Remerciez-le!

Remerciez @Admin pour avoir partagé cet document gratuitement, de la manière la plus simple, en partageant sur les réseaux sociaux.

minerva mars 2014 volume 13 numéro 2 26 Formation Médicale Continue Concepts et

minerva mars 2014 volume 13 numéro 2 26 Formation Médicale Continue Concepts et outils en Evidence-Based Medicine Texte sous la responsabilité de la rédaction neérlan- dophone Tom Poelman, Vakgroep Huisarts- geneeskunde en Eerstelijnsgezond- heidszorg, UGent Lorsque les chercheurs d’une synthèse méthodique avec méta-analyse ne trouvent pas toutes les informations utiles concernant une question de recherche déterminée, le risque est réel qu’un biais de mention fausse les ré- sultats de la méta-analyse. Ne pas retrouver toutes les études pertinentes peut s’expliquer par la restriction quant à la langue de publication – imposée par les auteurs eux- mêmes – (biais de langue de publication) ou être dû au fait qu’on passe à côté d’études peu souvent citées au cours d’une recherche manuelle (complémentaire) dans les listes de références des études déjà trouvées (biais de citation). Dans les deux cas, il s’agit le plus souvent d’études plus petites qui sont moins fréquemment publiées et citées dans les revues paraissant en an- glais. Cependant, le biais dans le signalement peut aussi être lié à la non publi- cation de certaines études (biais de publication). Les études qui démontrent un effet favorable d’un nou- veau traitement ont beau- coup plus de chances d’être publiées que celles qui ne démontrent aucune différence ou trouvent des résultats défavorables1,2. Un récent éditorial sur des conclusions contradic- toires de deux méta-ana- lyses, qui examinaient l’effet des inhibiteurs de la neuraminidase sur la pré- vention des infections des voies respiratoires basses en cas de grippe3, illustre l’importance de détecter un éventuel biais dans le signalement avant de ti- rer des conclusions. Un funnel plot (graphique en entonnoir), qui permet de représenter les estimations ponctuelles en fonction de la taille de l’échantillon pour chaque étude, pourra être utile à cet effet. … Pour chaque étude, la moyenne de toutes les mesures donne une esti- mation ponctuelle de l’ef- fet réel de l’intervention sur laquelle porte l’étude. La précision de chaque estimation ponctuelle est déterminée par l’erreur stan- dard. Celle-ci est proportionnelle à la déviation standard - la distribution des mesures autour de la moyenne - et inversement proportionnelle à la taille de l’échantillon4,5. Si l’échantillon est de grande taille, l’erreur standard sera donc petite, et l’estimation ponctuelle de l’échantillon approchera la valeur réelle du critère de jugement dans la population. En rassemblant dans une synthèse mé- thodique toutes les études portant sur une question de recherche déterminée, on augmente la taille de l’échantil- lon, et la moyenne de toutes les estimations ponctuelles des différentes études donnera une estimation ponctuelle plus précise de l’effet réel. Il est ainsi apparu que le risque relatif moyen de toutes les études qui ont examiné l’effet des bilans de santé préventifs sur la mortalité était égal à 0,99 (IC à 95 % de 0,95 à 1,03)6. Contrairement à ce que certaines études ont individuellement montré, l’extension de l’échantillon a révélé que l’intervention était sans effet. On peut tracer un graphique de dispersion (scatter plot) en reportant sur l’axe des x le risque relatif moyen ainsi que les risques relatifs des différentes études (voir figure A). Comme il existe de petites différences fortuites entre les études (par exemple les petites différences dans les caractéristiques de base), il y aura statistiquement envi- ron autant d’études d’un côté que de l’autre de la ligne pointillée (risque relatif moyen). L’axe des y correspond à l’inverse de l’erreur standard de chaque étude. L’erreur standard est inversement proportionnelle à la taille de l’échantillon, les études plus grandes donneront une es- timation plus précise de l’effet (voir ci-dessus); elles se placeront non seulement plus haut sur l’axe des y, mais seront aussi plus rapprochées de la moyenne de la mé- ta-analyse. A l’inverse, les études plus petites seront plus dispersées et se situeront à la base du graphique de dis- persion. Si les études sont en nombre suffisant, on arrive ainsi à la forme évasée typique du funnel plot7. Dans notre exemple, cette forme évasée est moins nette car basée sur un petit nombre d’études (N < 10). Néanmoins, la sy- métrie nous permet de conclure que, si l’on ne peut affir- mer l’existence d’un biais dans le signalement, on ne peut pas non plus l’exclure complètement. Imaginons maintenant que les auteurs aient omis quelques études plus petites montrant une augmentation du risque relatif sur la mortalité (voir figure B). Le funnel plot aurait été asymétrique, et le risque relatif moyen aurait été, par exemple de 0,9, au lieu de 1. Dans ce cas, l’asymétrie du funnel plot nous aurait averti de l’existence d’un biais dans le signalement, sous une forme ou une autre. Un funnel plot asymétrique peut cependant aussi être dû à d’autres facteurs, comme l’hétérogénéité entre les études incluses8. En reportant sur le funnel plot les erreurs standards calculées respectivement pour les limites infé- rieure et supérieure de l’intervalle de confiance à 95 % du résultat moyen, on obtient la pente d’une diagonale sous laquelle devraient se situer 95 % des études trouvées9. Si un trop grand nombre d’études se situent en dehors de cette zone (voir figure C), l’asymétrie du funnel plot s’ex- plique probablement par l’hétérogénéité entre les études analysées. Conclusion Dans un funnel plot, les estimations ponctuelles des dif- férentes études, après une recherche systématique dans la littérature, sont reportées sur l’axe des x, de même que la moyenne de la méta-analyse. L’erreur standard des dif- férentes études est reportée sur l’axe des y. Si le nombre d’études est suffisant (> 10), il est possible de montrer l’existence d’un biais de signalement ou de l’exclure, en fonction de la symétrie du funnel plot. Références voir site web Comment interpréter un funnel plot ? Figure A. Funnel plot pour des études examinant l’effet des bilans de santé préventifs sur la mortalité totale6. Figure B. Funnel plot hypothétique pour des études exa- minant l’effet des bilans de santé préventifs sur la mor- talité totale. Figure C. Funnel plot hypothétique pour des études exa- minant l’effet des bilans de santé préventifs sur la mor- talité totale. Source : Krogsbøll LT, Jørgensen K, Larsen CG, Gøtzsche PC. General health checks in adults for reducing morbidity and mortality from disease: Cochrane systematic review and meta-analysis. BMJ 2012;345:e7191. uploads/Litterature/ minerva-pdf-fr-13-2-25-25.pdf