La planification d'expériences (DOE) et les essais contrôlés randomisés constituent la méthode de référence pour déterminer les relations causales, et JMP est le logiciel de référence pour la planification d'expériences. Malheureusement, de nombreuses études visant à établir des inférences causales ne peuvent être menées selon la méthode DOE, faute de pouvoir randomiser les traitements pour des raisons pratiques ou éthiques. L'objectif est d'éliminer l'influence des variables confondantes qui introduisent des biais dans les données observationnelles.
Nous présentons un aperçu des méthodes d'inférence causale prometteuses actuelles, notamment les scores de propension, les algorithmes d'appariement et d'autres approches statistiques, en incluant un projet de recommandations de la FDA à destination de l'industrie concernant les données et preuves issues du monde réel. Nous illustrons plusieurs procédures dans JMP à l'aide d'une base de données d'étude rétrospective soutenant de multiples projets de recherche clinique pour le programme de chirurgie cardiothoracique du centre médical des anciens combattants de Houston. Enfin, nous formulons des recommandations, des conseils et mettons en garde contre les pièges à éviter lorsque l'objectif est d'établir une association causale et que la planification d'expériences (DOE) n'est pas envisageable.
Bonjour à l'équipe Discovery, édition spéciale utilisateurs. Je suis Jim Wisniowski d'Adsurgo et je suis accompagné de la Dre Lorraine Cornwell, chirurgienne cardiothoracique au Houston VA Medical Center et au Baylor College of Medicine. Elle mène également de nombreuses recherches en tant que chercheuse principale sur différents projets. Nous avons également un co-auteur, le Dr Paweł Kolodziejski, coordinateur de recherche.
Aujourd'hui, nous aimerions aborder certaines recherches que nous avons menées à partir d'une base de données en chirurgie cardiothoracique, recherches qui ne relèvent pas des essais contrôlés randomisés classiques. Nous analysons en effet des études rétrospectives afin d'établir un lien de causalité.
Dans mon rôle de consultant, il n'est pas rare que je me rende chez des clients de différents secteurs pour animer des formations de deux jours sur la conception d'expériences, puis sur l'analyse prédictive. Or, il y a souvent un décalage : je commence par expliquer que la conception d'expériences permet d'établir la causalité. Puis, lorsque nous abordons l'analyse prédictive, l'intelligence artificielle et l'apprentissage automatique, je dois nuancer mon propos et préciser : « J'ai certes mentionné que la notion de causalité provient de la conception d'expériences, mais ces autres méthodologies n'en sont pas moins pertinentes. »
C’est ce que nous essayons de faire : établir comment obtenir des informations exploitables, fondées sur des données probantes mais non sur des essais contrôlés randomisés.
Voici comment nous allons procéder. Je parlerai brièvement des données probantes et de la conception des expériences, dont l'essai contrôlé randomisé (ECR) est un sous-ensemble. J'évoquerai certains problèmes rencontrés dans le domaine des ECR, puis je ferai une démonstration avec JMP. Comme il s'agit d'une version préliminaire, je vous montrerai quelques aspects de la conception des expériences que vous n'avez peut-être jamais vus ou auxquels vous n'aviez pas pensé.
Ensuite, j'aborderai la question des études observationnelles, en l'absence d'études randomisées. L'une des méthodes utilisées pour contrôler les biais est le score de propension. Je vous en présenterai brièvement les concepts lors de la démonstration. Je laisserai ensuite la parole au Dr Cornwell, qui vous donnera un exemple de nos travaux actuels et expliquera leur lien avec les données probantes, le type d'information nécessaire et les niveaux de preuve requis pour passer à l'action.
Je ferai ensuite une démonstration de certaines méthodes associées à cet exemple. Puis, j'aborderai d'autres méthodes plus avancées qui seront disponibles dans JMP 19.
Pour commencer, nous savons tous que corrélation n'implique pas causalité. Aujourd'hui, en août, il fait probablement le jour le plus chaud de l'année dans certaines régions du pays. Or, nous connaissons bien le lien de causalité : il existe une forte corrélation entre les morsures de chien, les noyades et les ventes de crème glacée. Il est donc de notre devoir de consommer moins de crème glacée afin de réduire le nombre de morsures de chien et de noyades.
