Introduction aux Statistiques Médicales Méta-analyse Biostatistique Clinique META-ANALYSE Absence de recherche d'exhaustivité Tendance à citer plus souvent les essais favorables Essais cliniques Etudes épidémiologiques Evaluations de tests diagnostiques Fréquence de citations Revue de la littérature 22 essais d'interventions hypocholestérolémiantes favorables non favorables 40 / an 7 / an 2 essais particuliers publiés dans JAMA favorable 109, 121, 202 non favorable 6, 5, 3 1 Principes de la méta-analyse Evènements coronariens Essai Mortalité coronarienne Mortalité totale OMS clofibrate (1978) ↓ NS ↑ NS ↑ LRC (1984) ↓ NS ↓ NS → NS ? ↓ p = 0,02 → NS ↓ p < 0,01 ↓ p = 0,13 ↓ Helsinki Heart Study (1987) WOSCOPS (1995) p < 0,05 1. Recherche exhaustive des essais 2. Protocole strict établi a priori 3. - Analyse tenant compte de la nature probabiliste des résultats p = 0,051 - Essai de quantification de l'effet traitement essai groupe effectif nombre de complications pourcentage de complications A traitement 112 68 61 contrôle 61 43 70 traitement 52 11 21 contrôle 119 35 29 traitement 164 79 48 contrôle 180 78 43 B sommation méta-analyse risque relatif odds ratio 0,86 0,65 0,72 0,64 Sommation des effectifs = combiner les patients Méta-analyse = combiner les effets traitements Décomposition de l’information d’un essai 1,11 1,22 0,84 0,65 partie commune à estimer partie spécifique 2 Types de méta-analyses Recherche et sélection des essais la plus exhaustive possible 1. Méta-analyse des données résumées Critères de sélection de la littérature 2. Méta-analyse exhaustive sur données Domaine d’intérêt: définitions précises Qualité méthodologique : 3 classes résumées 3. Méta-analyse sur données individuelles Valeur des essais 3 classes globalement et pour chaque Biais de publication Essais surtout publiés si effet significatif Grand nombre d’essais augmente les principe méthodologique Echelles de mesure et score global Coefficients de pondération résultats faussement significatifs ! publications multiples ! 3 Risque de résultats faussement significatifs p = 1 - ( 1 - α )n n 5 10 50 p 0,23 0,40 0,92 Prévention du biais de publication Consultation d'experts Lectures de revues générales déjà réalisées Consultation des investigateurs des essais Interrogation des firmes Consultation de registres Consultation des autorités réglementaires Causes de publication sélective Autocensure des auteurs Sélection par les comités de lecture Publication de certains résultats non souhaitée Biais de publication robustesse 5 essais N = 303 ► OR = 0,49 p = 0,01 + 3 essais n = 30 ► OR = 0,65 p = 0,053 4 Analyse statistique d'une méta-analyse (1) Analyse statistique d'une méta-analyse (2) Quantifier les effets traitements de chaque essai Mesures selon le type de critère Combiner et analyser les effets traitements Combiner et analyser les effets traitements Modèle fixe : effet constant Modèle aléatoire : effet variable partie commune + partie spécifique 1. estimation de l’effet traitement commun 2. test d’ hétérogénéité / homogénéité → choix du modèle 3. test de l’existence d’un effet traitement Analyse statistique d'une méta-analyse Analyse statistique d'une méta-analyse Modèle fixe : Etape 1 Modèle fixe : Etape 2 Estimation de l'effet traitement commun Test d'homogénéité : ² à (k – 1) d.l. Q= θ= avec wi = analyse explicative si hétérogénéité modèle aléatoire 5 Analyse statistique d'une méta-analyse Analyse statistique d'une méta-analyse Modèle fixe : Etape 2 Modèle fixe : Etape 3 Test de l'effet traitement : ² à 1 d.l. index d’hétérogénéité U= Mesure de l'effet traitement Critère binaire : risque d'échec DR = RR = de variance ² = - = et + OR = = 6 Mesure de l'effet traitement Critère binaire : risque d'échec DR = = -0,26 avec ² = - RR = = 0,57 et + OR = = 0,002 = 0,34 Estimation de l'effet commun (Etape 1) Différence des risques commune = avec wi = Risque relatif commun = exp avec = - + essai effectifs du traitement E effectifs du traitement C évènements du traitement E évènements du traitement