{"id":16363,"date":"2022-10-19T10:21:25","date_gmt":"2022-10-19T08:21:25","guid":{"rendered":"https:\/\/convergences.online\/hemato\/?p=16363"},"modified":"2022-10-19T10:21:25","modified_gmt":"2022-10-19T08:21:25","slug":"quid-des-analyses-dites-ajustees","status":"publish","type":"post","link":"https:\/\/www.hematostat.net\/en\/quid-des-analyses-dites-ajustees\/","title":{"rendered":"Quid des analyses dites “ajust\u00e9es”"},"content":{"rendered":"

 <\/p>\n

Le contexte<\/h3>\n

Dans le cadre d\u2019analyses r\u00e9trospectives ou prospectives, il est souvent question de comparer l\u2019effet de deux ou plusieurs traitements ou un potentiel facteur de risque (\u00e2ge, diab\u00e8te, risque cytog\u00e9n\u00e9tique, etc.) \u00e0 travers les donn\u00e9es issues d\u2019une cohorte existante de patients, et ce, afin d\u2019\u00e9tudier la r\u00e9alit\u00e9 du terrain. Il arrive fr\u00e9quemment dans ce type d\u2019\u00e9tude que des caract\u00e9ristiques des patients, dites baseline<\/i>, ne soient pas distribu\u00e9es de mani\u00e8re \u00e9quilibr\u00e9e entre les groupes de patients, prenant tel ou tel traitement ou faisant partie des diff\u00e9rentes cat\u00e9gories \u00e0 comparer entre elles. Ces caract\u00e9ristiquesbaseline<\/i> r\u00e9parties in\u00e9galement entre les groupes sont souvent appel\u00e9es facteurs confondants ou de confusion.<\/p>\n

La probl\u00e9matique<\/h3>\n

Ces facteurs confondants introduisent un biais de confusion mais peuvent avoir de plus un impact sur l\u2019endpoint<\/i> \u00e9tudi\u00e9. Sauf \u00e0 effectuer un essai parfaitement randomis\u00e9, une analyse univari\u00e9e ne permet pas de dire d’embl\u00e9e si notre variable \u00e9tudi\u00e9e impacte ou non un endpoint<\/i> d\u2019int\u00e9r\u00eat \u00e0 travers sa p-value<\/i>. En effet, elle ne mesure pas l\u2019effet relatif \u00e0 la variable mais le risque. Elle compare en fait des populations d\u2019individus (ceux d\u2019une cat\u00e9gorie B vs.<\/i> A, les plus \u00e2g\u00e9s vs. <\/i>les plus jeunes, etc.).<\/p>\n

La r\u00e9ponse<\/h3>\n

La mani\u00e8re la plus directe pour faire un ajustement (ou analyse ajust\u00e9e) est de consid\u00e9rer ces facteurs de confusion comme des variables d\u2019ajustement. L\u2019op\u00e9ration est simple : il s\u2019agit d\u2019une analyse multivari\u00e9e dans laquelle on int\u00e8gre dans la r\u00e9gression idoine, en plus de notre variable d\u2019int\u00e9r\u00eat, celles d\u2019ajustement, afin d\u2019obtenir une estimation ajust\u00e9e d\u2019une diff\u00e9rence de moyenne, d\u2019un odds- ou hazard-ratio.<\/p>\n

Pour l’illustrer, prenons un exemple avec des donn\u00e9es simul\u00e9es, o\u00f9 l\u2019on souhaite comparer un traitement B vs. <\/i>A. La premi\u00e8re \u00e9tape est d\u2019effectuer une analyse descriptive comparative entre les patients prenant le traitement A et ceux prenant le B (table 1<\/strong>). Ici l’on remarque que l\u2019\u00e2ge et l\u2019h\u00e9moglobine sont repartis diff\u00e9remment entre les deux groupes d\u2019individus d\u2019apr\u00e8s les tests statistiques. En effet, le groupe \u2018traitement A\u2019 est plus \u00e2g\u00e9 que \u2018traitement B\u2019 mais leurs patients ont un meilleur taux d\u2019h\u00e9moglobine (les p-values<\/i> \u00e9tant < \u00e0 5%).<\/p>\n