Il est clair que la causalité n'est pas la bonne. En réalité, il s'agit de cette troisième variable. C'est ce que je voulais souligner : l'existence d'une dimension latente que nous n'observons pas toujours. Dans ce cas précis, nous pourrions facilement l'enregistrer avec les températures. Mais dans une grande partie de nos travaux, c'est cette dimension latente, inconnue de nous, qui est pourtant la véritable responsable de la causalité. Nous devons en prendre conscience.
Dans notre monde, il y a effectivement quelques autres éléments à prendre en compte. Cette corrélation est un bon début, mais il faut aussi que l'un des événements se produise avant l'autre pour que cela se produise. Enfin, le dernier point concerne le caractère non fallacieux de cette corrélation... Dans notre cas, il s'agit d'une corrélation fallacieuse, sans autre explication possible.
On nous explique, encore une fois, en conception expérimentale, que c'est ainsi que l'on établit la causalité : les facteurs d'entrée sont ceux qui provoquent une réaction. L'important est de contrôler ces facteurs. Dans cette expérience, nous allons vérifier que la température et la pression atteignent un certain niveau, puis observer la réaction.
JMP est depuis longtemps le logiciel de référence pour la planification d'expériences (DOE). Récemment, en 2017 et 2018, la plateforme easyDOE a été lancée. Je la recommande vivement aux nouveaux utilisateurs : elle offre d'excellentes options pour optimiser leur flux de travail et intègre parfaitement toutes les fonctionnalités de JMP. On associe généralement la DOE aux étapes suivantes : planification, conception, exécution et analyse. Ici, elle comprend les étapes suivantes : définition, modélisation, conception, saisie des données, analyse, prédiction et rapport.
Vous trouverez d'excellentes références. Si vous souhaitez visionner une vidéo explicative, n'hésitez pas. Nous tenons à remercier les premiers utilisateurs. Nous allons aborder les plans d'expériences randomisées contrôlées (ERC), qui constituent un sous-ensemble des plans d'expériences (DOE). L'ERC est la pierre angulaire de la médecine factuelle. En réalité, l'utilisation des ERC en médecine a véritablement débuté dans les années 80 en cardiologie, avec de nombreuses études marquantes qui ont permis de faire progresser non seulement les procédures et interventions cardiothoraciques, mais aussi la compréhension de la fiabilité des résultats. L'objectif principal est de minimiser les biais affectant la validité interne.
Comment procède-t-on ? Eh bien, il suffit d'assigner aléatoirement le patient au groupe d'intervention ou au groupe témoin. Il est intéressant de noter que Sir Ronald Fischer, le père des statistiques, affirmait qu'en réalité, il suffit de sélectionner chaque personne, de la répartir aléatoirement entre le groupe témoin et le groupe de traitement. Inutile de se soucier de la stratification.
En fait, son raisonnement reposait entièrement sur l'hypothèse nulle. On recueille ensuite les données et on se demande quelle est la probabilité que les groupes de traitement et de contrôle soient équivalents. Les résultats obtenus permettent alors de conclure qu'ils ne le sont pas. Il s'en tenait là.
Mais Jersey Naiman et Douglas Rubin ont ensuite approfondi ces recherches en intégrant les erreurs de type I et II, et en instaurant l'approche des essais contrôlés randomisés (ECR) que nous connaissons aujourd'hui. Il est intéressant de noter que, dans le coin supérieur droit, on aperçoit Sir Ronald Fischer, la pipe à la main. Il s'avère qu'au milieu des années 1950, de nombreuses études publiées dans le British Medical Journal ont mis en évidence un lien étroit entre le tabagisme et le cancer, à tel point que beaucoup de personnes ont arrêté de fumer.
Mais Fischer, profondément convaincu de l'importance de la randomisation, refusait d'accorder la moindre crédibilité à ces preuves. Il publiait donc des lettres aux journaux pour affirmer que c'était faux. En réalité, il était un grand ami de l'industrie du tabac. Considéré comme une sommité en statistiques, il soutenait que non, les preuves étaient insuffisantes. Pourquoi ? Parce qu'il n'existait pas d'essais contrôlés randomisés. Il reconnaissait toutefois que l'on pouvait soulever des questions d'éthique en assignant aléatoirement 3 000 personnes à fumer et 3 000 à ne pas fumer.
