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
20.1.1 Généralités
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
L’exactitude fait référence au degré avec lequel les valeurs enregistrées correspondent fidèlement aux vraies valeurs du patient. On peut aussi parler de fiabilité ou de taux d’erreur (cf. section 20.4).
Il s’agit par exemple de l’exactitude des valeurs enregistrées pour les diagnostics, les traitements reçus, des valeurs des caractéristiques démographiques, cliniques, biologiques, etc.
Le degré d’exactitude peut être apprécié par le taux d’erreur par variable, par patient ou global. Pour les variables binaires concernant les événements cliniques, les erreurs peuvent être soit des faux négatifs (l’événement qu’a présenté le patient n’est pas enregistré), soit des faux positifs (un évènement clinique est enregistré, mais le patient ne l’a pas présenté en réalité).
Un manque d’exactitude, de fiabilité des données va fausser les résultats de la comparaison externes de différentes manières.
Les erreurs sur les traitements reçus sont susceptibles d’introduire un biais de classification (cf. section 19.1.2), tandis que les erreurs sur les diagnostics, ou sur la survenue des événements cliniques conduiront à un biais de mesure (biais de classification des outcomes) (cf. section 19.1.1).
Un biais surviendra quand les erreurs de mesure sont asymétriques entre les deux groupes, mais aussi lorsque l’erreur est purement aléatoire (symétrique, identique entre les deux groupes) en biaisant les résultats vers l’absence de différence (bias toward the null ), exposant au risque d’obtenir une étude non concluante ne montrant pas le bénéfice du traitement étudié ou conduisant à conclure à tort à une fausse bonne sécurité du traitement étudié.
Les erreurs concernant les facteurs de confusion, même purement aléatoire, rendront caduque la correction du biais de confusion par l’analyse statistique de l’étude (cf. section 19.1.3).
