Upload
auberon-mathis
View
107
Download
1
Embed Size (px)
Citation preview
INSERM U720 Univ Paris 06
Evaluation de l’effet des traitements en Evaluation de l’effet des traitements en situation observationnelle par situation observationnelle par
utilisation des modèles structuraux utilisation des modèles structuraux marginauxmarginaux
Emilie Lanoy INSERM U720; UPMC Univ Paris 06GDR Statistique et Santé
14 novembre 2008Université Paris V Descartes
Une application à l’évaluation de l’impact des antirétroviraux sur le devenir clinique des patients infectés par le VIH
INSERM U720 Univ Paris 06
Bibliographie sélective Robins. Marginal Structural Models and Causal Inference in
Epidemiology Hernán. Marginal Structural Models to Estimate the Causal
Effect of Zidovudine on the Survival of HIV-Positive MenEpidemiology 2000; 11:550-70
Hernán. A structural Approach to Selection Bias.Epidemiology 2004; 15:615-25
Sterne. Long-term effectiveness of potent antiretroviral therapy in preventing AIDS and death: a prospective cohort study
Lancet 2005; 366:378-84 Hernán. Estimating causal effects from epidemiological data
JECH 2006; 60:578-86 Robins and Hernán. Causal inference book.
Causal Inference (Chapman & Hall/CRC, 2009) à paraître
http://www.hsph.harvard.edu/causal/
INSERM U720 Univ Paris 06
Problématique (1)
Exemple (VIH) : effet du traitement antirétroviral sur la survie ajusté sur le taux de CD4 Le taux de CD4 est dépendant du temps
Le taux de CD4 est influencé par l’administration du traitement antirétroviral
Le taux de CD4 influence la survie et la prescription de traitement antirétroviral (en épidémiologie, on parle alors de biais d’indication)
INSERM U720 Univ Paris 06
Problématique (2)
Estimation de l’effet d’un facteur dépendant du temps (exposition, traitement), ajusté sur des covariables, quand une des covariables :
est dépendante du temps
prédit l’événement mais aussi les valeurs du facteur étudié (1)
est influencée par les valeurs antérieures du facteur (2)
Cette covariable est un facteur de confusion (confounder)
INSERM U720 Univ Paris 06
Problématique (3)
Le facteur de confusion entraîne un biais de causalité*
Association structurelle entre une exposition (ex: traitement) et un événement (le décès) qui ne découle pas de l’effet causal de l’exposition sur l’événement
Exposition (ex: traitement) et événement (le décès) ont des causes communes (taux de CD4 )
Exposés (traités) et non exposés (non traités) ne sont pas interchangeables
*biais d’indication Epidémiologie biais de causalité Statistique, Econométrie
INSERM U720 Univ Paris 06
Problématique (4) Représentation graphique : causal Directed Acyclic
Graphs*On veut estimer l’effet du traitement sur la survenue de
décès
*Judea Pearl, UCLA (1988,1995,2000)
At : traitement antirétroviral reçu au temps t Lt : taux de lymphocytes CD4 au temps t, facteur de confusion° sur le chemin causalY : événement : décèsU : réel niveau d’immunosuppressionA et L sont des covariables dépendantes du temps
° confounder
INSERM U720 Univ Paris 06
Problématique (5) Comment bloquer le chemin causal pour mesurer l’effet
de A sur Y?
Design de l’étude Dans les essais thérapeutiques, on tire au sort
l’attribution du traitement : L, le taux de CD4, facteur de confusion, n’est alors plus sur le chemin causal
Analyse (si le biais de causalité n’a pu être prévenu, par exemple si utilisation de données observationnelles)
Modèles structuraux marginaux pondérés sur la probabilité inverse de traitement
INSERM U720 Univ Paris 06
Principe (1)
Blocage du chemin causal sur lequel se trouve le facteur de confusion L par création d’une pseudo-population dans laquelle, à chaque instant, la probabilité d’être traité n’est plus liée aux facteurs pronostiques mesurés
Dans la pseudo-population Les facteurs de confusion sont supprimés*
L’effet de l’exposition est le même que dans la population cible
*NB : il s’agit uniquement des facteurs mesurés
INSERM U720 Univ Paris 06
Principe (2) Calcul pour chaque sujet à chaque temps du rapport
de risque causal Pr[Ya=1=1]/Pr[Ya=0=1]
en supposant l’interchangeabilité conditionnelle au sein de chaque niveau des facteurs de confusion L
Introduction du contrefactuel : quel serait l’événement si le traitement était contraire à celui effectivement observé ?
