Can Predictive Modeling Inform the Selection of Time Zero for Target Trial Emulations? An Empirical Study of Atorvastatin Initiation in Medicare Beneficiaries

Résumé technique : La modélisation prédictive peut-elle éclairer la sélection du « temps zéro » pour les émolations de l'essai cible ?

Énoncé du problème
Dans la recherche en pharmacoépidémiologie utilisant des données du monde réel (RWD) pour émuler des essais cibles, un défi de conception critique consiste à définir l'événement de « temps zéro ». Cet événement ancre l'évaluation de l'éligibilité, la classification de l'exposition et l'initiation du suivi. Pour les études d'initiation de médicaments, un événement de temps zéro valide doit satisfaire trois conditions : (1) une forte association avec l'indication clinique du traitement ; (2) une probabilité raisonnablement élevée d'initiation réelle du traitement ; et (3) une mesurabilité avec une précision temporelle suffisante dans les données administratives.

Les auteurs postulent que le fait de se fier uniquement aux directives cliniques ou aux connaissances théoriques est insuffisant car les données administratives manquent souvent de la granularité nécessaire pour confirmer qu'un événement clinique spécifique (par exemple, un diagnostic) conduit à l'initiation d'un traitement pour tous les patients. L'hétérogénéité de l'observance des patients, des préférences ou des contre-indications non mesurées peut entraîner une faible probabilité d'initiation ou des différences significatives entre ceux qui initient le traitement et ceux qui ne le font pas. Cela introduit un biais de canalisation et un confusionnel résiduel, compromettant la validité interne de l'émulation. L'étude répond au besoin d'une méthode empirique pour identifier les événements de temps zéro qui satisfont simultanément ces trois critères.

Méthodologie
L'étude a employé un plan de cohorte rétrospective utilisant des données de réclamations Medicare de type « fee-for-service » (parties A, B et D) du 1er janvier 2018 au 31 décembre 2019.

• Population de l'étude : La cohorte comprenait 4 071 007 bénéficiaires de Medicare naïfs de statines, âgés de ≥65 ans, ayant ≥12 mois d'adhésion continue et aucune dispensation de statine au cours des 12 mois précédents.
• Définition de l'exposition : La date d'index a été définie comme la première réclamation de dispensation de pharmacie pour un nouveau médicament prescrit en ambulatoire. Les patients ont été classés en « initiateurs d'atorvastatine » (n=117 069) ou « non-initiateurs d'atorvastatine » (n=393 083, représentant un échantillon aléatoire de 10 % des initiateurs non atorvastatine éligibles).
• Variables prédictives : Les variables candidates ont été recueillies durant la période de 6 mois précédant la date d'index. Celles-ci comprenaient la démographie, les comorbidités (groupées en 552 catégories CCSR à partir des codes ICD-10-CM), l'utilisation des soins de santé (visites aux urgences, admissions hospitalières) et la pharmacothérapie (417 indicateurs de médicaments binaires).
• Approche statistique : Une procédure de sélection de variables préspécifiée en huit étapes a été utilisée pour identifier les prédicteurs indépendants de l'initiation de l'atorvastatine incidente :
  1. Gestion des données (traitement des valeurs manquantes, dichotomisation, suppression des variables rares).
  2. Criblage du déséquilibre (différence moyenne standardisée ≥ 0,1).
  3. Évaluation de la colinéarité (suppression des variables avec |r| > 0,8).
  4. Validation de la stabilité : Deux simulations de Monte Carlo indépendantes (1 000 échantillons de bootstrap de 10 000 observations chacun) ont été réalisées en utilisant une régression LASSO adaptative et une régression logistique par élimination étape par étape (backward stepwise). Les variables sélectionnées dans ≥80 % des réplications dans les deux méthodes ont été conservées.
  5. Modélisation finale : Une régression logistique multivariée a été ajustée avec des erreurs types de bootstrap. La performance du modèle a été évaluée via la statistique C (discrimination) et des graphiques de calibration.
  6. Prédiction marginale : Les probabilités prédites d'initiation de l'atorvastatine ont été estimées pour des profils de patients spécifiques afin d'évaluer le critère de « haute probabilité ».
• Analyse de sensibilité : Une analyse restreinte a été menée sur les dates d'index survenant le ou après le 1er juillet 2018, afin d'évaluer les tendances temporelles.