Mais il restait campé sur ses positions et refusait de croire aux preuves qui, certes, indiquaient une forte corrélation. Cependant, comme il ne s'agissait pas d'un essai contrôlé randomisé, il refusait de l'approuver.
Finalement, il a dit qu'il y avait peut-être une dimension latente en lui. Peut-être s'agissait-il d'un gène responsable non seulement de la propension à fumer, mais aussi de la prédisposition au cancer du poumon. En fin de compte, il n'a jamais cédé et est décédé d'un cancer peu après.
Une autre idée consiste à utiliser le principe du double aveugle, où ni le patient ni le prestataire ne savent quel est le traitement, s'ils le reçoivent ou non, et si le blocage a été effectué ou non.
Le problème, cependant, avec certains essais contrôlés randomisés que nous observons aujourd'hui, c'est qu'ils sont moins utilisés pour plusieurs raisons, notamment parce qu'ils sont perçus comme très contraignants. En d'autres termes, la Conférence internationale sur l'harmonisation des bonnes pratiques cliniques (ICH) propose des lignes directrices qui, bien qu'incitant à respecter l'esprit plutôt que la lettre, ont tendance à dissuader les praticiens.
Sans surprise, les essais contrôlés randomisés sont généralement très coûteux et se concentrent davantage sur les résultats à court terme, car leur poursuite n'est pas uniquement motivée par des raisons budgétaires. Comme mentionné précédemment, les questions éthiques liées au tabagisme et à l'étude de Fischer sont également à prendre en compte. Tout cela est lié à l'hétérogénéité de l'effet du traitement. Autrement dit, pour participer à un essai contrôlé randomisé, il faut répondre à certains critères. De ce fait, les résultats obtenus ne sont pas nécessairement applicables à l'ensemble de la population cible.
Cela a été démontré à maintes reprises. Une étude de 2020, par exemple, affirmait que l'analyse des études de référence aboutissait à des conclusions diamétralement opposées aux résultats des essais contrôlés randomisés (ECR) lorsqu'on les confrontait aux données en situation réelle. Il est donc essentiel d'étendre la portée de nos ECR au-delà de leur validité interne. La randomisation permet d'éliminer les facteurs de confusion.
C'est bien que les facteurs de confusion internes soient pris en compte, mais ce sont les facteurs externes que nous négligeons. Si nous excluons délibérément de l'essai les personnes de 75 ans et plus, ainsi que celles ayant un IMC élevé, etc., nous courons un risque important de ne pas pouvoir généraliser ces résultats.
Il existe des recommandations pour mener des essais contrôlés randomisés de qualité, et j'ai souligné que, dans notre domaine, tout repose sur de nombreuses méthodes statistiques. Nous devons veiller à une randomisation rigoureuse, à un échantillon de taille appropriée et à l'élimination des biais. Nous aborderons quelques pistes pour y parvenir. Les spécialistes en chirurgie cardiothoracique, et cela date de l'année dernière, ont lancé une initiative visant à améliorer ces essais contrôlés et à retrouver le leadership des années 80.
Cela s'est vraiment vérifié dans certains cas de COVID-19 où ces essais contrôlés randomisés prenaient trop de temps, et où nous disposions de davantage d'informations factuelles et exploitables, ce qui nous a permis de faire de bons progrès dans certaines de ces interventions, ce genre de choses.
Je vais maintenant vous présenter une brève démonstration de JMP sur le fonctionnement d'un essai contrôlé randomisé. Nous allons aborder trois points. Premièrement, comment configurer un tel essai sur la plateforme DOE ? Deuxièmement, que ce soit pour un essai contrôlé randomisé ou non, la question de la taille d'échantillon optimale est souvent posée.
Nous allons examiner cela, puis nous étudierons différentes options d'analyse. Je vais maintenant vous présenter la revue. Vous la trouverez dans les documents de cette session, ainsi que les diapositives. Dans l'introduction, vous trouverez des informations sur notre organisation et nos coordonnées. Pour concevoir un essai contrôlé randomisé, je souhaite effectuer une stratification selon l'IMC, l'âge et le sexe, car ce sont généralement des facteurs importants, des facteurs de risque pour lesquels nous observons des différences. Nous voulons donc nous assurer d'une représentation équilibrée.
