Outils statistiques en pharmaco-épidémiologie
Retour au sommaire
Aller à la fiche précédente (Biais (3) : Biais de confusion)
Aller à la fiche suivante (Schémas d'étude en pharmaco-épidémiologie)
Points clés |
|
Approche descriptive vs étiologique
Descriptive = non-comparative, connaitre les caractéristiques des sujets exposés au médicament.
Permet de connaitre les modalités d’utilisation des médicaments en « vraie vie » : quelle fréquence d’utilisation ? Pour quelles pathologies (et s’agit-il bien des pathologies pour lesquelles le médicament est autorisé ?). À la lumière de cette utilisation, peut-on estimer que le médicament est utilisé dans une situation où son bénéfice est supérieur à son risque ?
Exemple : à l’aide de bases de données de remboursement, la consommation d’antibiotiques à haut risque de résistance a été étudiée région par région en France et a permis d’identifier des régions avec une plus forte consommation [13].
Étiologique = comparative, étudier l’association entre un médicament et un effet (bénéfique ou indésirable). Limite principale = existence de facteurs de confusion ++
Exemple : une étude cas-témoin a été menée pour évaluer si les bétabloquants protégeaient d’un premier infarctus du myocarde, chez les patients hypertendus. Les cas (patients hypertendus ayant présenté un infarctus) prenaient moins souvent de bétabloquants que les témoins (patients hypertendus sans infarctus) [14].
Contrôler les biais : les modèles statistiques
Il existe plusieurs méthodes pour contrôler l’influence des facteurs de confusion.
Analyse multivariée (ou ajustée)
L’analyse multivariée répond à la question : « Toutes choses égales par ailleurs, existe-t-il un lien entre une exposition (par exemple la prise d’un médicament) et un critère de jugement (ex. survenue d’un effet indésirable) ? »
Attention à bien interpréter « Toutes choses égales » comme « Pour toutes les variables disponibles dans la source et intégrées au modèle égales ». Si vous n’avez pas l’information sur un facteur de confusion (soit c’est un facteur inconnu, soit vous ne disposez pas d’une mesure de ce facteur dans votre source de données), votre analyse multivariée ne corrige pas le biais inhérent à ce facteur et votre estimation sera erronée.
Le score de propension (propensity score)
Méthode statistique la plus efficace pour minimiser l’influence des facteurs de confusion (par rapport à l’analyse multivariée) et pour limiter les biais de sélection. Repose sur la probabilité prédite (la propension) qu’un sujet reçoive le traitement d’intérêt prenant en compte ses caractéristiques de base. On parle de pseudo-randomisation, c’est comme si la probabilité de recevoir le médicament dans notre étude observationnelle était établie à 50%.
Plusieurs moyens de s’en servir : ajustement, appariement individuel.
Références
13 Casaurancq M-C, Campaigno EP de, Rueter M, et al. Consommation ambulatoire des antibiotiques à risque de résistances bactériennes en 2014 en France. Therapies 2017;72:593–604. doi:10.1016/j.therap.2017.03.002
14 Psaty BM, Koepsell TD, LoGerfo JP, et al. β-Blockers and Primary Prevention of Coronary Heart Disease in Patients With High Blood Pressure. JAMA 1989;261:2087–94. doi:10.1001/jama.1989.03420140089033
Aller à la fiche précédente (Biais (3) : Biais de confusion)
Retour au sommaire
- Dernière mise à jour le .