2 TL ; DR - Guide d’évaluation des comparaisons à un groupe contrôle externe
3 Les études de comparaison externe, de quoi s’agit-il ?
5 Les problématiques méthodologiques soulevées par les comparaisons externes
6 Les comparaisons externes sont des études observationnelles
7 Position des agences de régulation et de HTA
8 De la nécessité d’avoir des preuves de l’intérêt cliniques des nouveaux traitements
9 Les sources de données utilisables
10 Les problématiques liées à l’aspect rétrospectif de ces études
12 Démarche hypothético déductive
13 L’inférence causale et les hypothèses sous-jacentes
15 Les techniques d’analyses statistiques
16 Le diagnostic d’absence de biais de confusion résiduel
18 Identifications des patients dans la source de données
20 La qualité des données
20.1.2 Origine des erreurs de classification
20.2 Complétudes, exhaustivité
20.3 Informativité, pertinence (relevance )
20.3.2 Critères d’éligibilité (de sélection des patients de la population visée)
20.5 La validation des données
20.6 Recommandations pour la constitution des sources de données
21 Les outils d’évaluation du risque de biais
22 L’émulation d’un essai cible
23 Le benchmarking et les contrôles positifs
24 Analyses de sensibilité , analyses quantitatives du biais
26 Contrôle du risque alpha global
Une partie de la fiabilité des résultats produits par une comparaison à un groupe contrôle externe va directement dépendre de la qualité des données (cf. section 19), l’autre partie dépendra de la construction de l’étude, c’est-à-dire des biais induits par le design (cf. section 17), et de la possibilité de corriger le biais de confusion (cf. section 14).
La qualité des données est un terme générique qui recouvre plusieurs caractéristiques distinctes des données ayant chacune potentiellement des retentissements sur la fiabilité des résultats de l’étude.
Une partie des biais pouvant affecter une comparaison externe sont des biais inscrits dans les données elles-mêmes (contrairement à d’autres biais qui sont induits par des défauts de construction ou de réalisation de l’étude).
La fiabilité de ces études dépend aussi de la disponibilité dans les données de toutes les variables nécessaires à la bonne réalisation de l’étude : critère de jugement, facteurs de confusion potentiels, contrôle négatif, etc. Par exemple, si le jeu de données ne contient pas certains facteurs de confusions potentiels, il sera impossible de les prendre en compte dans l’analyse et un biais de confusion résiduel affectera les résultats produits.
Plusieurs guides ou documents de réflexion sur la qualité des données ont été produits par la FDA [51] [52] , aussi EMA doc [55] , MHRA [210] , etc.
EMA |
Data Quality Framework for EU medicines regulation: application to Real-World Data |
MHRA |
MHRA guidance on the use of real-world data in clinical studies to support regulatory decisions - GOV.UK |
FDA |
Real-World Data: Assessing Electronic Health Records and Medical Claims Data to Support Regulatory Decision-Making for Drug and Biological Products |
FDA |
Real-World Data: Assessing Registries to Support Regulatory Decision-Making for Drug and Biological Products |
Ce document n’aborde pas les questions techniques concernant l’informatique, la gestion des données, l’extraction, les questions d’interopération, etc.
