Acceptabilité des « nouvelles méthodologies » pour l’évaluation des médicaments

1 Objectifs, démarche mise en œuvre

2 Fondamentaux et principes de base considérés

3 Définition et classification des nouvelles « méthodologies »

4 L’acceptabilité des méthodologies « moins-disantes »

5 Retour des premières utilisations de nouvelles méthodologies

6 Évaluation des revendications de bénéfice clinique d’un nouveau traitement

7 Les real world evidences (RWE )

8 Les études observationnelles

8.1 Problématiques méthodologiques spécifiques et solutions possibles

8.1.1 Confusion

8.1.2 Autres biais

8.1.3 Autres éléments de méthode

8.1.3.1 Étude exploratoire , étude de confirmation, découverte fortuite

8.1.3.2 Études multibases

8.1.3.3 P hacking

8.1.3.4 Biais de publication et selective reporting

8.1.4 Analyse en intention de traiter

8.1.5 Inférence causale (causal inference)

8.2 Synthèses des problématiques et de leurs solutions

8.3 Études de cas, retour sur expérience

8.3.1 Comparaison de la chlorthalidone et de l’hydrochlorothiazide pour le traitement de l’hypertension

8.3.2 Sécurité cardiovasculaire de l’insuline

8.4 Meta-recherche

8.5 Avis de la SFPT

9 L’approche d’émulation d’un essai cible

10 Les registres

11 Les essais pragmatiques

12 Les essais plateformes

13 Les essais bayésiens

14 Les essais adaptatifs

15 Les essais combinés (« sans couture », seamless )

16 Études mono-bras (non comparative)

17 Études à contrôle externe (groupes contrôles synthétiques )

18 L’emprunt d’information

19 Les surrogates (critères de substitution)

20 Les essais basket

21 Les analyses poolées , les méta-analyses

22 Les comparaisons indirectes en remplacement d’études « head to head » manquantes

23 Les maladies rares

Références

PDF

8.1.5 Inférence causale (causal inference)

     

L’inférence causale est une approche récente, encore en plein développement, basée sur une théorie et des hypothèses, des designs et des techniques d’analyse qui permettent de tirer des conclusions de causalité à partir de données observationnelles [34 , 59 , 60 , 61 , 62] . Cette approche basée sur une mathématisation de la causalité permet de construire des stratégies et des modèles d’analyses des données permettant de conclure à la causalité. Cette approche est donc naturellement la plus appropriée pour des études qui essayent de se passer de l’apport de la randomisation en termes de causalité.