Remerciez-le!

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

Analyse, présentation et interprétation des résultats d'une méta-analyse Michel

Analyse, présentation et interprétation des résultats d'une méta-analyse Michel Cucherat TrialResults-center.org Hypothèse - Modèle Les résultats des essais varient d'un essai à l'autre du fait du hasard Ces résultats fluctuent de manière aléatoire autours d'une valeur commune But de la MA : estimer cette valeur commune Valeur commune Vraie valeur - valeur observée Réalité (modèle) vraie valeur valeur observée Résultat de l'essai vrai OR OR observé fluctuations aléatoires vrai ET ET observé Principe statistique Le but de la MA est de prendre en compte ces fluctuations dues au hasard (suppression du bruit de fond) et de fournir une estimation moins sujette à ces variations que l'estimation donnée par un seul essai Combinaison des effets traitements correcte T. étudié T. contrôle Effet du traitement Essai 1 x1/n1 x0/n0 Essai 2 x1/n1 x0/n0 Essai 3 x1/n1 x0/n0 Essai 4 x1/n1 x0/n0 regroupement regroupement Effet global Paradoxe de Simpson Essai T+ T- OR 1 18/60 36/120 1.00 30% 30% 2 84/120 42/60 1.00 70% 70% Total 102/180 78/180 0.58 56% 43% Combinaison des effets traitements T. étudié T. contrôle Effet du traitement Essai 1 x1 x0 e Essai 2 x1 x0 e Essai 3 x1 x0 e Essai 4 x1 x0 e Effet global Principe fondamental de la méta-analyse Ne pas regrouper les patients – car les sujets ne sont pas comparables d'un essai à l'autre Regrouper les estimations de l'effet traitement – en faisant l'hypothèse que le traitement a le même effet dans tous les essais hypothèse d'homogénéité Essai 1 Essai 2 Essai 3 vrai ET vrai ET vrai ET ET observé 1 ET observé 2 ET observé 3 Modèle Résultats MA vrai ET estimation MA Modèle fixe – à partir d'une série d'estimation du même effet traitement – trouver la meilleure estimation possible du vrai effet traitement 1 ˆ ˆ k   ˆ i i Y   Résultats statistiques Effet traitement commun – moyenne pondérée par l'inverse de la variance – plus un essai est précis, plus sa contribution est forte – si un essai est prépondérant il masque complément les autres essais – intervalle de confiance Test de l'existence de l'effet traitement – test d’association Test de l'hypothèse d'homogénéité – test d’hétérogénéité ou mesure de l’hétérogénéité Graphique de méta-analyse 1 . 0 0 . 8 0 . 6 0 . 5 0 . 4 R i s q u e r e l a t i f C a s / E f f e c t i f s E v é n e m e n t s c o r o n a r i e n s R i s q u e r e l a t i f , m o d è l e f i x e T + T - H e t . C o c h r a n Q p = 0 . 7 0 T o t a l 7 8 7 / 1 7 0 4 3 1 0 3 0 / 1 6 9 4 9 0 . 7 6 1 , p < 0 . 0 0 1 A F C A P S / T e x C A P S 1 6 3 / 3 3 0 4 2 1 5 / 3 3 0 1 W e s t o f S c o t l a n d 1 7 4 / 3 3 0 2 2 4 8 / 3 2 9 3 H H S 5 6 / 2 0 5 1 8 4 / 2 0 3 0 L R C C P P T 1 5 5 / 1 9 0 6 1 8 7 / 1 9 0 0 W H O c l o f i b r a t e 1 8 5 / 5 3 3 1 2 2 2 / 5 2 9 6 C o l e s t i p o l 5 4 / 1 1 4 9 7 4 / 1 1 2 9 in-hospital mortality Risque relatif, modèle fixe (IC 95%) Essai T. étudié n/N T. controle n/N Graphique RR [IC95%] Ribichini 0 / 24 0 / 26 1.08 [0.00; 269.25] Gibbons 2 / 47 2 / 56 1.19 [0.17; 8.14] PAMI 5 / 195 13 / 200 0.39 [0.14; 1.09] Grinfeld 5 / 54 6 / 58 0.90 [0.29; 2.76] Ribeiro 3 / 50 1 / 50 3.00 [0.32; 27.87] Zwolle 3 / 152 11 / 149 0.27 [0.08; 0.94] Global p ass=0.07 0.58 [0.32; 1.05] Het. entre les 6 essais p=0.38 , I2=5% 0.0 5.0 1 A comparison of the analgesic efficacy and side-effects of paravertebral vs epidural blockade for thoracotomy British Journal of Anaesthesia 96 (4): 418–26 (2006) A comparison of the analgesic efficacy and side-effects of paravertebral vs epidural blockade for thoracotomy British