Résultats clés

• Identification des prédicteurs : À partir d'un ensemble initial de 1 532 variables candidates, le processus rigoureux de sélection a identifié 19 prédicteurs significatifs et indépendants de l'initiation de l'atorvastatine.
• Prédicteurs les plus forts : Les deux prédicteurs les plus robustes étaient les admissions hospitalières pour infarctus cérébral (Odds Ratio [OR] 11,29 ; IC 95 % 10,47–12,17) et les admissions hospitalières pour infarctus aigu du myocarde (OR 6,56 ; IC 95 % 5,92–7,27). Ces variables ont été sélectionnées dans la quasi-totalité des réplications de bootstrap par les deux méthodes de validation.
• Probabilité d'initiation :
  • Un homme blanc ayant subi un infarctus cérébral récent en hospitalisation présentait une probabilité prédite d'initiation de l'atorvastatine de 69 % (IC 95 % 68–70 %).
  • Un homme blanc ayant subi un infarctus aigu du myocarde récent en hospitalisation présentait une probabilité prédite de 59 % (IC 95 % 5 6–61 %).
  • En revanche, les mêmes diagnostics enregistrés uniquement dans les réclamations ambulatoires ont donné des probabilités plus faibles (41 % et 44 %, respectivement), et un diagnostic d'hyperlipidémie en ambulatoire a présenté une probabilité de 34 %.
• Performance du modèle : Le modèle final a atteint une statistique C de 0,78 avec une excellente calibration.
• Analyse de sensibilité : Les résultats sont restés cohérents lorsqu'ils ont été restreints à la seconde moitié de la période d'étude, confirmant que les prédicteurs identifiés étaient indépendants des tendances saisonnières ou temporelles.

Signification et affirmations
L'article affirme que la modélisation prédictive empirique fournit un mécanisme systématique pour valider les événements de temps zéro pour les émolations d'essais cibles, allant au-delà des hypothèses théoriques. L'étude démontre qu'ancrer le temps zéro sur la sortie d'hospitalisation faisant suite à une admission hospitalière pour infarctus aigu du myocarde ou cérébral satisfait les trois exigences critiques d'un événement de temps zéro valide :

1. Indication clinique : Ces événements sont fortement associés à l'indication recommandée par les directives pour la prévention secondaire par traitement statine.
2. Haute probabilité d'initiation : Les données empiriques confirment une probabilité élevée (environ 60–70 %) d'initiation réelle de l'atorvastatine après ces événements hospitaliers spécifiques.
3. Précision temporelle : Les dates de sortie d'hospitalisation sont enregistrées avec précision dans les réclamations administratives.

Les auteurs soutiennent que l'utilisation de cet événement de temps zéro dérivé empiriquement devrait atténuer le biais de canalisation, le biais de sélection (y compris le biais de temps immortel) et le confusionnel résiduel dans les futures émolations d'essais cibles évaluant la sécurité de l'atorvastatine chez les adultes âgés. En synchronisant l'éligibilité, l'assignation du traitement et le suivi à un point de haute probabilité de traitement, les chercheurs peuvent créer des groupes plus comparables et améliorer la validité interne des études observationnelles de sécurité des médicaments. L'étude reconnaît des limites, notamment l'absence de données de laboratoire (ex: taux de LDL) et de facteurs de mode de vie, et note qu'une validation externe dans des bases de données indépendantes est nécessaire pour confirmer la transportabilité de ces résultats.