C 1 138 142 18 22 2 100 100 12 14 3 300 300 38 47 4 200 200 28 30 - 7 Estimation de l'effet commun essai Risque E Risque C θi wi wi θi 1 0,13 0,15 -0,024 573,42 -14,05 2 0,12 0,14 -0,020 442,48 3 0,13 0,16 -0,030 4 0,14 0,15 -0,010 Σ Φi Log(Φi) wi wi Log(Φi) 0,84 -0,172 11,531 -1,984 -8,85 0,86 -0,154 7,420 -1,144 1235,87 -37,08 0,81 -0,213 24,435 -5,194 806,78 -8,07 0,93 -0,069 16,935 -1,168 3058,55 -68,04 60,322 -9,491 Différence des risques commune = = - 0,022 Risque relatif commun = exp = 0,854 Estimation de l'effet commun Odds ratio commun : Mantel-Haenszel = Odds ratio commun : Woolf = exp avec = + + essai aidi / ni bici / ni OR Log(ψi) wi Log(ψi) wi 1 7,71 9,43 0,818 - 0,20 8,50 - 1,71 2 5,16 6,16 0,838 - 0,18 5,63 - 1,00 3 16,02 20,52 0,781 - 0,25 18,06 - 4,47 4 11,90 12,90 0,922 - 0,08 12,38 - 1,00 Σ 40,80 49,01 44,57 - 8,17 + 8 Critère binaire : Estimation de l'effet commun choix du paramètre (1) Odds ratio commun : Mantel-Haenszel = Modèle additif ou multiplicatif Q minimal Modèle multiplicatif : risque relatif ou Odds ratio interprétation rigueur statistique = 0,832 Odds ratio commun : Woolf = exp = 0,833 Critère binaire : Critère binaire : choix du paramètre (2) choix du paramètre (3) Risque de base < 0.20 estimation > 0.20 recherche d'effet OR RR OR Variabilité des risques de base Différence des risques non simultanément constants Approche pragmatique p maximal Risque relatif 9 Critère binaire : Effet standardisé choix du paramètre (4) DR = 0,2 0,2 → 0,4 0,4 → 0,6 RR = 2 RR = 1,5 XE et XC δ RR = 2 0,2 → 0,4 0,4 → 0,8 DR = 0,2 DR = 0,4 ~ N (μ, σ²) μ E -μ C σ Effet standardisé Effet standardisé Estimateur de Cohen Estimateur de Hedges d= g= s= si nE = nC avec N = nE + nC ≥ 12 s= facteur correctif = 0,958 pour N = 20 facteur correctif = 0,992 pour N = 100 facteur correctif = 0,999 pour N = 500 10 Effet standardisé Effet standardisé variances des estimateurs d² + 2N s²d = s²g = Intervalle de confiance d ± z sd ou g ± z sg Interprétation = 0,2 = 0,5 = 0,8 + effet standardisé percentile groupe C 0 50 0 0,1 54 8 0,2 58 15 0,3 62 21 0,4 66 27 0,5 69 33 0,6 73 38 0,7 76 43 0,8 79 47 0,9 82 52 1,0 84 55 1,2 88 62 1,4 92 68 1,6 94 73 1,8 96 77 2,0 98 81 effet faible effet moyen effet élevé non recouvrement 11 Estimation de l'effet standardisé commun Effet standardisé commun : tests Test d'homogénéité : ² à (k – 1) d.l. d* = avec wi = Q= (di – d*)² Test de l'effet traitement : test Z intervalle de confiance : d* z = d* Estimation de l'effet standardisé TRAITEMENT E d= moyenne du critère TRAITEMENT C essai effectifs 1 100 110 20 100 103 18 2 220 145 26 218 142 26 3 130 96 20 130 100 22 4 80 122 25 80 120 29 5 100 98 19 96 85 21 = t déviationstandard du critère effectifs moyenne du critère déviationstandard du critère Statistique du test t de Student 12 Estimation de l'effet standardisé essai N s d S²d wi w i di 1 200 19,03 0,367 0,0203 49,17 18,02 2 438 26,00 0,115 0,0091 109,32 12,59 3 260 21,02 - 0,190 0,0155 64,71 -12,28 4 160 27,07 0,074 0,0250 39,97 2,94 5 196 20,00 0,647 0,0215 46,54 30,13 309,72 51,41 Σ d* = 0,166 = 0,166 = [0,055 ; 0,277] Test d'homogénéité Effet traitement Q = 49,17 (0,367 – 0,166)² + 109,32 (0,115 –0,166)² + 64,71 (-0,190 – 0,166)² + 39,97 (0,074 – 0,166)² + 46,54 (0,647 – 0,166)² = 21,57 si on admettait l’homogénéité ² à (5 – 1) d.l. p < 0.001 rejet de l'homogénéité index d’hétérogénéité 13 Critère de jugement mixte Critère de jugement mixte Combinaison de k valeurs p Conversion des mesures Test de Fisher : ² à 2k d.l. ² = δ= OR = exp Test z de la moyenne des valeurs p z= - Critère de jugement mixte Combinaison des valeurs P essai résultats des tests statistiques 1 p = 0,542 2 p = 0,235 3 p = 0,322 4 p = 0,373 5 p = 0,072 ² = – 2 Log(0,542) – 2 Log(0,235) – 2 Log(0,322) – 2 Log(0,373) – 2 Log(0,072) = 13,62 p = 0,191 z= - = 1,48 p = 0,139 14 Détection d'un biais de publication 1. Histogramme symétrique et d'allure normale Différence de risques Risque relatif Odds ratio Effet standardisé logarithme 2. Graphique en entonnoir 15 16