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
13.1.1 Hypothèse de positivité
13.1.3 Échangeabilité conditionnelle
13.2 Petite introduction à l’inférence causale
13.3 Association n’est pas causalité
13.3.1 DAG générique des comparaisons externes
13.4 Effet causal, estimand causal , cible de l’inférence
13.4.1 Effet traitement moyen (average treatment effect)
13.4.2 Analyse en intention de traiter (as started ) / analyse per protocole (as treated )
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
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’association observée dans une étude observationnelle simple ne peut pas permettre de conclure à la causalité, car le design de l’étude n’empêche pas l’existence d’interprétations alternatives, ce que fait le design de l’essai randomisé. En effet de nombreux mécanismes peuvent conduire à des associations statistiques en dehors de toute causalité et ainsi révéler des associations non causales note n° 16 .
Les études qui permettent de conclure à la causalité bloquent la possibilité d’interprétation alternative devant les associations qu’elles mettent en évidence. Principalement grâce à la randomisation, au double aveugle, à l’analyse en intention de traiter dans l’essai randomisé correctement conçu et réalisé ou grâce à une approche formalisée d’inférence causale et de contrôle/correction des biais pour les études observationnelles correctement conçues et disposants de données appropriées au contrôle de tous les biais.
Association statistique versus inférence causale
En d’autres termes, une association ne permet pas de conclure à la causalité, car elle ne fait que montrer que l’état des patients est différent entre les patients recevant le traitement et ceux ne le recevant pas. La causalité nécessite de montrer en quoi l’état des patients est changé par le traitement par rapport à ce qu’il aurait été sans ce traitement.
La recherche de la causalité nécessite donc de montrer, pour les patients traités, qu’il y a une différence entre l’état du patient avec ce traitement et celui-ci qu’il aurait eu s’il n’avait pas eu le traitement. Pour les patients non traités, cela revient à montrer qu’il existe aussi une différence entre l’état du patient non traité et celui qu’il aurait eu s’il avait été traité.
L’état du patient qu’aurait eu le patient avec l’autre modalité de traitement que celle qu’il reçoit est appelé le contrefait.
L’inférence causale offre un cadre pour formuler mathématiquement la recherche de la réponse à ces questions : ce que les choses auraient dû être si … (prédiction du contrefait) à partir de ce que les choses sont.
[16] https://catalogofbias.org/2019/03/05/association-or-causation-how-do-we-ever-know/
