Extending the saemix package for R to fit non Gaussian outcomes

Dans le monde de la recherche clinique, les scientifiques suivent souvent la manière dont les individus évoluent au fil du temps. Ils peuvent mesurer le taux d'une hormone dans le sang, compter le nombre de fois qu'un patient ressent de la douleur, ou enregistrer si un événement spécifique, comme une visite à l'hôpital, s'est produit. Ces mesures ne sont pas de simples instantanés ; elles sont le récit d'une histoire qui se déroule sur des jours, des semaines ou des années. Pour donner un sens à cette histoire, les chercheurs utilisent une approche statistique appelée modèles à effets mixtes non linéaires. Imaginez cela comme une façon de tracer une courbe unique et lisse qui représente le parcours moyen d'un groupe entier, tout en reconnaissant que chaque individu suit un chemin légèrement différent. Certaines personnes guérissent plus vite, d'autres plus lentement, et certaines éprouvent des effets secondaires que d'autres ne connaissent pas. Le défi surgit lorsque les données suivies ne suivent pas un schéma simple en forme de cloche. Les décomptes d'événements, les réponses par oui ou par non, ou les délais avant qu'un événement ne survienne créent des données irrégulières et dentelées que les outils traditionnels peinent à interpréter.

Pendant des années, les chercheurs ont disposé de logiciels puissants pour traiter les données lisses et en forme de cloche, mais les outils pour les données irrégulières et dentelées étaient soit coûteux, soit fermés au public, soit difficiles à utiliser. Une équipe de chercheurs dirigée par Emmanuelle Comets, Maud Delattre et Belhal Karimi a entrepris de changer cela en étendant les capacités d'un progiciel gratuit et open-source appelé saemix. À l'origine conçu pour les mesures continues, cet outil a désormais été mis à niveau pour gérer les données réelles et désordonnées qui se présentent sous forme de décomptes, de catégories et de temps de survie. Les chercheurs n'ont pas seulement construit l'outil ; ils l'ont testé rigoureusement face à des scénarios complexes pour s'assurer qu'il puisse trouver les vraies réponses cachées dans le bruit. Leur travail offre une nouvelle façon accessible aux scientifiques de modéliser tout, de la propagation des infections à la fréquence des problèmes liés à l'alcool, garantissant que les schémas uniques de chaque patient ne soient pas perdus dans la recherche d'une moyenne générale.

Le cœur de ce travail réside dans l'algorithme utilisé par le logiciel, connu sous le nom d'algorithme SAEM. Imaginez que vous essayiez de trouver le point le plus haut d'une vaste chaîne de montagnes embrumée. Vous ne pouvez pas voir l'ensemble du paysage à la fois, et le terrain est accidenté. L'algorithme SAEM est une méthode pour explorer ce terrain étape par étape. Il commence par une supposition, simule des chemins possibles à travers la brume, puis affine sa supposition en fonction de ce qu'il apprend de ces simulations. Il répète ce processus, se rapprochant de plus en plus du sommet réel, qui représente la description la plus précise des données. Les chercheurs ont étendu cette méthode afin qu'elle puisse naviguer à travers les pics et les vallées dentelés des données non gaussiennes — des données qui ne suivent pas une cloche standard. Cela inclut les données binaires, où le résultat est simplement oui ou non, comme la présence ou l'absence d'une infection de l'ongle. Cela couvre également les données de décompte, comme le nombre de fois qu'un patient signale un symptôme spécifique, et les données de temps de survie (time-to-event), qui suivent le temps nécessaire pour que quelque chose se produise, comme la récurrence d'une maladie.

Pour prouver l'efficacité de leur extension, l'équipe a appliqué le logiciel mis à jour à des ensembles de données réels. Un exemple impliquait un essai clinique comparant deux traitements pour des infections fongiques des ongles. Dans cette étude, 294 patients ont été suivis pendant près d'un an, leur état d'infection étant vérifié lors de sept visites différentes. Le résultat était binaire : soit l'ongle était sain, soit il ne l'était pas. Les chercheurs ont utilisé saemix pour modéliser comment l'infection se résorbait au fil du temps et si un traitement fonctionnait mieux qu'un autre. Ils ont constaté que le logiciel pouvait estimer avec précision le taux de résolution de l'infection et l'effet du traitement, correspondant aux résultats d'études antérieures utilisant des logiciels différents et plus coûteux. Il s'agissait d'une validation significative, montrant que l'outil open-source pouvait gérer la complexité des essais médicaux où les patients répondent différemment à la même thérapie.

