Généralisation des résultats d'essais cliniques à une nouvelle population

Generalizing clinical trials findings to a new population

• Auteur / Autrice : Charlotte Voinot
• Direction : Julie Josse
• Type : Projet de thèse
• Discipline(s) : Statistiques et Sciences des Données
• Date : Inscription en doctorat le 03/04/2023
• Etablissement(s) : Université de Montpellier (2022-....)
• Ecole(s) doctorale(s) : École doctorale Information, Structures, Systèmes (Montpellier ; 2015-....)
• Partenaire(s) de recherche : Laboratoire : IDESP - Institut Desbrest d'Epidemiologie et de Sante Publique

Mots clés

Mots clés libres

Analyse de survie

Inférence Causale

Etude Observationelle

Survival analysis

Causal Inference

Observational study

Résumé

Les essais cliniques randomisés (RCT) constituent l'étalon-or pour l'évaluation de l'effet d'un traitement. Mais les critères d'inclusion et d'exclusion restrictifs nécessaires peuvent limiter la généralisation de l'efficacité des médicaments, par exemple, à une population plus large. En revanche, les études sur les données réelles (RWE) peuvent être plus représentatives des populations cibles de patients, mais l'absence de randomisation les rend sensibles aux biais induits par les facteurs de confusion. L'objectif de ce travail est d'évaluer ou de développer des méthodologies innovantes d'inférence causale applicables aux bases de données combinées RCT/RWE dans le contexte des données de survie. En particulier, ce travail abordera les sujets suivants : - adapter les méthodes de généralisation de l'inférence causale aux données temporelles - Évaluer la robustesse des méthodes, y compris la sensibilité à la mauvaise spécification du modèle et à l'erreur de mesure : il convient d'envisager des méthodes doublement robustes adaptées à la survie et à une quantité éventuellement importante de données manquantes. Le problème de l'estimation de l'effet de traitement moyen conditionnel (CATE) sera également abordé : ceci est particulièrement pertinent pour identifier les sous-groupes de patients d'intérêt.

Randomized clinical trials (RCTs) are the gold standard for the evaluation of treatment effect. But the necessary restrictive inclusion and exclusion criteria can limit generalizability of drug effectiveness, for instance, to wider population. In contrast, real world evidence (RWE) studies can be more representative of patient target populations but lack of randomization makes them sensitive to bias induced by confounders. The aim of this work is to assess or develop innovative causal inference methodologies applicable to combined RCT/RWE databases in the context of time to event data. In particular, this work should address the following topics: - Adapt causal inference generalization methods to time to event data - Assess robustness of the methods, including sensitivity to model misspecification and measurement error: double-robust methods adapted to time to event and to possibly a large amount of missing data should be considered. - Variable selection in survival, censoring and treatment models