IntroductionDans les études observationnelles, les méthodes basées sur le score de propension connaissent une popularité croissante pour estimer l’effet causal populationnel d’une exposition, d’un traitement ou d’une autre sorte d’intervention. Parmi ces différentes méthodes, l’« Inverse-Probability-Weighting (IPW)[1]est décrite comme étant la plus fiable. Également basée sur le modèle causal à résultats potentiels, la « g-computation » (GC)[2]constitue une alternative prometteuse aux scores de propension. Cependant, aucune étude de simulation n’a comparé ces deux méthodes dans un contexte de survie en présence de censure à droite.MéthodesNous proposons une étude de simulation comparant la GC et l’IPW en présence de divers taux de censure à droite. Sachant que l’estimateur le plus courant dans ce cadre, lehazard ratio, pose question pour tirer des conclusions causales claires, nous avons choisi de nous intéresser à un estimateur absolu : la différence de temps de survie moyen restreint à un horizon temporel (RMST)[3]. Puisqu’il n’y a pas de consensus dans la littérature sur quelle ensemble de covariables ajuster dans ce contexte, nous investiguons également deux ensembles : toutes les variables causant l’évènement à l’inclusion ou seulement le sous-vecteur causant en plus l’exposition à l’inclusion.RésultatsDans notre étude de simulation, nous rapportons que la GC et l’IPW estiment de façon non-biaisée la différence de RMST, mais la GC est associée à une plus forte puissance statistique particulièrement avec un ajustement sur les variables causant l’évènement. Ces résultats ont été illustrés par deux applications sur des données de vie réelles tirées d’études récemment publiées dans le domaine de la sclérose en plaques et de la transplantation rénale.ConclusionNous illustrons ici la puissance supérieure de la GC par rapport au score de propension pour estimer un effet causal marginal absolu en présence de confusion non-dépendante du temps. Notre travail s’inscrit donc dans la continuité d’une littérature émergente qui remet en question l’utilisation accrue des scores de propension par les statisticiens appliqués pour l’estimation des effets causaux marginaux. Nous proposons en sus un package R dans lesquels la GC a été implémentée pour encourager son utilisation en inférence causale.