\"\"

Table 1\u00a0: descriptif de caract\u00e9ristiques entre patients prenant le traitement A vs. B.<\/p><\/div>\n

Dans notre exemple qui \u00e9tudie une variable r\u00e9ponse binaire (n\u00e9cessitant l\u2019emploi d\u2019une r\u00e9gression logistique), lorsqu’on analyse les variables \u2018traitement\u2019, \u2018\u00e2ge\u2019 et \u2018h\u00e9moglobine\u2019 s\u00e9par\u00e9ment (via des r\u00e9gressions univari\u00e9es), on obtient les r\u00e9sultats figurant dans la table 2<\/strong>.<\/p>\n

\"\"

Table 2\u00a0: r\u00e9sultats des r\u00e9gressions univari\u00e9es et multivari\u00e9e sur donn\u00e9es simul\u00e9es.<\/p><\/div>\n

L\u2019odds-ratio (OR) de la population prenant le traitement B par rapport au traitement A – et il faut insister sur cette tournure de phrase – est de 0.25 [0.09 \u2013 0.72] avec un p=0.011. Or la population B est plus jeune, un biais majeur puisque la variable d\u2019\u00e2ge semble impacter aussi notre endpoint<\/i> : plus la population est \u00e2g\u00e9e, plus le risque augmente (OR=1.11) et donc inversement. D\u00e8s lors, est-ce que le traitement B divise notre risque pratiquement par 4 ?<\/p>\n

L\u2019analyse multivari\u00e9e ajust\u00e9e permet de mieux cerner l\u2019effet traitement \u00e0 proprement parler, et le r\u00e9sultat s\u2019av\u00e8re cette fois non-significatif (OR ajust\u00e9 = 0.68, p=0.581) car c\u2019est l\u2019effet de l\u2019\u00e2ge qui prime sur notre endpoint<\/i>. Autrement dit, lorsque l’on r\u00e9\u00e9quilibre nos deux groupes de patients, l\u2019effet entre les deux traitements est \u00e9quivoque.<\/p>\n

Ce cas de figure simul\u00e9 ici n\u2019est qu\u2019un exemple parmi tant d\u2019autres d\u00e9montrant l\u2019importance de l\u2019ajustement dans ce type d\u2019\u00e9tude. Dans d\u2019autres situations, une p-value <\/i>non-significative en multivari\u00e9 peut s\u2019av\u00e9rer l\u2019\u00eatre en multivari\u00e9 apr\u00e8s ajustement, ou bien rester insensible. Ce qu’il faut retenir et qu\u2019il ne faut surtout pas conclure \u00e0 partir d\u2019une simple analyse univari\u00e9e, d\u2019un graphique comparant deux ou plusieurs courbes ou d\u2019un test statistique usuel (Chi\u00b2 ou Fisher, test de moyenne ou ANOVA, etc.).<\/p>\n

La limite de ces analyses est qu\u2019il faut un effectif raisonnable, les petits \u00e9chantillons rendant les r\u00e9sultats trop fragiles et les mod\u00e8les sur-param\u00e9tr\u00e9s. Il se peut \u00e9galement que les variables confondantes\/d\u2019ajustement soient statistiquement associ\u00e9es, corr\u00e9l\u00e9es entre elles, g\u00e9n\u00e9rant des r\u00e9sultats multivari\u00e9s difficilement interpr\u00e9tables. Une autre limite, moins \u00e9vidente \u00e0 d\u00e9tecter, est que certains facteurs d\u2019ajustement manquent \u00e0 l\u2019appel car ils n\u2019ont pas \u00e9t\u00e9 collect\u00e9s dans la base de donn\u00e9es alors qu\u2019ils auraient pu permettre d\u2019ajuster encore mieux les estimations des mod\u00e8les.<\/p>\n

