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
15.1 Les techniques basées sur l’appariement (matching )
15.2.2 Le calcul du score de propension
15.2.3 L’importance du chevauchement des distributions des scores de propension
15.3 L’appariement sur le score de propension
§ Limites de l’appariement sur le score de propension
15.4 Les méthodes de pondération
§ L’effective sample size (ESS)
§ Distribution des poids, hypothèse de positivité
15.4.2 Pondérations non basées sur le score de propension
15.5 La g computation (g formula)
15.6 Les méthodes doubles robustes
15.7 Les méthodes de régression
15.8 Les techniques d e maching learning (IA)
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
De nombreuses méthodes statistiques sont disponibles pour prendre en compte les facteurs de confusion dans l’analyse, afin de tenter de corriger le résultat du biais de confusion induit par les facteurs de confusion affectant l’étude.
Les méthodes basées sur le score de propension (appariement, pondération, double robuste) sont les plus populaires, mais existent aussi les classiques méthodes de régression multivariées, la g computation, l’appariement sur les covariables elles-mêmes, etc. Ces méthodes sont basées sur différents paradigmes d’estimation/inférence statistique, mais apparaissent aussi des approches basées sur l’IA type machine learning (comme le TMLE) qui se substituent aux algorithmes classiques d’estimation au sein de ces méthodes, mais qui ne change pas leurs principes généraux.
Le Tableau 13 récapitule les principales méthodes disponibles envisageable avec les groupes contrôles externes.
D’autres approches comme le score de propension à haute dimension (HD propensity score ) ou la pondération avec stratification fine (fine stratification weights ) nécessite un grand nombre de patients ou de variables et ne sont donc pas utilisables dans la problématique des comparaisons à un groupe externe d’une étude monobras ou d’un essai clinique.
Tableau 13 – Récapitulatif succinct des méthodes de prise en charge des facteurs de confusion dans l’analyse dans le but de tenter de corriger les résultats du biais de confusion induit par les facteurs de confusion affectant l’étude
Restriction |
Stratification |
Appariement
|
Redressement d’échantillon par pondération
|
G computation (g formula ) |
Approche type causal machine learning |
Méthode double robuste (AIPW, TMLE, etc.) |