J'ai donc enregistré mes facteurs ici pour pouvoir les intégrer rapidement. Je sais que j'ai mentionné qu'Easy DOE est un outil formidable pour vous tous, mais dans ce cas précis, je vais utiliser la plateforme Design of Experience standard car je veux vous montrer où, par exemple, je ne souhaite peut-être pas inclure dans cet essai des personnes ayant un IMC très élevé et des personnes âgées en raison du risque accru.
Nous allons utiliser le plan d'expériences du Département de l'Énergie (DOE) et créer un modèle personnalisé. Il suffit de charger le facteur et c'est tout. Vous pouvez voir ici mes trois niveaux d'IMC (faible, moyen et élevé) et mes trois niveaux d'âge. Je vais utiliser les combinaisons interdites et saisir l'IMC ainsi que l'âge. Nous ne voulons pas avoir simultanément un âge élevé et un IMC élevé.
Je vais maintenant créer un plan d'expérience qui effectue cette opération. Il se peut que deux médecins ou deux chirurgiens participent à l'étude. Je vais créer un groupe de 30 participants, ce qui me donnera un total de 60. Il s'agit d'un plan par blocs aléatoires. Si nous avons de nombreux chirurgiens, alors que nous n'en considérons que deux, cela constituera un effet aléatoire. Je vais donc créer ce plan. JMP va me fournir un plan équilibré entre les trois facteurs : l'IMC, l'âge et le sexe. Il nous faudra ensuite déterminer, parmi ces 60 participants, qui recevra le traitement et qui ne le recevra pas. Il suffit d'ajouter une nouvelle colonne.
Ceci s'adresse aux nouveaux utilisateurs. Vous voyez comme c'est simple. Je vais dans « Traitement », puis nous allons créer une formule. Cette formule sera la suivante : si une variable aléatoire uniforme, comprise entre zéro et un, a une valeur supérieure à 0,5, alors ce sera le groupe de traitement. Sinon, ce sera le groupe témoin.
D'accord, appliquez. Voilà. J'ai maintenant un schéma que je peux utiliser. Il est important de noter que, même si j'ai coloré l'âge de certaines personnes, vous pouvez constater qu'aucun participant à cet essai n'est à la fois âgé et a un IMC élevé. De même, pour les personnes ayant un IMC élevé, je n'ai inclus que les tranches d'âge basses et moyennes, car cela correspond à la règle.
Ensuite, combien d'essais devons-nous réaliser ? On répond généralement à cette question grâce à une analyse de puissance. On utilise l'outil DOE Sample Size Explorer pour déterminer la puissance statistique. Prenons l'exemple de la fibrillation auriculaire postopératoire : je m'intéresse à sa proportion. Je sais qu'en général, elle est d'environ 25 % dans la population générale.
Je serais intéressé de voir si cette intervention permet de réduire ce taux à, disons, 15 %. Je vais donc calculer deux proportions d'échantillons indépendants. Je vais indiquer une proportion de 0,25. Ce qui m'intéresse, c'est la valeur de 0,15. Cette différence est significative pour nous. Si nous observons un écart de 10 points de pourcentage, nous pourrions envisager d'intégrer cette intervention à notre protocole.
Si tel est le cas et que je ne dispose que de 60 essais comme je viens de le concevoir, ma puissance statistique n'est que de 16,5 %. On pourrait s'attarder longuement sur le calcul de la puissance, mais celle-ci indique que si le traitement est réellement important, c'est le pourcentage de fois où mon test le confirmera, étant donné l'écart de 10,1 observé. En règle générale, nous considérons que la puissance statistique doit être d'au moins 80 %. Nous allons donc inclure environ 250 essais de chaque côté. Cela me permet d'atteindre une puissance statistique d'environ 80 %. C'est ainsi que l'on conçoit ces études. Vous avez ici des courbes de puissance ; si je les fais glisser vers le bas, vous constaterez que la puissance statistique diminue.
C'est un excellent outil pour discuter et mieux gérer les risques. Il se peut très bien que votre coordinateur de recherche dise : « Non, nous ne pouvons pas nous permettre d'en avoir 500. Nous ne pouvons en faire que 100. » Vous verrez alors : « D'accord, dans ce cas, vous pouvez constater l'impact sur la puissance statistique. » Revenons rapidement à la présentation PowerPoint ; nous y aborderons d'autres idées à partir des données concrètes.
