{"id":15812,"date":"2022-01-21T13:21:53","date_gmt":"2022-01-21T12:21:53","guid":{"rendered":"https:\/\/convergences.online\/hemato\/?p=15812"},"modified":"2022-01-21T13:21:53","modified_gmt":"2022-01-21T12:21:53","slug":"la-ponderation-inverse-ou-iptw-une-technique-alternative-a-lappariement-par-score-de-propension","status":"publish","type":"post","link":"https:\/\/www.hematostat.net\/en\/la-ponderation-inverse-ou-iptw-une-technique-alternative-a-lappariement-par-score-de-propension\/","title":{"rendered":"La pond\u00e9ration inverse (ou IPTW), une technique alternative \u00e0 l\u2019appariement par score de propension"},"content":{"rendered":"<div class=\"fusion-fullwidth fullwidth-box fusion-builder-row-1 fusion-flex-container nonhundred-percent-fullwidth non-hundred-percent-height-scrolling\" style=\"--awb-border-radius-top-left:0px;--awb-border-radius-top-right:0px;--awb-border-radius-bottom-right:0px;--awb-border-radius-bottom-left:0px;--awb-flex-wrap:wrap;\" ><div class=\"fusion-builder-row fusion-row fusion-flex-align-items-flex-start fusion-flex-content-wrap\" style=\"max-width:calc( 1240px + 0px );margin-left: calc(-0px \/ 2 );margin-right: calc(-0px \/ 2 );\"><div class=\"fusion-layout-column fusion_builder_column fusion-builder-column-0 fusion_builder_column_1_1 1_1 fusion-flex-column\" style=\"--awb-bg-size:cover;--awb-width-large:100%;--awb-margin-top-large:0px;--awb-spacing-right-large:0px;--awb-margin-bottom-large:0px;--awb-spacing-left-large:0px;--awb-width-medium:100%;--awb-spacing-right-medium:0px;--awb-spacing-left-medium:0px;--awb-width-small:100%;--awb-spacing-right-small:0px;--awb-spacing-left-small:0px;\"><div class=\"fusion-column-wrapper fusion-flex-justify-content-flex-start fusion-content-layout-column\"><div class=\"fusion-text fusion-text-1\"><h3>Contexte<\/h3>\n<p>Dans le cadre d\u2019analyses r\u00e9trospectives visant \u00e0 analyser deux traitements (A et B), il est fort probable que certaines des caract\u00e9ristiques des patients (\u00e2ge, sexe, groupe sanguin, co-morbidit\u00e9s, ant\u00e9c\u00e9dents m\u00e9dicaux, etc.) soient d\u00e9s\u00e9quilibr\u00e9es entre les groupes de traitement. Ces variables qui ne sont pas distribu\u00e9es\/r\u00e9parties de la m\u00eame mani\u00e8re entre deux groupes ou plus sont appel\u00e9s facteurs confondants. Lorsqu\u2019on analyse l\u2019effet de notre traitement sur une variable r\u00e9ponse (que ce soit un \u00e9v\u00e9nement comme la survie ou la rechute, une mesure biologique, etc.), il devient n\u00e9cessaire, voire indispensable, de pouvoir corriger le tir pour estimer un effet ajust\u00e9, c\u2019est-\u00e0-dire sans biais, en tenant compte de ces facteurs confondants, qui deviennent des co-variables d\u2019ajustement.<\/p>\n<h3>La probl\u00e9matique<\/h3>\n<p>La m\u00e9thode courante pour ajuster l\u2019effet du traitement est le mod\u00e8le multivari\u00e9 int\u00e9grant les facteurs confondants mais un des soucis est que l\u2019ajout de variables d\u2019int\u00e9r\u00eat \u00ab sur-param\u00e8tre \u00bb<br \/>\nle mod\u00e8le. Une des solutions pour cr\u00e9er les conditions d\u2019une \u00ab pseudo-randomisation \u00bb :<br \/>\nle score de propension servant de crit\u00e8re d\u2019appariement afin de cr\u00e9er 2 groupes de traitement de taille et caract\u00e9ristiques similaires. Mais cette m\u00e9thode n\u2019est pas toujours applicable, d\u2019o\u00f9 la pond\u00e9ration invers\u00e9e.