Caracterisation of response shift effect using the Random Forest method

Evaluer la qualité de vie (QV) a pris une importance croissante dans le domaine de la santé, tout particulièrement pour les maladies graves tels que les cancers. Cependant l’analyse des données de QV demeure complexe et reste peu utilisée pour changer les standards de prise en charge des patients. Une des raisons est que les patients pourraient exprimer un effet « response shift » (changement de réponse) au cours de la maladie et par conséquent biaiser les résultats en sur- ou sous estimant l’effet traitement mesurer par le différentiel de QV. En effet lorsque l’évolution de la QV est étudiée, on fait souvent l’hypothèse que la perception qu’ont les patients du concept étudié ne va pas se modifier au cours du temps. Or les patients font face à une maladie et à des traitements. L’impact que peuvent avoir la maladie et les traitements sur la vie du patient va généralement l’amener à s’adapter et modifier sa perception du concept étudié. Ainsi l’occurrence potentielle d’un effet « Response Shift » est une des problématiques à appréhender pour distinguer ce qui relève d’un « vrai » changement de QV et de ce qui est de l’adaptation.To asses Quality Of Life, patients are often asked to evaluate their well-being using a self-report instrument to document patient-reported outcome (PROs) measures. The data are often collected on multiple domains, such as physical function, social health and emotional health. However, longitudinal PROs, which are collected at multiple occasions from the same individual, may be affected by adaptation or "response shift" effects and may lead to under- or overestimation of the treatment effects. Response shift is the phenomenon by which an individual's self-evaluation of a construct changes due to change in internal standards of measurement (recalibration), a change in value or priorities (reprioritization), or a personal redefinition of the target construct (reconceptualisation). If the response shift is present in the data, the interpretation of change is altered and conventional difference between post-test and pre-test may not be able to detect true change in PROs measures. The aim of the work is to propose an innovative method, based on random forest method, to highlight response shift effect