Un autre cas de test impliquait une étude sur les problèmes liés à l'alcool chez les étudiants universitaires. Cet ensemble de données contenait des milliers de mesures répétées du nombre de problèmes signalés par les étudiants tous les six mois. Les données étaient délicates car un grand nombre d'étudiants signalaient zéro problème à de nombreux moments, créant un pic massif au bas du graphique, tandis que d'autres signalaient un nombre variable de problèmes. Les modèles standards échouent souvent avec de telles données car ils ne peuvent pas facilement distinguer les personnes qui n'ont jamais de problèmes de celles qui en ont occasionnellement. Les chercheurs ont utilisé saemix pour ajuster trois types différents de modèles à ces données de décompte. Ils ont constaté que les modèles spécifiquement conçus pour gérer l'excès de zéros, tels que le modèle de Poisson à excès de zéros, offraient un bien meilleur ajustement qu'un modèle standard. Le logiciel a réussi à capturer le fait que le nombre de problèmes diminuait avec le temps et que les hommes avaient tendance à signaler légèrement plus de problèmes que les femmes, tout en tenant compte de la variabilité unique entre les étudiants.

Pour être absolument sûrs de la fiabilité du logiciel, l'équipe ne s'est pas arrêtée aux exemples du monde réel. Ils ont créé une étude de simulation, générant essentiellement des milliers de faux ensembles de données où ils connaissaient les réponses exactes à l'avance. Ils ont injecté ces scénarios connus dans saemix pour voir si le logiciel pouvait récupérer les valeurs réelles. Dans le cas des données binaires, le logiciel a performé exceptionnellement bien, récupérant les paramètres réels avec très peu d'erreurs. Même en introduisant plus de complexité en autorisant une variabilité individuelle dans le taux de changement, le logiciel est resté stable. Les chercheurs ont également testé différents points de départ pour les calculs afin de s'assurer que les résultats n'étaient pas seulement une chance basée sur l'endroit où l'algorithme avait commencé. La cohérence des résultats à travers ces simulations leur a donné la confiance que l'outil est robuste et prêt à être utilisé par d'autres scientifiques.

L'article traite également d'une limite pratique dans la mesure de l'incertitude. En statistique, connaître la réponse ne suffit pas ; les chercheurs ont besoin de savoir à quel point ils peuvent être confiants dans cette réponse. Pour les données standard, cela est généralement calculé avec une formule qui fonctionne bien. Cependant, pour les types de données irrégulières sur lesquels se concentre cet article, cette formule standard donne souvent des résultats trompeurs. Les chercheurs ont découvert qu'une approche différente, appelée bootstrapping, fonctionnait beaucoup mieux. Cette méthode consiste à rééchantillonner les données de nombreuses fois pour voir à quel point les résultats varient. Ils ont démontré que l'utilisation de cette technique de rééchantillonnage dans saemix fournissait une image plus précise de l'incertitude, garantissant que lorsqu'un chercheur affirme qu'un effet de traitement est significatif, cette affirmation est appuyée par des preuves solides.

Tout au long de leur travail, les auteurs ont mis l'accent sur la flexibilité. Le package saemix mis à jour permet aux utilisateurs de définir leurs propres fonctions de vraisemblance, qui est la règle mathématique décrivant la probabilité qu'un ensemble de données spécifique se produise. Cela signifie que si un chercheur est confronté à un nouveau type de données ou à un processus biologique unique, il n'est pas bloqué par un modèle pré-établi. Il peut écrire les règles pour sa situation spécifique, et le logiciel se chargera du travail de calcul complexe. Cette flexibilité est un avantage majeur par rapport aux logiciels commerciaux, qui restreignent souvent les utilisateurs à un ensemble fixe de modèles. L'équipe a également amélioré les outils visuels au sein du package, permettant aux chercheurs de créer des graphiques clairs qui montrent la qualité de l'ajustement du modèle aux données, les aidant ainsi à repérer toute faiblesse ou zone d'amélioration.

Les implications de ce travail dépassent le simple code. En rendant ces techniques de modélisation avancées gratuites et faciles d'accès, les chercheurs abaissent la barrière pour les scientifiques qui souhaitent analyser des données longitudinales complexes. Qu'il s'agisse de suivre la progression d'une maladie chronique, d'évaluer l'efficacité d'une intervention de santé publique ou de comprendre la dynamique d'un système biologique, la capacité de modéliser avec précision des données non standard est cruciale. L'article conclut que saemix est désormais un outil puissant et entièrement open-source capable de gérer une grande variété de types de données. Bien qu'il reste encore certaines limites, comme la difficulté de gérer des équations différentielles complexes au sein du logiciel, cette extension marque une étape importante. Elle offre une alternative fiable, transparente et flexible pour la communauté scientifique, garantissant que les histoires cachées dans les données irrégulières puissent enfin être racontées avec clarté et précision.