Si nous ne réalisons pas d'essai contrôlé randomisé, que faire ? Une étude récente suggère de privilégier un essai contrôlé randomisé pragmatique, qui prend en compte le fait qu'il est impossible de suivre à la lettre le protocole. On pourrait ainsi tirer davantage parti des technologies telles que les capteurs portables et les suivis virtuels, et réduire la charge de travail globale.
De même, on peut citer le concept d'essais contrôlés par registre, où des bases de données très bien constituées sont presque aussi pertinentes, voire plus pertinentes dans certains cas, que celles recueillies lors d'un essai contrôlé randomisé. Dans ce cas, la randomisation pourrait potentiellement s'effectuer entre… par exemple, entre l'établissement 1 et l'établissement 2, ou entre le prestataire 1 et le prestataire 2.
La randomisation est effectuée à un niveau supérieur. L'idée est que cette base de données est parfaitement validée et vérifiée. Nous avons désormais la possibilité de mener ces investigations très rapidement. Nous nous intéressons maintenant aux études rétrospectives, qui ont mauvaise réputation, peut-être à tort. Il y a encore des choses que nous pouvons tirer de ces études observationnelles et rétrospectives.
Une chose que nous avons découverte récemment et qui s'avère très utile, c'est l'analyse de certaines méta-analyses. Ou études systématiques : « Nous avons recensé une dizaine d'articles portant sur différents groupes de patients. » En les combinant, nous obtenons un résultat très clair : soit elles convergent, soit elles divergent, auquel cas nous ne pouvons pas nous y fier.
Ces méta-analyses sont extrêmement utiles et disposent de leurs propres mesures statistiques pour les graphiques en entonnoir, ainsi que pour les statistiques Q et I². Il y a de l'espoir. Pour revenir à la FDA, notamment dans le processus d'approbation des médicaments, elle s'efforce désormais d'intégrer autant que possible les données et les preuves issues de la pratique clinique dans ses études, au moment de prendre des décisions pour les essais de phase 2 et 3.
L'un des meilleurs moyens d'éviter qu'une étude observationnelle ne soit inutile est l'appariement. Si j'ai 1 000 patients dont 200 reçoivent le traitement, en reste-t-il 800 ? Parmi ces 800 patients, y en a-t-il 200 qui sont très similaires aux 200 qui ont reçu le traitement ? Je procède alors à une recherche selon les critères que je spécifie. Je peux rechercher des patients ayant un IMC, un âge et éventuellement d'autres marqueurs similaires.
L'idée de l'appariement par score de propension est d'obtenir des appariements aussi précis que possible. Cela permet de réduire les biais. Notre problème est double concernant nos variables : soit il existe une dimension latente qui nous échappe, soit les variables sont confondues. Nous ignorons si l'effet observé est réellement dû à notre intervention ou simplement au fait que le groupe de traitement comptait davantage de jeunes.
Nous devons procéder à l'appariement et nous assurer que tout est aussi propre que possible. Je laisse maintenant la parole au Dr Cornwell, qui présentera l'une de nos études en cours, laquelle apportera un éclairage nouveau sur l'analyse causale.
Merci beaucoup, Jim. Je suis Lorraine Cornwell, chirurgienne cardiaque et cardiothoracique. Je travaille au centre des anciens combattants de Houston et je suis affiliée au Baylor College of Medicine. Je souhaitais simplement vous expliquer pourquoi nous nous sommes intéressés à cette étude sur laquelle nous travaillons, qui examine l'intérêt d'une péricardiotomie postérieure lors d'une chirurgie à cœur ouvert et cherche à déterminer si elle permet de réduire certaines complications postopératoires.
Pour rappel, cette situation est liée à des éléments indiquant que certaines complications postopératoires sont dues à des traumatismes cardiaques et thoraciques, ainsi qu'à un éventuel hématome péricardique. Ce dernier peut entraîner une inflammation, augmentant ainsi le risque de complications telles que la fibrillation auriculaire postopératoire, des troubles du rythme cardiaque (comme un hématome résiduel nécessitant une réintervention), une inflammation prolongée (provoquant des douleurs accrues), le syndrome de Dressler (un syndrome inflammatoire postopératoire) et un allongement de la durée d'hospitalisation.
