Biometric methodologies

Abstract

I. Lobach, R. J. Carroll, C. Spinka, M. H. Gail, and N. Chatterjee 673Haplotype-Based Regression Analysis and Inference of Case--Control Studies with Unphased Genotypes and Measurement Errors in Environmental ExposuresIl est maintenant établi que le risque de développer une maladie dite complexe est sous l'influence conjointe de facteurs de susceptibilité génétiques, de facteurs d'exposition environnementaux et de leurs interactions potentielles. Chatterjee et caroll (2005) ont développé une méthode efficace de maximum de vraisemblance rétrospectif pour l'analyse des études cas-témoins qui fait l'hypothèse d'indépendance des effets génétiques et environnementaux et qui autorise une distribution totalement non paramétriques des covariables environnementales. Spinka et al (2005) ont étendu cette approche aux études où certains types d'information, comme les phases haplotypiques, sont manquantes chez certains individus. Nous étendons cette approche aux situations où certaines exposition environnementales sont mesurées avec erreur. A l'aide d'un modèle de régression logistique polychotomique, nous permettons au statut maladie d'avoir K+1 niveaux. Nous proposons d'utiliser une pseudo-vraisemblance and un algorithme EM associé pour l'estimation des paramètres. Nous démontrons leur consistance et dérivons la matrice de covariance asymptotique des estimations des paramètres lorsque la variance de l'erreur de mesure est connue et lorsqu'elle est estimée à l'aide de réplications.Les inférences avec des corrections de l'erreur de mesure sont compliquées par le fait que le test de Wald à des propriétés non satisfaisantes en présence d'un large nombre d'erreurs de mesure. Les techniques du rapport de vraisemblance sont connues pour être une alternative satisfaisante. Cependant, les tests du rapport de vraisemblance ne sont pas techniquement corrects dans cette situation car la fonction de vraisemblance est fondée sur un modèle incorrect, i.e. un modèle prospectif dans un schéma d'échantillonnage rétrospectif. Nous corrigeons les résultats asymptotiques standards pour prendre en compte le fait que le test du rapport de vraisemblance est fondé sur une fonction apparentéà la vraisemblance. Les performances de la méthode proposée sont illustrées avec des études de simulation dans le cas où l'information génétique est de type haplotypique et que les données manquantes viennent d'une ambigüité de phase lors de la reconstruction de ces haplotypes. Enfin, nous appliquons notre méthode à une étude d'association cas-témoins entre la prise de calcium et le risque d'adénome colorectal.B. Mukherjee and N. Chatterjee 685Exploiting Gene-Environment Independence for Analysis of Case--Control Studies: An Empirical Bayes-Type Shrinkage Estimator to Trade-Off between Bias and EfficiencyL'analyse prospective habituelle de données de type cas-témoin par la régression logistique conduit souvent à des estimateurs très imprécis des interactions gènes-environnement, en raison du faible nombre de cas ou de témoins pour des croisements génotype-exposition. Par contraste, sous l'hypothèse d'indépendance gène-environnement, par les méthodes actuelles rétrospectives, y compris l'approche «cas seulement », on peut estimer les paramètres d'interaction de manière beaucoup plus précise, mais on peut avoir un biais important lorsque l'hypothèse sous-jacente d'indépendance gène-environnement n'est pas respectée. Dans cet article, nous proposons un nouvel estimateur de type Bayésien empirique pour analyser des données cas-témoin, permettant d'assouplir l'hypothèse d'indépendance gène-environnement en s'appuyant sur les données. Dans le cas particulier d'un gène binaire et d'une exposition binaire, la méthode conduit à un estimateur du paramètre log odds-ratio de l'interaction sous forme simple explicite, correspondant à une moyenne pondérée des estimateurs usuels « cas seulement » et cas-témoin. Nous décrivons également une méthode générale pour l'obtention du nouvel estimateur et de sa variance dans le schéma rétrospectif au maximum de vraisemblance proposé par Chatterjee et Carroll (2005). Des simulations et des exemples sur données réelles montrent que l'estimateur proposé marque bien l'équilibre entre le biais et l'efficacité selon la réelle association gène-environnement et la taille d'échantillon pour une étude donnée.Z. Cai, M. Kuroki, J. Pearl, and J. Tian 695Bounds on Direct Effects in the Presence of Confounded Intermediate VariablesCet article traite le problème de l'estimation de l'effet directement attribuable au traitement (average controlled direct effect : ACDE) dans l'analyse d'un critère final, lorsque des facteurs de confusion non mesurés adviennent entre la mesure d'une variable intermédiaire et ce critère final. En effet, même lorsque ces facteurs de confusion ne perturbent pas l'estimation de l'effet total (qui est alors identifiable), ils rendent non identifiable l'effet direct attribuable au traitement. Kaufman et