Pondération par l’inverse de probabilité de traitement en fonction de ses antécédents cliniques L
Effet du traitement sur la survenue de l’événement mesuré par un modèle de Cox à risques proportionnels pondérés par l’inverse de probabilité de traitement
INSERM U720 Univ Paris 06
Hypothèses
Prise en compte uniquement de ce qui est mesuré tirage au sort dans un essai qui contrôle ce qui est mesuré et ce qui ne l’est pas.
Hypothèse de calcul des probabilités inverses de mise au traitement : recueil au cours du temps de toutes les variables décrivant les facteurs associés à la prescription du traitement (taux de lymphocytes CD4, charge virale, survenue d’événements cliniques)
Condition de positivité : dans chaque niveau de L, il doit y avoir dans l’échantillon, des patients exposés et non exposés au traitement
INSERM U720 Univ Paris 06
INSERM U720 Univ Paris 06
INSERM U720 Univ Paris 06
INSERM U720 Univ Paris 06
INSERM U720 Univ Paris 06
Illustration
Evaluer l’effet de l’AZT sur la survie en estimant les paramètres IPTW d’un modèle de Cox à structure marginale
Modélisation et estimation des paramètres du modèle de Cox MSM
Programmation logicielle (SAS)
Hernán. Marginal Structural Models to Estimate the Causal Effect of Zidovudine on the Survival of HIV-Positive Men
Epidemiology 2000; 11:550-70
INSERM U720 Univ Paris 06
Population sélectionnée
2 178 hommes VIH+ ayant eu un suivi dans la MACS entre mars 86 et oct 94
Patients non SIDA et naïfs d’ARV à leur 1ère visite éligible
Suivi médian = 69 mois
1 296 patients ont reçu de l’AZT
750 décès
INSERM U720 Univ Paris 06
Cofacteurs étudiés
Variable d’intérêt : administration d’AZT* Cofacteurs biologiques : âge+, taux de
CD4+*, de CD8+*, de globules blancs+*, de globules rouges+* et de plaquettes+*
Facteurs cliniques : présence oui/non d’un symptôme+* (parmi fièvre, candidose orale, diarrhée, perte de poids, leucoplasie chevelue, herpès, zona); survenue oui/non d’une affection classant SIDA*
Mesurés en baseline+ et/ou au cours du temps*
INSERM U720 Univ Paris 06
Modèle de Cox classique (1)
Modèle de Cox classique avec le traitement dépendant du temps, estimation du risque de décès proportionnel en t
T(t/Ā(t),V ) = 0(t) exp(1A(t) + 2 V )
où T est le délai entre l’inclusion et le décès du sujet
A(t) est l’exposition à l’AZT du sujet au temps tĀ(t) est l’antécédent d’exposition du sujet à
l’AZT au temps t V est le vecteur des covariables en baseline
INSERM U720 Univ Paris 06
Ecriture du modèle de Cox causal (1)
Introduction des facteurs de confusion dépendants du temps notés L dans un modèle de Cox classique Biais de causalité
Ajustement du modèle par pondération par la probabilité de traitement inverse (IPW : Inverse probability weighting) (cf. Robins)
INSERM U720 Univ Paris 06
Notion de contrefactuel «conditionnel contraire aux faits qui sont observés
: nous avons observé quelqu’un à C1 mais il aurait pu être à C0» (Cox)
Soient T délai observé jusqu’au décès, le traitement observé et les antécédents des autres covariables
Considérons le paramètre inconnu 0 dans le délai U à l’issue duquel le sujet serait décédé si, éventuellement contrairement aux faits observés, le traitement n’avait pas été reçu.