D'après certaines études, un drainage optimal du péricarde pourrait améliorer le pronostic des patients. Depuis une dizaine d'années, je pratique systématiquement une simple incision postérieure du péricarde pour faciliter ce drainage. Nous avons donc décidé d'analyser rétrospectivement un ensemble de données observationnelles afin de déterminer si les patients ayant bénéficié de cette incision postérieure présentaient un pronostic différent de ceux qui n'en avaient pas bénéficié.
Je sais que Jim va nous expliquer comment il a procédé dans JMP. Mais nous souhaitions également aborder la question de la pertinence du niveau de preuve obtenu lors d'une étude, la manière de le publier et l'impact des études réalisées sur nos pratiques. Jim, pourrais-tu passer à la diapositive suivante ?
Encore une fois, à quel moment disposons-nous de suffisamment d'informations pour intégrer une nouvelle intervention à un protocole, un protocole clinique, à notre prise en charge des patients ? De nombreux facteurs sont à considérer. Cette procédure supplémentaire comporte-t-elle des risques ? Quels sont les bénéfices attendus ? Les bénéfices l'emportent-ils sur les risques ? Que disent les autres études ? Quelle est la solidité et la pertinence des données probantes actuelles ? Sont-elles généralisables à notre population de patients ? Comme Jim l'a mentionné précédemment, si une intervention ne concerne que les jeunes patients, et que nous avons des patients âgés, fragiles et malades, les résultats pourraient ne pas être les mêmes.
Existe-t-il des preuves empiriques sur lesquelles nous pouvons nous appuyer ? Est-ce scientifiquement justifié ? Quels en sont les coûts ? Il s’agit d’une intervention très simple. Nous pensions qu’elle serait relativement facile à étudier. Nous pensions que ces données rétrospectives renforceraient la crédibilité des autres études existantes et permettraient d’uniformiser notre protocole.
Jim, la diapositive suivante, s'il vous plaît. Elle explique comment nous utilisons les études pour établir nos recommandations et nos directives. Elle montre simplement comment nous prenons en compte les études et les intégrons ensuite dans nos recommandations. Ces dernières précisent, par exemple, s'il s'agit d'une recommandation de classe 1 (fortement recommandée), ou bien de classe 2 ou 3.
Le système de notation va de la classe 1, qui correspond à la recommandation la plus forte lorsque les bénéfices l'emportent largement sur les risques (l'intervention est alors recommandée et devrait être réalisée). On passe ensuite aux classes 2a et 2b. La classe 2a indique qu'il s'agit d'une option raisonnable, susceptible d'être utile ou bénéfique. Le libellé est légèrement différent car la recommandation est modérée. La classe 2b, quant à elle, représente une recommandation plus faible : une intervention peut être envisagée, mais les preuves sont insuffisantes.
Ensuite, bien sûr, en arrivant à la classe 3, on trouve celle des traitements sans bénéfice, pour lesquels il a été prouvé qu'il n'apporte aucun bénéfice, voire qu'il est fortement prouvé qu'il est nocif. Les preuves sont solides quant à un éventuel préjudice. Lorsque nous nous réunissons avec nos organisations pour élaborer des recommandations, nous déterminons dans quelle classe chaque recommandation devrait être classée. Pour ce faire, comme illustré dans la diapositive suivante, nous examinons toutes les études réalisées sur cette question et nous évaluons la qualité des preuves disponibles.
Lorsqu'on parle d'une recommandation de classe 1 avec un niveau de preuve A, cela signifie qu'il s'agit de preuves de haute qualité. Cela inclut plusieurs essais randomisés ou méta-analyses d'essais randomisés de haute qualité. Le niveau B correspond à un niveau de preuve plus modéré, soit un ou quelques essais randomisés, voire des essais randomisés de petite taille. Les niveaux B et R regroupent des études non randomisées, bien conçues, mais également des études observationnelles non randomisées.
C’est le niveau de preuve dont nous parlons dans cette étude sur la péricardiotomie que nous avons menée. Bien sûr, il existe des niveaux de preuve inférieurs, comme celui de l’avis d’experts, ce qui, évidemment, ne constitue pas la preuve que nous espérons obtenir. Mais il arrive parfois, en chirurgie et en médecine, que nous ne disposions pas encore de preuves solides, même si les experts estiment que certains sujets sont importants.