Journal of Anaesthesia 96 (4): 418–26 (2006) Calcul (1) Effectifs Evénements Risques Essai n1 n0 x1 x0 r1 r0 Essai A 100 100 24 35 0.24 0.35 Essai B 234 242 55 95 0.24 0.39 Essai C 56 34 12 12 0.21 0.35 Essai D 345 500 77 180 0.22 0.36 r1 = x1 / n1 Calcul (2) Risques Essai r1 r0 RR d=Log(RR) Var (log RR) w Essai A 0.22 0.37 0.595 -0.520 0.0525 19.1 Essai B 0.24 0.38 0.634 -0.456 0.0199 50.3 Essai C 0.21 0.38 0.560 -0.579 0.1130 8.9 Essai D 0.21 0.36 0.577 -0.551 0.0145 68.9 RR = r1 / r0 var = 1/x1-1/n1+1/x0-1/n0 w=1/var 147.1 Calcul (3) Essai d=Log(RR) w d*w Essai A -0.377 19.9 -7.51 Essai B -0.513 49.3 -25.26 Essai C -0.499 8.4 -4.18 Essai D -0.478 73.3 -35.04 150.8 -71.99 dc -0.48 RRc=Exp(dc) 0.62 var( log RRc) 0.0066 dc = Sd*w / Sw var( log RRc) = 1 / Sw Hétérogénéité - graphique 0 0.5 1 1.5 2 Essai 1 Essai 2 Essai 3 Essai 4 Global Absence d'hétérogénéité OR 0 0.5 1 1.5 2 Essai 1 Essai 2 Essai 3 Essai 4 Essai 5 Global Hypothèse d'homogénéité Hypothèse omnibus – H0 : Hétérogénéité – rejet de l'hypothèse nulle – Acceptation de l'hypothèse alternative : i        2 1 j i j j      , Hétérogénéité Sous l'hypothèse d'homogénéité – vaut en moyenne zéro Test d'hétérogénéité – distance pondérée – nulle en cas d'homogénéité parfaite – Chi² à k-1 ddl    i i ˆ   ˆ ˆ  i      2 ˆ ˆ  i i w Q I² % de la variabilité totale non explicable par le hasard, du à une vraie variabilité de l'effet traitement dans les essais varie de 0% à 100% Problème d'extrapolabilité du résultat si I²>70% Il existe un autre indice important tau 2 – Lié au modèle aléatoire 2 2 2 max 0, 100% het het ddl I            Deux types d’hétérogénéité Hétérogénéité des caractéristiques des essais – patients – traitements – etc. Hétérogénéité statistique des résultats – taille de l’effet obtenu différente d’un essai à l’autre Statut de l'hétérogénéité Nuisance – utilisation d'un modèle aléatoire – hypothèse forte sur l'hétérogénéité (gaussienne) Informative – recherche des sources de l'hétérogénéité – "explication" de l'hétérogénéité en fonction des caractéristiques des études – témoin de l'existence d'interactions – Sous groupe, méta-régression Modèle aléatoire Essai 1 Essai 2 Essai 3 vrai ET 1 vrai ET 2 vrai ET 3 ET observé 1 ET observé 2 ET observé 3 Modèle essai Résultats MA estimation MA Modèle général vrai ET vrai ET var. intra essai var. inter essai var = t2 i  Modèle fixe - aléatoire Modèle fixe – modèle simple Modèle aléatoire – variabilité structurelle de l'effet traitement – variabilité aléatoire ? – forme de la distribution ? – prise en compte d'une certaine hétérogénéité (mais ne l'explique pas) – diminution de puissance Analyse en sous groupe analyse de sensibilité •essai 1 •essai 2 •essai 3 •essai 4 •essai 5 MA SG 1 MA SG 2 Analyse en sous groupe Analyse de sensibilité •essai 1 •essai 2 •essai 3 MA n° 1 (SG 1) •essai 1 •essai 2 •essai 3 •essai 4 •essai 5 MA n° 2 (SG1 +SG2) Analyse de sensibilité étude de l’influence d’un facteur pouvant biaisé la méta-analyse Analyse en sous groupes comparaison indirecte de l’influence d’un facteur sur l’effet du traitement Utilisation bonne qualité qualité moyenne Duke B Duke C bonne qualité + Constitution des sous groupes (1) Essai 1 (10 mg) Essai 2 (10 mg) Essai 3 (10 mg) Essai 4 (20 mg) Essai 5 (20 mg) Sous groupe 10 mg Sous groupe 20 mg Constitution des sous groupe (2) Essai 1 <=60 ans >60 ans Essai 2 <=60 ans >60 ans Essai 3 <=60 ans Essai 4 >60 ans Sous groupe <= 60 ans Sous groupe > 60 ans Méta-régression ORi=a+b*Xi+ei difficultés – OR n'est pas distribué normalement – OR est une variable bornée à gauche par 0 – log(OR) mais interprétation difficile – uploads/Management/concepts-statistiques-des-meta-analyses.pdf