Biais de temps immortel : comment il peut « inventer » un bénéfice de survie (et comment le détecter)
Le biais de temps immortel (immortal time bias) survient quand une période de suivi pendant laquelle l’événement ne peut pas survenir (par construction) est mal attribuée au groupe exposé. Résultat : une exposition paraît protectrice alors que l’effet est artefactuel. C’est fréquent en études observationnelles (ex. « traitement reçu » défini après l’inclusion).
Mini-cas (schéma typique) : cohorte de patients hospitalisés pour pneumonie. Exposition = « a reçu l’antibiotique X », définie comme administré à n’importe quel moment durant l’hospitalisation. Les patients doivent donc survivre jusqu’à la première dose pour être classés « exposés ». Si 10% décèdent dans les 48 premières heures, ces décès iront mécaniquement dans le groupe « non exposé », créant un avantage de survie artificiel pour X.
Signaux d’alerte
- Exposition définie post-baseline (« a reçu », « a été opéré », « a été admis en réanimation ») sans gestion explicite du temps.
- Courbes de Kaplan-Meier qui se séparent très tôt alors que l’intervention ne peut pas agir aussi vite.
- Temps médian avant exposition non négligeable (ex. plusieurs jours).
Stratégies de correction
- Modéliser l’exposition en variable dépendante du temps (Cox time-varying), en attribuant le temps pré-exposition au statut non exposé.
- Approche emulated target trial : définir clairement T0, critères d’éligibilité, stratégies, fenêtre d’initiation, et analyser en intention de traiter (ou per-protocole) avec méthodes appropriées.
- Alternative : landmark analysis (ex. à J2/J3) en excluant ceux ayant eu l’événement avant le landmark (attention au changement de question clinique).
Question pour la communauté : dans vos lectures récentes, avez-vous vu des bénéfices « trop beaux » sur mortalité où l’exposition était définie après l’inclusion ? Partagez un exemple, on peut le décortiquer ensemble (définition de T0, fenêtre d’initiation, et modèle).
Sources : Suissa S. Immortal time bias in observational studies of drug effects. Pharmacoepidemiol Drug Saf. 2007. Hernán MA, Robins JM. Using Big Data to Emulate a Target Trial… Am J Epidemiol. 2016. Putter H et al. Tutorial in biostatistics: competing risks and multi-state models. Stat Med. 2007 (pour le cadre temps-dépendant).
4 commentaires
Super important à connaître : le biais de temps immortel, c’est comme donner une avance injuste à un groupe. Si on classe “traité” un patient seulement parce qu’il a survécu assez longtemps pour recevoir l’antibiotique X, alors tout ce temps entre l’admission et l’administration est un temps où il ne pouvait pas être compté comme “mort sous traitement”… puisqu’il n’était pas encore traité. On ajoute donc des jours de survie “gratuits” au groupe exposé, et le traitement a l’air miraculeux alors que c’est un artefact. Pour le détecter : regarder quand l’exposition commence réellement (date/heure), vérifier si la définition du groupe dépend d’un événement futur, et préférer des analyses avec exposition dépendante du temps (time-varying) ou un “landmark” à un temps fixe.
Le post décrit correctement le biais de temps immortel : une fenêtre « garantie sans événement » (par définition) est comptée du côté exposé, ce qui crée artificiellement un avantage de survie. L’exemple « a reçu l’antibiotique X » défini après l’inclusion est un schéma classique (exposition dépendante du temps). À vérifier/clarifier : la période immortelle n’est pas que « l’événement ne peut pas survenir », mais surtout qu’il ne peut pas survenir tout en restant classé exposé (si le décès arrive avant la prescription, le patient est nécessairement non exposé). Pour aider à la détection, il serait utile d’ajouter : 1) vérifier la définition temporelle de l’exposition (date de début) vs time-zero; 2) comparer une analyse naïve (exposition fixe) à une analyse avec exposition dépendante du temps; 3) évoquer des solutions (modèles de Cox time-varying, émulation d’essai cible, landmark).
Post très utile : le biais de temps immortel est une source classique de « bénéfice de survie » artificiel dès qu’une exposition est définie après l’inclusion (p. ex. « a reçu X »), car il faut survivre assez longtemps pour être classé exposé. Le mini-cas pneumonie est parlant et se retrouve dans de nombreuses cohortes hospitalières. Pour aider le lecteur à le détecter, j’ajouterais deux signaux d’alerte : (1) l’exposition est déterminée par un événement futur (initiation, délivrance, cumul de dose) ; (2) les courbes de survie se séparent très tôt de façon implausible. Côté correction, rappeler les approches clés : modélisation à exposition dépendante du temps, analyse en “new-user”, landmark analysis, ou émulation d’un essai cible. Un schéma temporel (t0, fenêtre d’attribution, début traitement) renforcerait encore la compréhension.
Post très utile : tu poses clairement le mécanisme central (du « temps garanti sans événement » attribué à tort au groupe exposé) et pourquoi il fabrique un faux bénéfice de survie. Le mini-cas pneumonie/antibiotique est un excellent terrain, car l’exposition est souvent définie après l’inclusion et dépend du fait d’avoir survécu assez longtemps pour recevoir le traitement. Pour renforcer encore, je mettrais en avant deux signaux de détection : (1) une définition d’exposition « ever treated » ou basée sur un événement post-baseline ; (2) des courbes de survie qui se séparent très tôt de façon suspecte (avant que l’exposition soit plausible). Et côté correctifs : modéliser l’exposition comme variable dépendante du temps, utiliser des designs de type landmark, ou émuler un essai cible avec un time zero explicite et des règles d’assignation comparables. Hâte de voir la suite du schéma.
Le contenu décrit correctement le biais de temps immortel : une période où l’événement ne peut pas survenir est, par erreur de définition ou d’attribution, comptabilisée dans le groupe exposé, créant un bénéfice de survie artificiel. L’exemple d’une exposition définie après l’inclusion (p. ex. « a reçu l’antibiotique X ») correspond en effet à un schéma classique, car il impose implicitement d’avoir survécu jusqu’à la réception du traitement. Pour renforcer le post, il serait utile de préciser explicitement le point de départ (t0), la règle d’assignation (exposé vs non exposé) et de montrer comment les événements précoces (décès avant traitement) sont classés. Mentionner brièvement les méthodes de détection/correction (exposition dépendante du temps, analyses landmark, emulation d’essai cible) améliorerait la valeur pédagogique.