Pour répondre à cette question, nous avons analysé nos données rétrospectives. Nous disposions d'un suivi de huit ans et de plus de 700 patients ayant tous subi une opération à cœur ouvert. Nous avons comparé les patients ayant bénéficié d'une péricardiotomie à ceux qui n'en avaient pas bénéficié. Initialement, les groupes étaient relativement bien appariés, même sans appariement par score de propension. Nous avons ensuite procédé à un appariement par score de propension. Les deux ensembles de données, appariées puis non appariées, ont montré une réduction de la fibrillation auriculaire postopératoire.
C'était presque 10 %. C'était statistiquement significatif. La durée d'hospitalisation était également plus courte. Les patients sortaient plus vite de l'hôpital et il y avait moins de réadmissions. La courbe de Kaplan-Meier de survie à long terme a divergé, indiquant que les patients ayant subi une péricardiotomie semblaient également survivre plus longtemps. Nous pensons que c'est une information importante, susceptible de modifier les pratiques, de même que d'autres données à venir. Nous espérons participer à un vaste essai contrôlé randomisé multicentrique sur ce sujet, si nous obtenons le financement nécessaire. C'est toujours complexe. Mais je pense que nous laisserons Jim gérer ces données.
Parfait. Merci, Dr Cornwell. Je pense que nous allons revenir directement à… J'allais vous expliquer brièvement le fonctionnement du score de propension. Mais, étant donné le peu de temps dont nous disposons, je vais plutôt vous présenter les résultats. Nous pensions avoir un groupe de 45 minutes, mais nous n'avons eu que 30 minutes. Je vais donc vous montrer les résultats. Vous ne possédez pas encore ce fichier, veuillez m'en excuser, mais il n'est pas encore disponible. Nous allons néanmoins examiner quelques analyses et vous présenter le déroulement de la procédure.
La première chose à retenir, c'est qu'il y a 426 colonnes. En tant que nouveaux utilisateurs, je ne saurais trop insister sur l'importance de regrouper les colonnes. Ici, les facteurs de risque sont regroupés, puis les résultats le sont également. L'idée est que ces facteurs de risque (et il y en a d'autres, mais je n'en présente ici qu'un sous-ensemble) doivent être relativement homogènes entre les deux groupes. Pour cela, je peux simplement utiliser la fonction « Ajuster Y par X », qui donnera la réponse. Prenons la péricardiotomie comme exemple d'intervention.
L'objectif était d'obtenir des pourcentages approximativement identiques. Or, je constate d'emblée que ce n'est pas le cas. Je pourrais donc ajouter l'étiquetage cellulaire. Je peux y inscrire les pourcentages. En fait, je vais recommencer, mais cette fois-ci, l'étiquetage cellulaire est par pourcentage. Voilà, c'est fait. On observe ici une différence statistiquement significative entre les groupes concernant les patients atteints de BPCO. L'intérêt de l'appariement par score de propension est justement de les rendre aussi homogènes que possible. Car dans ce cas précis, il s'avère que le nombre de patients atteints de BPCO n'ayant pas subi de péricardiotomie est plus élevé.
Nous optimisons les chances en notre faveur. Nous n'avons pas de patients atteints d'emphysème. Ce que nous pourrions faire, et c'est une excellente technique pour JMP, c'est appliquer un filtre de données local. Cela détermine si le groupe correspond ou non. Rappelez-vous, avec le score de propension, nous avons environ 286 patients ayant subi une péricardiotomie. Nous allons maintenant procéder à l'appariement. Je lance l'appariement, et il s'avère que les pourcentages sont désormais très proches, 35 % contre 32 %. C'est le principe que nous appliquons systématiquement.
Il s'agit de proportions, mais le même principe s'applique aux pourcentages. Prenons l'exemple de travaux de laboratoire : on souhaite que les moyennes soient très similaires entre elles. C'est le premier critère que l'on vérifie dans ces études : l'homogénéité des données. C'est bien qu'elle soit présente dès le départ, mais c'est encore mieux après l'appariement par score de propension.
Maintenant, lorsque j'examine l'analyse des résultats, je peux procéder de la même manière. Je vais donc analyser et ajuster Y en fonction de X. Dans ce cas précis, les résultats correspondent à la réponse et la péricardiotomie au facteur X. Intéressons-nous maintenant au POAF. Par souci de concision, nous pouvons constater une différence statistiquement significative pour le POAF lorsque j'utilise toutes les données. Je vais à nouveau indiquer les pourcentages. La différence est statistiquement significative, même à un seuil très proche. Si j'applique ensuite l'appariement par score de propension avec le filtre de données local et que je vérifie si l'appariement a réussi, voici les versions appariées.
