Pour identifier l’effet de biomarqueurs, mesurés de façon répétée au cours du traitement, sur le devenir des patients (survie, réponse, toxicité) traités par immunothérapie pour un mélanome, notre approche vise à étendre des méthodes causales comme l’IDA (« Intervention calculus when directed acyclic graph (DAG) is absent ») aux mesures longitudinales. Les biomarqueurs étant mesurés chez des patients participant à une recherche clinique et translationelle, des données peuvent être manquantes. Les mécanismes qui mènent aux données manquantes introduits par Rubin tels que « missing completely at random » (MCAR), « missing at random » (MAR) et « not missing at random » (NMAR) peuvent être envisagés selon leur impact causal et les différents biais de sélection qu’ils peuvent induire. Une représentation graphique de ces mécanismes a été formalisée avec les » Missingness Graphs » (M-graphs) comme un outil permettant de détecter les biais de sélection potentiels et d’identifier les variables à prendre en compte pour contrôler ces biais. Une fois le mécanisme identifié, les mesures manquantes peuvent être imputées avec le modèle approprié basé sur le M-graph.

Dans notre étude, l’approche des M-graphs a été appliquée sur une base de données de 39 patients atteints de mélanome métastatique. Environ 100 marqueurs immunologiques ont été mesurés de façon répétée avant la prise de traitement jusqu’à la cinquième visite et à la survenue d’un événement toxique, la colique. Environ 15 % de données et 41 visites complètes étaient manquants.

Une fois les données manquantes imputées, l’IDA peut être appliquée sur le jeu de données complet.