0 peut être contrefactuel (Robins)
On souhaite reconstituer ce qui se serait passé si le patient n’avait pas eu de traitement (hypothèse qui peut être contraire à l’observation)
Ecriture du modèle de Cox causal (2)
INSERM U720 Univ Paris 06
Formalisation des effets contrefactuels :Pour chaque antécédent d’exposition à l’AZT, ā = a(t),t ≥ 0,soit Tā (V.A.) le délai jusqu’au décès :
ā, antécédent d’AZT depuis le début du suivi (peut être contrefactuel de l’antécédent observé)
Ta n’est observé que pour les ā qui correspondent aux antécédents d’AZT observés (Tā =T )
Risque proportionnel du modèle de Cox causal MSM
Tā(t,V ) = 0(t) exp(1a(t) + 2 V )
Ecriture du modèle de Cox causal (3)
INSERM U720 Univ Paris 06
où Tā(t,V), risque de décès à t, parmi les sujets
avec les covariables V en baseline, issus d’une population source contrefactuelle où tous les sujets ont un antécédent ā d’AZT jusque t
où 1 et 2, inconnus et 0 risque de décès en baseline
Estimateur de 1 pondéré par la probabilité inverse de traitement (IPTW: inverse-probability-of-treatment-weighted estimator)
Tā(t,V ) = 0(t) exp(1a(t) + 2 V )
Ecriture du modèle de Cox causal (4)
INSERM U720 Univ Paris 06
Calculs des poids stabilisés (1)
Etape 1 : calcul des poids stabilisés sous l’hypothèse que tous les décès sont observés (pas de censure à droite)
int(t) , le plus grand entier inférieur ou égale à t k , entier indiquant le nombre de mois complets depuis le début du suivi Par définition, Ā(-1)=0
Chaque facteur du dénominateur est la probabilité que le sujet reçoive son traitement observé au mois k sachant ses antécédents de traitement et de facteurs pronostiques
Chaque facteur du numérateur est la probabilité que le sujet reçoive son traitement observé sachant ses antécédents thérapeutiques et ses covariables en baseline (mais pas ses facteurs pronostiques dépendant du temps, V L(0) )
où
swi(t) = int(t)
k = 0
pr (A(k) = ai(k)/A(k-1) = ai(k-1) , V = vi )
pr (A(k) = ai(k)/A(k-1) = ai(k-1) , L(k) = li (k) )
INSERM U720 Univ Paris 06
Calculs des poids stabilisés (2)
Etape 2: Introduction de la censure à droiteSoit C indicateur de censure à droite (C(t)=1 si censure, 0 sinon),pour estimer 1, le modèle de Cox pondéré est ajusté par une nouvelle pondération
Où A(-1)=0 et C(-1)=0 par définition
swi(t) =
t
k = 0
pr [C(k)=0/C(k-1)=0, A(k-1)=ai(k-1) , V=vi )
pr [C(k)=0/C(k-1)=0, A(k-1)=ai(k-1) , L(k-1)=li(k-1) )
INSERM U720 Univ Paris 06
Calculs des poids stabilisés (3)
Etape 3: Produit des poids stabilisés
swi(t) x swi(t) a pour dénominateur la
probabilité du sujet i d’avoir eu jusque en t ces antécédents d’AZT et de censure
estimateur du paramètre causal 1
pondéré par le produit swi(t) x swi(t) est
consistant sous l’hypothèse qu’il permet aussi d’ajuster en fonction des biais de sélection dus à la perte de vue
INSERM U720 Univ Paris 06
Propriétés du modèle structural marginal (1)
La pondération permet d’obtenir une estimation IPTW de la vraisemblance partielle.
