Inférence causale à partir de données hétérogènes avec données manquantes : application à la prise en charge de patients polytraumatisés graves

Causal Inference from Heterogeneous Data with Missing Data : Application to Critical Care Management

• Auteur / Autrice : Imke Mayer
• Direction : Jean-Pierre Nadal, Julie Josse
• Type : Thèse de doctorat
• Discipline(s) : Mathématiques et informatique
• Date : Soutenance le 20/09/2021
• Etablissement(s) : Paris, EHESS
• Ecole(s) doctorale(s) : École doctorale de l'École des hautes études en sciences sociales
• Jury : Président / Présidente : Raphaël Porcher
• Jury : Examinateurs / Examinatrices : Raphaël Porcher, James Carpenter, Romain Pirracchio, Tobias Gauss, Fabrizia Mealli, Elizabeth A. Stuart
• Jury : Rapporteurs / Rapporteuses : James Carpenter, Romain Pirracchio

Mots clés

Mots clés contrôlés

Statistique médicale

Bases d'informations généralisées

Gestion

Observations manquantes (statistique)

Analyse des données

Mots clés libres

Analyse de données

Apprentissage statistique

Analyse d'effet de traitement

Traumatologie

Data analysis

Statistical learning

Treatment effect analysis

Critical care management

Résumé

Le problème des données manquantes est inévitable dans la pratique statistique, la plupart des méthodes d'analyse ne peuvent être mises en œuvre directement à partir de données incomplètes. Ce domaine est en pleine expansion au sein de la communauté statistique, car le problème des valeurs manquantes est exacerbé par la multiplicité des données collectées, souvent à partir de diverses sources d'information. Il est donc crucial d'identifier des méthodologies efficaces pour effectuer des analyses (causales) en présence de données incomplètes, et de savoir quel degré de confiance accorder aux résultats obtenus à partir de données incomplètes. L'objectif de cette thèse est de proposer de nouvelles méthodes dans le contexte de l'inférence causale, adaptées à certains des défis des processus modernes de collecte de données, à savoir les données manquantes et l'hétérogénéité ; et de développer des méthodologies pratiques adaptées pour évaluer des questions d'intérêt médical et d'apporter un support à la prise de décision dans un contexte de contraintes de temps et de ressources, comme c'est le cas par exemple dans la prise en charge de patients polytraumatisés graves. Nous adoptons l'approche de l'inférence causale pour relever ces défis. La théorie et les méthodologies d'estimation d'effets de traitement sont bien comprises dans le cas d'études expérimentales, c'est-à-dire dans les essais contrôlés randomisés, l'``étalon-or'' pour évaluer des effets de traitement ou d'intervention. Cependant, il existe toujours un manque de résultats et de méthodologies d'inférence causale largement appliqués pour les études observationnelles. Cela peut s'expliquer en partie par le contraste qui subsiste entre les résultats existants et leur applicabilité à des problèmes concrets et à des données provenant de divers domaines. Un facteur clé qui peut expliquer cette sous-représentation des études observationnelles dans les analyses causales est l'écart entre le cadre statistique classique et les données collectées qui ne correspondent pas toujours au premier. Les contributions de cette thèse se composent de trois parties principales. Dans la première partie, nous considérons le cas des valeurs manquantes dans les études observationnelles et leur impact sur les analyses causales, à savoir les problèmes d'identifiabilité et d'estimation. Nous proposons d'intégrer explicitement les valeurs manquantes dans le cadre classique d'inférence causale, permettant de définir des hypothèses d'identifiabilité d'effets de traitement en présence de valeurs manquantes et nous dérivons une approche d'estimation générique et flexible s'appuyant sur les résultats récents des statistiques semi-paramétriques. Dans la deuxième partie, nous considérons un autre ensemble de problèmes, qui se posent dans le cas de la disponibilité simultanée d'études expérimentales et observationnelles pour la même question d'intérêt ; la question de savoir comment relier ces études et comment tirer parti de leurs avantages respectifs et surmonter leurs inconvénients est un sujet de recherche étudié par divers domaines, des sciences sociales et économiques aux sciences biomédicales et pharmaceutiques, et elle intéresse également la communauté de l'apprentissage machine. Nous passons en revue l'état de l’art sur la question de savoir comment généraliser les résultats des études expérimentales à des populations plus pertinentes. Nous abordons ensuite la question de savoir comment ces résultats et méthodes sont affectés par la présence de valeurs manquantes dans l'une ou l'autre des sources de données et nous proposons des stratégies d'estimation. Enfin, un objectif important de cette thèse étant son application à un contexte médical et à d'autres domaines pertinents, la troisième partie de ce manuscrit se concentre sur l'application concrète et la communication de ces méthodologies et sur leur mise en œuvre, rendue accessible à un large public avec des implémentations et tutoriels open-source.

The problem of missing data is unavoidable in statistical practice, most analysis methods cannot be implemented directly from incomplete data. This domain is expanding rapidly within the statistical community, as the problem of missing data is exacerbated by the multiplicity of data collected, often from different sources of information. It is therefore crucial to identify effective methodologies for carrying out (causal) analyses in the presence of incomplete data, and to know how much confidence can be placed in the results obtained from incomplete data.The subject of this dissertation is to propose new methods in the context of causal inference, adapted to some of the challenges of modern data collection processes, namely missingness and heterogeneity; and to develop practical methodologies suited to assess questions of medical relevance and support decision making in a context of time and resource constraints, as it is the case for instance in critical care management.We take the perspective of causal inference and treatment effect estimation to address these challenges. Theory and methodologies for treatment effect estimation are well understood especially in the experimental study case in randomized controlled trials, the \textit{gold standard} to assess treatment and intervention effects. However, for observational data causal inference methods and results are not widely applied, the number of successful and accepted examples in applied domains still remain quite low currently and only cover few domains of science. Because classical statistical frameworks can only derive limited causal knowledge from observational data without access to treatment randomization, observational studies are rarely considered acceptable as a valid tool for analyzing causality. Additionally, other challenges that arise in practice, limit the leveraging of observational data. For instance the presence of missing values does not only lead to violations of underlying data generating assumptions, it also leads to practical limitations that make it difficult to (implicitly) ignore such missing values, especially in the era of ``big data'' and high-dimensional data. The contributions of this thesis consist of three main parts. The first part covers the case of missing values in observational studies and their impact on causal analyses, namely identifiability and estimation issues. We propose to explicitly integrate the missing values in the classical causal inference framework, allowing to define identifiability assumptions of treatment effects in the presence of missing values and we provide a generic and flexible estimation approach leveraging recent results from semi-parametric statistics. In the second part we consider a different set of problems, arising in the case of simultaneous availability of experimental and observational studies for the same question of interest the issue of how to relate, such studies, how to leverage their respective advantages and how to overcome their shortcomings is a relevant research topic studied by various fields, ranging from social and economic sciences, to biomedical and pharmaceutical research, as well as among the broad computer science community. We begin by reviewing the current state of the art addressing the question of how to generalize or transport results from experimental studies to more representative and general populations. We then address the question of how these results and methods are altered by the presence of missing values in either data source. To generalize effects of any treatment in such cases, we propose an estimation strategy that is based on multiple imputations. Finally, the third part of this manuscript focuses on utilization: We describe the concrete application, communication and implementation of the developed methodologies to critical care management and other relevant fields. Necessary code resources and instructional tutorials are made available as open source material.