n'est une alternative simple et viable que si des hypothèses strictes sont respectées :
1. Le traitement n'a pas d'effet causal direct sur les facteurs de confusion dépendants du temps.
2. Pour les modèles de Cox, le résultat doit être rare.
3. Pour les modèles AFT, la méthode est généralement non recommandée en raison du biais inhérent à la non-collapsibilité, même dans des conditions idéales.
Robustesse de la formule g : La formule g de médiation paramétrique reste la méthode préférée pour une estimation non biaisée à travers divers scénarios structurels, malgré sa complexité de calcul.
Conseils pratiques : Les auteurs soulignent que bien que la méthode de la différence soit efficace sur le plan computationnel et facile à implémenter (par exemple, deux lignes de code en R), son utilisation nécessite une évaluation prudente du DAG causal. Si l'hypothèse selon laquelle « le traitement n'affecte pas les facteurs de confusion dépendants du temps » ne peut être défendue, la méthode de la différence produira des résultats biaisés.

L'article conclut que bien que les méthodes spécialisées soient complexes, elles sont nécessaires pour une inférence valide dans les données de survie longitudinales complexes. La méthode de la différence doit être utilisée avec une extrême prudence et uniquement lorsque ses hypothèses structurelles restrictives sont plausibles.