Inférence causale sur données observationnelles : développement et application pour les soins critiques

Causal inference from observational data : development and applications for critical care

• Auteur / Autrice : Maxime Leger
• Direction : Yohann Foucher, Sigismond Lasocki
• Type : Thèse de doctorat
• Discipline(s) : Biostatistique
• Date : Soutenance le 13/05/2022
• Etablissement(s) : Nantes Université
• Ecole(s) doctorale(s) : École doctorale Biologie-Santé (Nantes)
• Partenaire(s) de recherche : Laboratoire : SPHERE (Nantes ; Tours)
• Jury : Président / Présidente : Sophie Hamada
• Jury : Examinateurs / Examinatrices : Emilie Lanoy, Antoine Roquilly
• Jury : Rapporteurs / Rapporteuses : Sophie Hamada, David Hajage

Mots clés

Mots clés contrôlés

Soins intensifs

Score de propension

Mots clés libres

G-computation

Soins critiques

Propensity score

G-computation,

Critical care

Résumé

L’augmentation croissante des données observationnelles, notamment dans les services de soins critiques amènent à considérer l’utilisation des méthodes statistiques d’inférence causale. Cette thèse présente deux travaux permettant de mettre en lumière les défis actuels de ces méthodes statistiques appliquées sur des données observationnelles de santé. Le premier travail évalue l’impact des barbituriques dans une population de patients traumatisés crâniens, inclus de manière prospective dans la cohorte ouverte de soins critiques AtlanRéa. L’évaluation de l’impact des barbituriques a été permis par le respect des hypothèses de l’inférence causale et l’utilisation d’une méthode basée sur les scores de propension : la pondération. Au-delà du résultat de cette analyse, ayant notamment mis en évidence une augmentation de la mortalité dans le groupe traité par barbituriques, nous avons été confrontés à la problématique de l’infraction de l’hypothèse de positivité. Nous avons ensuite comparé différentes méthodes statistiques d’inférence causale dans un contexte d’infraction de l’hypothèse de positivité, pouvant être associée à la problématique d’extrapolation. Les méthodes prédisant la survenue de l’évènement sont les plus robustes dans ces situations. Dans ce contexte d’accumulation de données de santé, une perspective d’optimisation de l’utilisation des méthodes statistiques dans le cadre de l’inférence résidera dans le recours aux algorithmes d’apprentissage automatisé (machine learning) pour éviter les problèmes de spécification des modèles.

The increasing amount of observational data, especially in critical care, leads to the consideration of causal inference statistical methods. This thesis presents two works that highlight the current challenges of these statistical methods used on observational health data. The first analysis evaluates the impact of barbiturates in a population of trauma brain injured patients prospectively included in the open critical care cohort AtlanRéa. The evaluation of the impact of barbiturates was possible by respecting the assumptions of causal inference and by using a method based on propensity scores: inverse probability weighting. Beyond the results of this analysis, which showed an increase in mortality in the group treated with barbiturates, we were faced with the problem of the violation of the positivity assumption. We then compared different statistical methods of causal inference in a context of violation of the positivity assumption, which can be associated with an extrapolation issue. The methods predicting the occurrence of the outcome are the most robust in these situations. In this context of accumulation of health data, a perspective of optimization of the use of statistical methods in the framework of causal inference will reside in the use of machine learning algorithms to avoid the problems of model specification.