Si les facteurs dépendants du temps sont tous mesurés et inclus dans L(t) alors la pondération crée, à un temps t pour un ensemble de facteurs de risque, une pseudo-population où :
L(t) ne prédit plus la mise sous AZT en t
L’association causale entre AZT et mortalité est la même que dans la population cible étudiée
1, estimateur IPTW du paramètre 1 du modèle de Cox classique, convergera vers 1 qui peut être interprété comme l’effet causal de l’AZT sur la mortalité (sur une échelle log rate ratio)
^
INSERM U720 Univ Paris 06
Pour chaque V , le modèle est structuré (causal) pour la distribution marginale des variables contrefactuelles Tā :
C’est un modèle MSM (Marginal Structural Model) où 1, causal log rate ratio pour l’AZT
exp(1), interprétation causale du ratio du taux de décès en t des patients exposés à l’AZT comparés aux non exposés
estimateur IPTW de 1 consistant sous l’hypothèse que L(t) contienne toutes les covariables associées à la mise sous traitement
Tā(t,V ) = 0(t) exp(1a(t) + 2 V )
Propriétés du modèle structural marginal (2)
INSERM U720 Univ Paris 06
Estimation de swi(t) x swi(t) par
régression logistique pondérée poolée (1)
Estimation de swi(t) Délai de mise sous AZT considéré comme un délai de survie
(où décès = mise sous AZT) Modélisation de la probabilité de mise sous AZT par un
modèle logistique poolé (1 observation = 1 personne-mois) avec un intercept dépendant du temps
ex : modèle logit pr[A(k)=0/Ā(k-1)=0,L(k)] = 0(k)+1L(k)+2V(k)
sujets vivants et non censurés au mois k
sujets ayant déjà commencé l’AZT au mois k
pi(k)=expit (0(k)+1L(k)+2V(k)) : probabilité estimée du sujet i de ne pas être mis sous AZT au mois k sachant qu’il n’est pas sous AZT au mois k-1
ajusté sur
^ ^ ^ ^
INSERM U720 Univ Paris 06
Estimation de swi(t) x swi(t) par
régression logistique pondérée poolée (2)
Estimation du produit dénominateur de swi(t) pi(u) si le sujet n’est pas sous AZT au mois k
[1- pi(t)] pi(u) si le sujet est sous AZT depuis t k
Remarques Même démarche pour estimer le numérateur (sans L(k)) L’estimateur du dénominateur devant être consistant,
on ne peut avoir d’estimateur individualisé pour chaque mois k de l’intercept 0(k) et il faut «emprunter la puissance» des sujets mis sous AZT les autres mois :
En supposant 0(k) constant sur une fenêtre de 3 mois En lissant k (courbes de régression, courbes de lissage,…)
pour swi(t), même démarche (censure prise en compte)
k
u=0^
^ t-1
u=0^
INSERM U720 Univ Paris 06
Quelques remarques sur la programmation logicielle
Les programmes logiciels standards ne permettant pas une pondération dépendante du temps, les estimateurs IPTW ne peuvent être calculés directement, il faut donc :
Programmer les régressions logistiques poolées pondérées avec une observation par personne-mois
Ne pas utiliser les pondérations sur la modélisation de Cox standard du logiciel (proc phreg) car les corrélations intra-sujets invalident les résultats
Tenir compte du fait qu’il y a des mesures répétées par sujet en utilisant les programmes GEE* (proc genmod) qui fournissent des estimateurs robustes de la variance pour les données corrélées et donc des intervalles de confiance à 95% correctes pour les paramètres
*Generalized Estimating Equations
INSERM U720 Univ Paris 06
Effet causal de l’AZT :données de la MACS (1)
Risque relatif de décès associé à l’AZT dans le modèle de Cox univarié standard :
RRAZT = 3,6
IC95%(RRAZT) = [3,0 ; 4,3]
Risque relatif de décès associé à l’AZT dans le modèle de Cox ajusté sur V, vecteur des covariables en baseline :
RRAZT = 2,3
IC95%(RRAZT) = [1,9 ; 2,8]
Le risque relatif de décès associé à l’AZT estimé par le modèle de Cox MSM est :
RRAZT = 0,7IC95%(RRAZT) = [0,6 ; 1,0]
INSERM U720 Univ Paris 06
Perspectives (1)
Evaluation de l’impact des antirétroviraux sur la survenue d’événements neurologiques classant SIDA Problématique
pénétration des antirétroviraux dans le système nerveux central
diminution de la réplication virale dans le liquide céphalo-rachidien
Est-ce que les traitements antirétroviraux de meilleure pénétration dans le système nerveux central permettent de limiter le risque de survenue d’un événement neurologique classant SIDA ?
Letendre et al.Arch Neurol 2008
INSERM U720 Univ Paris 06
Perspectives (2)
Objectif : estimer l’influence de la pénétration des antirétroviraux dans le système nerveux central sur la survenue d’un événement neurologique classant SIDA
Population d’étude : données issues du projet HIV Causal
Collaboration de cohortes européennes et nord-américaines (participation de ANRS CO4-FHDH)
119 929 patients inclus Grandes variétés de thérapeutiques administrées
(différents systèmes de soins)