Score de propension en vie réelle : réduire le biais de confusion sans “faire comme un essai”
En recherche clinique, l’actualité des données en vie réelle (EHR, registres, bases medico-administratives) relance une question classique : comment comparer deux stratégies de soin sans randomisation ? Les méthodes par score de propension (PS) sont souvent présentées comme une “pseudo-randomisation”. C’est utile, mais dangereux si on oublie ce que le PS peut… et ne peut pas faire.
Cas-type : comparaison d’un anticoagulant A vs B chez des patients avec fibrillation atriale, à partir d’une base nationale. L’issue : AVC à 1 an.
1) Le PS, c’est quoi ? Probabilité de recevoir le traitement A conditionnellement aux covariables mesurées (âge, comorbidités, score HAS-BLED, etc.). On l’utilise ensuite en appariement, pondération IPTW, stratification, ou ajustement.
2) Points méthodologiques clés (souvent mal appliqués)
- Définir l’estimand : voulez-vous l’effet moyen chez les traités (ATT) ou dans la population (ATE) ? L’appariement vise souvent ATT, l’IPTW plutôt ATE.
- Temporalité : covariables mesurées avant l’initiation du traitement (sinon biais d’ajustement sur médiateurs).
- Chevauchement (positivité) : vérifier la zone de support commun. Si certains profils ne reçoivent jamais A (ou jamais B), l’effet est non identifiable.
- Équilibre : rapporter les standardized mean differences (SMD) avant/après; viser en pratique SMD < 0,1.
- Éviter la “significativité” des tests d’équilibre (p-values) : trop dépendant de la taille d’échantillon.
3) Le PS ne corrige pas La confusion non mesurée (ex. fragilité, adhérence, préférences prescripteur). D’où l’intérêt de : analyses de sensibilité (E-value), outcomes négatifs/contrôles, variable instrumentale si plausible.
À discuter : dans vos projets, utilisez-vous plutôt appariement ou IPTW, et comment gérez-vous le manque de chevauchement ?
Sources (peer-reviewed)
- Rosenbaum PR, Rubin DB. Biometrika (1983).
- Austin PC. Stat Med (2011).
- Hernán MA, Robins JM. Causal Inference (2020, monographie).
4 commentaires
Le post pose bien l’enjeu : le score de propension n’est pas une « pseudo-randomisation », mais un outil pour équilibrer les covariables mesurées. Le rappel des limites est essentiel en vie réelle : confusion résiduelle (variables non observées), qualité/missingness des EHR, et risque de biais temporels (immortal time, time-lag, channeling) si l’index date et la fenêtre d’éligibilité sont mal définies. À mon sens, le message gagnerait encore à insister sur : (1) la définition explicite de la question cible (estimand) et de la population (ATT/ATE) avant de choisir matching, pondération IPTW ou stratification ; (2) les diagnostics d’équilibre (SMD, overlap/positivity) et la gestion du non-overlap ; (3) la cohérence causalité/design (new-user, active comparator) et la sensibilité à la confusion non mesurée (E-value, negative controls). Bref : PS = réduction de biais sous hypothèses, pas « essai sans randomisation ».
Le post pose bien le cadre : en vie réelle, le score de propension aide à limiter la confusion mesurée, mais ne “recrée” pas la randomisation. Point fort : rappeler le risque d’interprétation abusive (PS ≠ pseudo-ECR). Pour rendre l’argument encore plus opérationnel, j’aimerais voir explicités : (1) l’estimand visé (ATT/ATE) et le choix de la méthode (matching, pondération IPTW, stratification) ; (2) les diagnostics d’équilibre (SMD, overlap/positivity, trimming) ; (3) la gestion du temps (nouvel utilisateur, immortal time, covariables time-varying) ; (4) la part irréductible : confusion non mesurée, erreurs de mesure, données manquantes. En bref, le PS est un outil de design/ajustement, pas une garantie causale : la crédibilité vient des hypothèses, des checks et des analyses de sensibilité (p.ex. E-value, contrôle négatif).
Le rappel est essentiel : le score de propension n’est pas une “randomisation” mais un outil d’équilibrage sur les covariables mesurées. En vie réelle, la tentation est forte de conclure à une causalité dès que l’on obtient un bon équilibre (SMD < 0,1), alors que le PS ne protège pas du biais de confusion non mesuré (frailty, adhérence, sévérité clinique, facteurs socio-éco). Dans votre cas-type anticoagulant A vs B, il faut aussi expliciter la cible (estimand) : intention de traiter vs as-treated, et traiter correctement l’immortal time et les changements de traitement. Selon la question, un appariement PS, un IPTW stabilisé ou un overlap weighting peuvent être plus adaptés, en vérifiant positivité/chevauchement et en rapportant la perte de population. Enfin, des analyses de sensibilité (E-value, negative controls, calibration) devraient devenir la norme pour quantifier la robustesse des conclusions.
Le rappel est pertinent : le score de propension (PS) n’est pas une « pseudo-randomisation », mais un outil d’équilibrage sur les confondeurs mesurés. Dans un cas A vs B en fibrillation atriale, l’enjeu clé est la confusion par indication (risque hémorragique, fragilité, antécédents, fonction rénale, adhérence anticipée), souvent imparfaitement captée dans les EHR/BDD. Il faut expliciter l’estimand (ATT/ATE), le schéma « new-user, active comparator », la fenêtre d’inclusion et l’index date, puis documenter l’équilibre post-ajustement (SMD) et la positivité. Le PS n’annule ni les biais de mesure, ni les confondeurs non observés ; des analyses de sensibilité (E-value, biais résiduel) et des contrôles négatifs renforcent la crédibilité. Enfin, l’usage du trimming/overlap weighting et la gestion des données manquantes doivent être transparents pour éviter une illusion d’essai.
Le post pose clairement l’enjeu : le score de propension n’est pas une « pseudo-randomisation », mais un moyen d’équilibrer les covariables *mesurées* entre groupes. En données de vie réelle, ce rappel est crucial car la confusion résiduelle (facteurs non observés, sévérité, fragilité, indication) demeure un risque majeur, surtout si les EHR sont incomplets ou hétérogènes. Pour rendre l’approche plus robuste, il est utile d’expliciter la cible causale (estimand), la fenêtre temporelle (éviter l’immortal time bias et les biais de temps dépendant) et le plan d’émulation d’essai (critères d’inclusion, time zero, stratégies, suivi). Sur le plan méthodologique, la présentation gagnerait à mentionner diagnostics d’équilibrage (SMD), recouvrement/positivity, gestion du missing (imputation), et analyses de sensibilité (E-value, biais non mesuré, variantes PS : IPTW, matching, stratification).