Generalization of the causal effect of a given regimen in a network meta-analysis using AIPTW and TMLE

Abstract

Cette mémoire vise à développer une méthode de pondération par l’inverse de le probabilité de traitement (Augmented Inverse Probability of Treatment Weighting; AIPTW) et estimation par maximum de vraisemblance ciblée (Targeted Maximum Likelihood Estimation; TMLE) dans le contexte d'une méta-analyse en réseau avec données individuelles (Individual Patient Data Network Meta-Analysis; IPD-NMA) avec données observationnelles. Nous proposons également des méthodes pour estimer le score de propension généralisé (Generalized Propensity Score; GPS) pour finalement estimer l'effet causal d'une combinaison donnée de traitements (un régime) interprété à partir de d’une population globale. Cette recherche a été motivée par une mise à jour récente des données de patients atteints de la tuberculose multirésistante (Multidrug-Resistant Tuberculosis ; MDR-TB), une maladie infectieuse respiratoire causée par le bacillus mycobactérie avec un taux de mortalité élevé. Une compléxité notable de notre scénario est que toutes les régimes de traitements n'ont pas été observés dans toutes les études. L’inférence causale est définie comme l'étude de l'effet des traitements sur un résultat. Bien que les études cliniques randomisées sont l'étalon-or pour l'investigation des causes et effets, en raison de certaines limitations, leur utilisation n'est pas toujours faisable. Ainsi, l’analyse de données observationnelles est proposée. Donc, il est important de développer des méthodes qui nous permettent d'utiliser les informations provenant des données observationnelles. L'utilisation des informations provenant de plusieurs études individuelles nous permet d'évaluer les associations entre les traitements et les résultats qui sont spécifiques aux sous-populations. Aussi, une méta-analyse en réseau nous permet comparer plusieurs régimes au lieu de seulement deux. Nous estimons le taux de succès d’un régime donné à partir d'un ensemble d'études dans lesquelles le régime était disponible, puis le généralisons à l'ensemble de la population source. La théorie et les résultats d’une étude de simulation démontre que les méthodes développées sont doublement robustes. Cependant, TMLE démontre plus de robustesse, en particulier lorsqu’une méthode nouvellement proposée pour estimer le GPS est utilisée. Le résultat de l'application donne des estimations d’un taux de succès de traitement généralisé entre 50 à 61 % pour le régime {Pyrazinamide,Kanamycin,Ofloxacin,Ethionamide,Cyloserine} tandis que le taux observé de l’ensemble des données était de 59 %.

This thesis aims for developing Augmented Inverse Probability of Treatment Weighting (AIPTW) and Targeted Maximum Likelihood Estimation (TMLE) in the setting of Individual Patient Data Network Meta-Analysis (IPD-NMA) of observational data and propose a method to estimate the Generalized Propensity Score (GPS) to eventually estimate the causal effect of a given combination of treatments (a regimen) and generalize it to a global population. This research was motivated by a recent update on IPD_NMA of Multidrug-Resistant Tuberculosis (MDR-TB) - a respiratory infectious disease caused by bacillus mycobacterium with a high rate of mortality - where not all the regimens observed in all the studies. Although Randomized Controlled Trials (RCTs) are known to be the gold standard in investigating cause-and-effect including in causal inference (defined as the study of the effect of treatments on an outcome), but because of some known limitations using them is not always feasible. Thus, observational data are being proposed. Therefore, developing methods that enable us to use the information from observational data is important. In addition, using the information coming from individual studies allows us to evaluate associations between treatments and outcome which are specific to subpopulations. Also, a network meta-analysis allows us to study the effect of multiple treatments instead of two. We estimate the rate of treatment success for a given regimen from a set of studies where the regimen was available, and then generalize it to the whole network. The simulation result shows that the developed methods are doubly robust, however TMLE shows more robustness specially when the new proposed approach to estimate the GPS is being used. The application result shows a range of 50-61% for the generalized success rate of regimen {Pyrazinamide,Kanamycin,Ofloxacin,Ethionamide,Cyloserine} while the observed rate was 59% from multiple regimens.