Défis statistiques dans la méta-analyse des données individuelles des patients
Dans une méta-analyse typique, les estimations du paramètre d’intérêt (p. ex. le rapport de cotes) sont extraites de la littérature ou en communiquant avec des chercheurs et regroupées. En revanche, pour IPD-MA ligne-par-ligne des données de patient sont obtenues de chaque étude.
Les données de l’IIP-MA permettent aux chercheurs de définir les expositions et les résultats de façon uniforme d’une étude à l’autre et d’analyser l’association d’intérêt de façon uniforme (p. ex. en s’adaptant aux mêmes facteurs de confusion), ce qui peut réduire au minimum l’hétérogénéité. Ipd-MA sont d’une valeur particulière pour la synthèse des études d’observation. Dans les AM traditionnelles fondées sur des données publiées, il est difficile d’étudier les différences entre les résultats des études, de tenir compte des différences dans les populations d’une étude à l’autre et de regrouper les effets qui ont été ajustés pour d’autres variables.
Ipd-MA ont une puissance plus élevée que la méta-régression pour détecter les interactions covariables-traitement, et sont préférables lorsque l’objectif est d’estimer les interactions avec les covariables au niveau du patient. Les IIP-MA ne sont pas sujettes à un biais écologique, car les données au niveau des patients ne sont pas agrégées.
Bien que, dans certains cas, l’IIP-MA et les données agrégées MA puissent donner des résultats similaires, cela est peu probable lors de l’évaluation des interactions traitement-covariable, de l’intégration de relations non linéaires, lorsque les essais sont de petite taille et qu’il existe une hétérogénéité entre les essais, et en particulier pour la mise en commun d’études non randomisées qui peuvent avoir besoin de s’ajuster à plusieurs facteurs de confusion.
Pour ces raisons, les IPD-MA sont considérées comme l’étalon-or de l’AM, malgré la complexité et le coût de la collecte des données, et sont publiées de plus en plus fréquemment.
Pour l’IPD-MA, deux stratégies analytiques générales (approches en une et deux étapes) sont possibles ; les deux préservent le regroupement des sujets au sein des études, la comparabilité des bras d’étude, et peuvent être fixes ou aléatoires. Une analyse des effets fixes suppose que l’effet estimé est le même dans toutes les études ; une analyse des effets aléatoires suppose que l’effet estimé varie d’une étude à l’autre en raison des différences dans les populations de patients, les 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 que d’une étude à l’autre. Dans l’ensemble, la plupart des statisticiens et des méta-analystes s’entendent pour dire qu’une approche en une seule étape est meilleure et plus souple qu’une approche en deux étapes.
Bien que le plus gros inconvénient d’un IPD-MA soit le temps / les dépenses pour assembler les données, notre expérience démontre que malgré de nombreux avantages, le large éventail de méthodes utilisées et l’absence d’un plan d’analyse de données standardisé est également un problème grave. Par rapport à l’AM conventionnelle, les méthodes pour IPD-MA sont décrites comme plus complexes et peu connues,14 peut-être en raison de plusieurs questions ouvertes sur le plan analytique. Ensuite, nous les abordons.
Ipd-MA sont l’étalon-or de MA, offrant de nombreuses possibilités pour la modélisation sophistiquée des courbes dose-réponse, l’effet et l’ajustement pour les covariables au niveau du patient ainsi que les interactions de traitement lorsqu’une approche en une étape est utilisée. Toutefois, plusieurs défis méthodologiques demeurent. Ce projet vise à étudier ces défis méthodologiques et à proposer les meilleures stratégies d’analyse de données. Ce projet initiera les étudiants à la recherche en biostatistique qui est à l’intersection de la statistique et de l’épidémiologie.
Voir la description complète du projetAndrea Benedetti
YANG SHEN
Épidémiologie / Santé publique et politiques
Université McGill
Globalink