L'estimation de l'effet Moyen du traitement (ATE) constitue l'une des mesures fondamentales en inférence causale visant
à évaluer l'impact causal d'un traitement sur une variable de résultat.
L'analyse de survie causale se positionne au cœur de cette démarche en cherchant à évaluer l'effet d'un traitement sur la survie des patients au cours du temps. Cependant, malgré l'abondance de littérature en survie causale, l'utilisation des méthodes de Cox demeure prédominante pour évaluer cet effet.

Ainsi, l'objectif principal de cette recherche est d'estimer l'effet causal d'un traitement en utilisant des données de survie qui ne proviennent pas forcément d'essais randomisés. Elle entend principalement fournir des recommandations pratiques aux utilisateurs face à la multitude d'informations disponibles ainsi que de mettre en lumière les avantages et les différences par rapport aux approches classiques encore largement utilisées.

Pour cela, dans un premier temps, un état de l'art des méthodes de survie causale sera présenté en décrivant les hypothèses d'identifiabilité et les principaux estimateurs, dont les méthodes de pondération, de régression et les approches doublement/triplement robustes. Parmi ces méthodes, on trouve des estimateurs paramétriques, semi-paramétriques et non paramétriques comme les forêts de survie causale.

Par la suite, une étude extensive par simulation sera réalisée pour comparer les différents estimateurs, leurs régimes de prédilection et illustrer leurs propriétés théoriques sur des échantillons de taille finie.

Pour finir, nous examinerons comment l'ajout de certaines variables dans les modèles de censure, de survie ou de traitement peut impacter la variance des estimateurs.