Défis statistiques dans la méta-analyse des données individuelles des patients
Dans une méta-analyse typique, les estimations du paramètre d’intérêt (par exemple, le rapport des chances) sont extraites de la littérature ou en contactant des chercheurs et regroupées. En revanche, pour l’IPD-MA, les données des patients sont recueillies ligne par ligne à partir de chaque étude.
Les données IPD-MA permettent aux chercheurs de définir les expositions et les résultats de manière cohérente entre les études, et d’analyser l’association d’intérêts de façon constante (par exemple, ajustant pour les mêmes facteurs de confusion), ce qui peut minimiser l’hétérogénéité. L’IPD-MA est particulièrement utile pour la synthèse d’études observationnelles. Dans les AM traditionnelles basées sur des données publiées, il est difficile d’étudier les différences entre les résultats des études, d’ajuster les différences dans les populations d’une étude à l’autre et de regrouper les effets qui ont été ajustés pour d’autres variables.
L’IPD-MA a un pouvoir plus élevé que la méta-régression pour détecter les interactions covariables-traitement, et est préférable lorsque l’objectif est d’estimer les interactions avec les covariables au niveau du patient. Les IPD-MA ne sont pas sujettes aux biais écologiques, car les données au niveau des patients ne sont pas agrégées.
Bien que dans certains cas, l’IPD-MA et la MA de données agrégées puissent donner des résultats similaires, cela est peu probable lors de l’évaluation des interactions traitement-covariées, en incorporant des relations non linéaires, lorsque les essais sont petits et qu’il y a hétérogénéité entre les essais, et particulièrement pour le regroupement d’études non randomisées qui peuvent devoir s’ajuster à plusieurs facteurs de confusion.
Pour ces raisons, les IPD-MA sont considérés comme la référence de l’AM, malgré la complexité et le coût de la collecte des données, et sont publiés de plus en plus fréquemment.
Pour l’IPD-MA, deux grandes stratégies analytiques (approches en une ou deux étapes) sont possibles; les deux préservent le regroupement des sujets au sein des études, la comparabilité des bras d’étude, et peuvent être soit fixes, soit aléatoires. Une analyse des effets fixes suppose que l’effet estimé est le même pour toutes les études; Une analyse des effets aléatoires suppose que l’effet estimé varie d’une étude à l’autre en raison des différences de populations de patients, de procédures d’étude, etc.
Une approche en une seule étape offre plus de flexibilité pour explorer les différences qui peuvent exister entre les patients dans la même étude ainsi qu’entre les études. Dans l’ensemble, la plupart des statisticiens et des méthodologistes méta-analystes s’entendent pour dire qu’une approche en une étape est meilleure et plus flexible qu’une approche en deux étapes.
Bien que le plus grand inconvénient d’un IPD-MA soit le temps et le coût pour assembler les données, notre expérience démontre que, malgré de nombreux avantages, la grande variété de méthodes utilisées et l’absence d’un plan standardisé d’analyse de données posent aussi un problème sérieux. Comparativement à la MA conventionnelle, les méthodes pour l’IPD-MA sont décrites comme plus complexes et peu connues,14 peut-être en raison de plusieurs questions ouvertes concernant le plan analytique. Ensuite, nous abordons ces points.
L’IPD-MA est la référence d’excellence de l’AM, offrant de nombreuses possibilités de modélisation sophistiquée des courbes dose-réponse, de l’effet et de l’ajustement des covariables au niveau du patient ainsi que des interactions thérapeutiques lorsqu’une approche en une seule étape est utilisée. Cependant, plusieurs défis méthodologiques subsistent. Ce projet vise à examiner ces défis méthodologiques et à proposer les meilleures stratégies d’analyse des données. Ce projet introduira les étudiants à la recherche en biostatistique qui se situe à l’intersection des statistiques et de l’épidémiologie.
Voir la description complète du projetAndrea Benedetti
YANG SHEN
Épidémiologie / Santé publique et politiques publiques
Université McGill
Globalink