<\/p>\n<h3>La r\u00e9ponse<\/h3>\n<p>Rappel : le calcul du score de propension (SP) s\u2019obtient \u00e0 partir d\u2019une r\u00e9gression logistique multivari\u00e9e ayant comme r\u00e9ponse le fait d\u2019\u00eatre expos\u00e9 au traitement B (si A est choisi comme traitement de r\u00e9f\u00e9rence) en fonction des facteurs confondants (plus d\u2019autres variables cliniquement pertinentes le cas \u00e9ch\u00e9ant). Ce score obtenu pour chaque patient donne donc bien la probabilit\u00e9 d\u2019\u00eatre r\u00e9parti dans le groupe de traitement B par rapport au groupe A.<span class=\"Apple-converted-space\"> <\/span><\/p>\n<p>La m\u00e9thode de pond\u00e9ration invers\u00e9e revient \u00e0 donner pour chaque patient un poids, qui peut \u00eatre calcul\u00e9 de deux mani\u00e8res :<\/p>\n<ul>\n<li>si l\u2019on consid\u00e8re que le traitement est susceptible d\u2019\u00eatre donn\u00e9 \u00e0 n\u2019importe quel patient, alors ce poids se calcule comme \u00e9tant l\u2019inverse du SP (soit 1\/SP) pour les patients prenant le traitement B et 1\/(1-SP) pour les patients recevant le traitement A. On parle alors de pond\u00e9ration suivant \u00ab l\u2019effet moyen du traitement \u00bb ou ATE, pour average treatment effect ;<span class=\"Apple-converted-space\"> <\/span><\/li>\n<li>dans le cas o\u00f9 les variables confondantes peuvent potentiellement influer sur le choix du traitement, ce poids est \u00e9gal \u00e0 Traitement (variable cod\u00e9e A=0\/B=1)\u2009+\u2009PS x (1\u2212Traitement)\/(1\u2212PS). Selon cette formule, les patients du groupe B ont un poids \u00e9gal \u00e0 1. On parle de pond\u00e9ration selon \u00ab l\u2019effet moyen du traitement sur les personnes trait\u00e9s \u00bb ou ATT en anglais pour<i> average treatment effect in the treated <\/i>(traitement B dans notre cas pr\u00e9sent).<\/li>\n<\/ul>\n<p>Ce poids peut \u00eatre ensuite pris en compte dans les mod\u00e8les de r\u00e9gression, qu\u2019ils soient lin\u00e9aires, logistiques, de Cox, etc., afin d\u2019estimer l\u2019effet ajust\u00e9 du traitement B par rapport \u00e0 A. Il existe pour ce faire une option \u2018<i>weight<\/i>\u2019 \u00e0 compl\u00e9ter dans les commandes de r\u00e9gressions dans les divers logiciels de statistiques.<span class=\"Apple-converted-space\"> <\/span><\/p>\n<p>Actuellement, de nouvelles techniques de pond\u00e9ration sont de plus en plus recommand\u00e9es, notamment celle \u00ab doublement robuste \u00bb (\u2018<i>doubly robust<\/i>\u2019 en anglais) qui est de plus en plus utilis\u00e9e pour \u00e0 la fois limiter les biais et am\u00e9liorer la pr\u00e9diction des mod\u00e8les. Pour cela, on utilise des pond\u00e9rations dites \u00ab augment\u00e9es \u00bb en passant non pas par une r\u00e9gression logistique classique pour le calcul du SP mais par un outil de <i>machine learning<\/i>, la r\u00e9gression g\u00e9n\u00e9ralis\u00e9e \u00ab boost\u00e9e \u00bb qui se base sur des arbres de d\u00e9cisions.<span class=\"Apple-converted-space\"> <\/span><\/p>\n<h3>Ce qu\u2019il faut retenir<span class=\"Apple-converted-space\"> <\/span><\/h3>\n<ul>\n<li>La m\u00e9thode de la pond\u00e9ration inverse se base sur le score de propension.<\/li>\n<li>C\u2019est une bonne alternative pour \u00e9tudier l\u2019effet d\u2019une variable en soustrayant les biais lorsqu\u2019on on est en pr\u00e9sence d\u2019un petit \u00e9chantillon de patients.<\/li>\n<li>Il existe de nouvelles m\u00e9thodes plus robustes pour am\u00e9liorer la performance des mod\u00e8les passant par cette m\u00e9thode.