coll. (2005) ont utilisé un logiciel de programmation linéaire pour trouver les minimum et maximum des valeurs possibles de l'ACDE pour des données numériques particulières. En utilisant la méthode de programmation linéaire symbolique de Balke–Pearl (1997), nous dérivons ici des formules analytiques pour les limites supérieure et inférieure de l'ACDE sous diverses hypothèses de monotonie. Ces valeurs-limites sont toujours valides. Dans le domaine de la recherche clinique, elles permettent d'évaluer, de façon abordable en termes de calcul, l'effet directement attribuable au traitement. Elles permettent ainsi d'éclairer l'expérimentateur sur le sens dans lequel s'exerce l'effet attribuable au traitement, ainsi que sur la précision des estimations.T. J. VanderWeele 702The Sign of the Bias of Unmeasured ConfoundingLes variables de confusion non mesurées constituent un problème fréquent lorsqu'on veut faire de l'inférence dans des études observationnelles. Nous proposons un théorème qui permet, dans certaines circonstances, de tirer des conclusions sur le signe du biais généré par une variable de confusion non mesurée. Plus précisément, il est possible de déterminer le signe du biais quand il existe des relations monotones d'une part entre la variable de confusion non mesurée et le traitement et, d'autre part, entre la variable de confusion non mesurée et le critère de jugement. Les conditions d'application du théorème sont discutées ainsi que les avantages et les inconvénients liés à son utilisation pour déterminer le sens du biais de la confusion non mesurée.M. Zhang, A. A. Tsiatis, and M. Davidian 707Improving Efficiency of Inferences in Randomized Clinical Trials Using Auxiliary CovariatesL'objectif premier d'un essai clinique randomisé est de comparer deux traitements ou plus. Par exemple, dans un essai à deux bras avec une réponse continue, on peut s'intéresser à la différence des moyennes; avec plus de deux traitements, la comparaison peut être basée sur des différences appariées. Avec des réponses binaires, des odds ratio appariés ou des log odds ratio peuvent être utilisés. En général, les comparaisons peuvent être basées sur des paramètres ayant un sens, dans un modèle statistique pertinent. Des analyses standards pour l'estimation et les tests dans ce contexte, sont typiquement basées sur les données collectées de la réponse et du traitement seulement. Dans beaucoup d'essais, une information sur une covariable auxiliaire peut également être disponible et il est intéressant d'exploiter ces données pour améliorer l'efficacité des inférences. En prenant une perspective de théorie semi-paramétrique, nous proposons une approche largement applicable à l'ajustement de covariables auxiliaires pour obtenir des estimateurs plus efficaces et des tests pour les paramètres de traitement dans l'analyse d'essais cliniques randomisés. Des simulations et des applications démontrent la performance des ces méthodes.C. J. Lloyd 716A New Exact and More Powerful Unconditional Test of No Treatment Effect from Binary Matched PairsNous considérons le problème du test de la différence des probabilités du succès de paires binaires couplées. Commençant par trois tests standard inexacts, le paramètre de nuisance est d'abord estimé et ensuite la dépendance résiduelle éliminée par maximisation, produisant ce que j'appelle la p-valeur de E+M. On montre que cette p-valeur, basée sur la statistique de McNemar, est numériquement supérieure aux suggestions précédentes, y compris les p-valeurs partiellement maximisées telles qu'elles sont décrites dans Berger et Sidik (2003). La dernière méthode cependant peut avoir des avantages du point de vue des calculs pour de grands échantillons.G. Wei and D. E. Schaubel 724Estimating Cumulative Treatment Effects in the Presence of Nonproportional HazardsSouvent, dans les études médicales portant sur le délai d'apparition d'un événement, l'effet traitement n'est pas constant au cours du temps. Dans le cas du modèle de Cox, la solution la plus fréquente est d'utiliser un modèle qui suppose que soit l'effet traitement est constant par intervalle, soit qu'il varie lentement au cours du temps (le modèle de Cox à risques non proportionnels). Cette approche a au moins deux limitations majeures. Premièrement, il est généralement difficile d'évaluer si la forme du paramètre choisi pour l'effet traitement est correct. Deuxièmement, en présence de risques non proportionnels, les investigateurs sont habituellement plus intéressés par l'effet traitement cumulé plutôt que par l'effet traitement instantané (c'est-à-dire déterminer si et quand les fonctions de survie se croisent). Par conséquent, nous proposons un estimateur pour l'effet global du traitement en présence de risques non proportionnels. Notre estimateur est fondé sur le risque de base cumulé estimé sous un modèle de Cox stratifié. Aucune hypothèse n'est nécessaire quant à la forme de la fonction concernant l'absence de proportionnalité. Les propriétés asymptotiques d