D\u2019autres m\u00e9thodes d\u2019ajustement sont possibles pour r\u00e9\u00e9quilibrer deux populations en fonction de divers facteurs de confusion, notamment l\u2019utilisation du fameux score de propension, qui peut servir \u00e0 la fois de variable d\u2019ajustement, de valeur de pond\u00e9ration ou \u00e0 la r\u00e9alisation d\u2019appariements.<\/p>\n

Ce qu\u2019il faut retenir<\/h3>\n
    \n
  • Une r\u00e9gression univari\u00e9e ne donne pas syst\u00e9matiquement la bonne estimation de risque ou de diff\u00e9rence de moyenne s\u2019il existe des facteurs confondants.<\/li>\n
  • Les analyses multivari\u00e9es permettent, en partie, d\u2019ajuster l\u2019effet d\u2019une variable d\u2019int\u00e9r\u00eat, mais ce n\u2019est pas pour autant la m\u00e9thode parfaite.<\/li>\n
  • Ces analyses ajust\u00e9es ne servent pas qu\u2019\u00e0 estimer l\u2019effet d\u2019un traitement,\u00a0d\u2019une condition. On peut \u00e9galement \u00e9tudier un facteur de risque en particulier.<\/li>\n<\/ul>\n

    Pour aller plus loin<\/h3>\n
      \n
    1. Douglas G. Altman (2005). \u201cCovariate Imbalance, Adjustment for,\u201d in Encyclopedia of Biostatistics.<\/i><\/li>\n
    2. Hern\u00e1n MA, Robins JM (2020). \u201cCausal Inference: What If. Boca Raton: Chapman & Hall\/CRC\u201d.<\/i><\/li>\n<\/ol>\n

       <\/p>","protected":false},"excerpt":{"rendered":"

        Le contexte Dans le cadre d\u2019analyses r\u00e9trospectives ou prospectives, il est souvent question de comparer l\u2019effet de deux ou plusieurs traitements ou un potentiel facteur de risque (\u00e2ge, diab\u00e8te, […]<\/p>","protected":false},"author":2,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"_monsterinsights_skip_tracking":false,"_monsterinsights_sitenote_active":false,"_monsterinsights_sitenote_note":"","_monsterinsights_sitenote_category":0,"_uf_show_specific_survey":0,"_uf_disable_surveys":false,"footnotes":""},"categories":[7],"tags":[341],"ppma_author":[442],"class_list":["post-16363","post","type-post","status-publish","format-standard","hentry","category-focus-statistiques-generaux","tag-eha-2022","author-marion"],"aioseo_notices":[],"authors":[{"term_id":442,"user_id":2,"is_guest":0,"slug":"marion","display_name":"HematoStat.net (M)","avatar_url":{"url":"https:\/\/www.hematostat.net\/wp-content\/uploads\/2024\/01\/favicon-hematoStat.png","url2x":"https:\/\/www.hematostat.net\/wp-content\/uploads\/2024\/01\/favicon-hematoStat.png"},"first_name":"HematoStat.net (M)","last_name":"","user_url":"","description":""}],"_links":{"self":[{"href":"https:\/\/www.hematostat.net\/en\/wp-json\/wp\/v2\/posts\/16363","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.hematostat.net\/en\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/www.hematostat.net\/en\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/www.hematostat.net\/en\/wp-json\/wp\/v2\/users\/2"}],"replies":[{"embeddable":true,"href":"https:\/\/www.hematostat.net\/en\/wp-json\/wp\/v2\/comments?post=16363"}],"version-history":[{"count":0,"href":"https:\/\/www.hematostat.net\/en\/wp-json\/wp\/v2\/posts\/16363\/revisions"}],"wp:attachment":[{"href":"https:\/\/www.hematostat.net\/en\/wp-json\/wp\/v2\/media?parent=16363"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.hematostat.net\/en\/wp-json\/wp\/v2\/categories?post=16363"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.hematostat.net\/en\/wp-json\/wp\/v2\/tags?post=16363"},{"taxonomy":"author","embeddable":true,"href":"https:\/\/www.hematostat.net\/en\/wp-json\/wp\/v2\/ppma_author?post=16363"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}