<span class=\"Apple-converted-space\"> <\/span><\/li>\n<\/ul>\n<h3>Pour aller plus loin<span class=\"Apple-converted-space\"> <\/span><\/h3>\n<ol>\n<li><i>S. R. Cole and M. A. Hern\u00e1n, \u201cConstructing inverse probability weights for marginal structural models,\u201d American journal of epidemiology, vol. 168, no. 6, pp.656\u2013664, 2008<\/i><\/li>\n<li><i>Robins, J.M., Hern\u00e1n, M.A. &amp; Brumback, B.A. (2000). \u201cMarginal structural models and causal inference in epidemiology\u201d. Epidemiology, 11, 550-560.<\/i><\/li>\n<li><i>Peter C Austin. \u201cVariance estimation when using inverse probability of treatment weighting (IPTW) with survival analysis\u201d. Statistics of Medecine, 35(30): 5642\u20135655, 2016.<span class=\"Apple-converted-space\"> <\/span><\/i><\/li>\n<\/ol>\n<p><a href=\"https:\/\/convergences.online\/hemato\/2022\/01\/21\/les-car-t-cells-mieux-que-le-reel\/\" class=\"fusion-no-lightbox\"><img decoding=\"async\" class=\"lazyload alignnone wp-image-15233\" src=\"data:image\/svg+xml,%3Csvg%20xmlns%3D%27http%3A%2F%2Fwww.w3.org%2F2000%2Fsvg%27%20width%3D%27209%27%20height%3D%27292%27%20viewBox%3D%270%200%20209%20292%27%3E%3Crect%20width%3D%27209%27%20height%3D%27292%27%20fill-opacity%3D%220%22%2F%3E%3C%2Fsvg%3E\" data-orig-src=\"https:\/\/convergences.online\/wp-content\/uploads\/sites\/2\/2020\/01\/Capture-decran-2021-07-07-a-16.36.15.png\" alt=\"\" width=\"209\" height=\"292\"><\/a><\/p>\n<\/div><\/div><\/div><\/div><\/div>","protected":false},"excerpt":{"rendered":"","protected":false},"author":2,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"_monsterinsights_skip_tracking":false,"_monsterinsights_sitenote_active":false,"_monsterinsights_sitenote_note":"","_monsterinsights_sitenote_category":0,"_uf_show_specific_survey":0,"_uf_disable_surveys":false,"footnotes":""},"categories":[7],"tags":[265,266,267],"ppma_author":[442],"class_list":["post-15812","post","type-post","status-publish","format-standard","hentry","category-focus-statistiques-generaux","tag-modelisations","tag-ponderation","tag-propension","author-marion"],"aioseo_notices":[],"authors":[{"term_id":442,"user_id":2,"is_guest":0,"slug":"marion","display_name":"HematoStat.net (M)","avatar_url":{"url":"https:\/\/www.hematostat.net\/wp-content\/uploads\/2024\/01\/favicon-hematoStat.png","url2x":"https:\/\/www.hematostat.net\/wp-content\/uploads\/2024\/01\/favicon-hematoStat.png"},"first_name":"HematoStat.net (M)","last_name":"","user_url":"","description":""}],"_links":{"self":[{"href":"https:\/\/www.hematostat.net\/en\/wp-json\/wp\/v2\/posts\/15812","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.hematostat.net\/en\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/www.hematostat.net\/en\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/www.hematostat.net\/en\/wp-json\/wp\/v2\/users\/2"}],"replies":[{"embeddable":true,"href":"https:\/\/www.hematostat.net\/en\/wp-json\/wp\/v2\/comments?post=15812"}],"version-history":[{"count":0,"href":"https:\/\/www.hematostat.net\/en\/wp-json\/wp\/v2\/posts\/15812\/revisions"}],"wp:attachment":[{"href":"https:\/\/www.hematostat.net\/en\/wp-json\/wp\/v2\/media?parent=15812"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.hematostat.net\/en\/wp-json\/wp\/v2\/categories?post=15812"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.hematostat.net\/en\/wp-json\/wp\/v2\/tags?post=15812"},{"taxonomy":"author","embeddable":true,"href":"https:\/\/www.hematostat.net\/en\/wp-json\/wp\/v2\/ppma_author?post=15812"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}