Je constate maintenant que la significativité statistique est plus importante. La différence est encore plus marquée lorsque les groupes sont correctement appariés. Je voulais également vous montrer qu'il s'agit d'une variable catégorielle. Un autre facteur important pour nous, d'un point de vue économique, est la durée d'hospitalisation et, bien sûr, l'évolution de l'état de santé du patient. Les patients souhaitent rentrer chez eux au plus vite, et la durée d'hospitalisation est un indicateur de la rapidité de leur rétablissement.
On pourrait effectuer un test de comparaison des moyennes et constater une différence statistiquement significative. Cependant, il est souvent préférable d'examiner… Je les affiche ici. Les moyennes sont juste ici. On observe que la durée moyenne de séjour est de huit jours et demi contre neuf jours et demi. Mais il est également pertinent d'effectuer un test de comparaison des médianes. Je voulais simplement préciser qu'un test de comparaison des médianes est possible. Ici aussi, la différence est statistiquement significative, car les séjours de longue durée finissent par fausser les données.
C'est pourquoi nous nous concentrons sur les médianes. On constate également une différence d'un jour dans la durée médiane de séjour. Ce sont là quelques pistes pour l'analyse des résultats. Le Dr Cornwell a mentionné que nous avons également observé des taux de survie nettement supérieurs. Ces données sont traitées ici, sur la plateforme de survie. Nous allons regrouper les patients ayant subi une péricardiotomie, puis analyser le temps (années de survie) et inclure les données censurées.
Ceci est une introduction à la censure : au moment où nous avons arrêté l'étude, tous les patients n'étaient pas décédés ; leurs données ont donc été censurées. Observons maintenant s'il y a une différence. Nous constatons qu'il y en a une. La valeur zéro indique que le patient n'a pas subi de péricardiotomie. Vous pouvez observer ici la probabilité de survie en fonction du nombre d'années. Cette différence entre les deux courbes est, en fait, statistiquement significative. Nous pouvons même examiner le taux de survie à quatre ans, ou à une autre durée. À quatre ans, il est de 81 %. La valeur 1 indique que le patient n'a pas subi de péricardiotomie, contre 1 pour ceux qui en ont subi une, et le taux de survie est de 88 %. On constate donc une différence de 8 % dans les taux de survie.
Enfin, pour résumer rapidement, lors de nos analyses, nous constatons que la situation est complexe car certains facteurs de risque sont prépondérants. Nous savons que l'âge, le sexe et l'IMC peuvent atténuer certains des effets observés. Nous examinons différents éléments et arbres de décision. Je vous recommande vivement de consulter ces experts : leur travail est une mine d'informations précieuses.
Par exemple, si je voulais analyser la FA postopératoire… Par souci de gain de temps, nous allons examiner certains de ces patients, qui ont subi une péricardiotomie. Pour l'instant, nous nous concentrons sur la probabilité et le nombre de cas. On constate qu'environ 71 % ne présentent pas de FA postopératoire. Si l'on détermine le facteur prédictif le plus pertinent, on observe que chez les patients jeunes (moins de 60 ans), la probabilité est de 91 %, soit une répartition de 8 % et 92 %. Parmi nos patients, 122 répondaient à ce critère. Ces données sont très instructives et montrent l'importance de l'âge.
Mais si je m'adresse ici au groupe des jeunes et que je le divise en deux, regardez ça ! Il s'avère que c'est la péricardiotomie qui nous permet de mieux différencier les cas. Le taux global chez les jeunes est de 8 %. Cependant, si vous avez subi une péricardiotomie, ce taux chute à 3 %. Nous pourrions faire beaucoup plus, mais le temps nous est compté. Je vais donc conclure et vous dire que nous pourrions considérer cela comme le début de la mise en œuvre de ces idées, car de nombreuses autres nouveautés sont à venir avec le JMP 19.
Ils font un travail remarquable avec les modélisations par équations structurelles et les variables instrumentales. L'idée d'automatiser le score de propension dans JMP 19 est très prometteuse. Il existe différentes méthodes, en plus des méthodes standard que nous utilisons actuellement. De belles choses sont à venir. Je pense que la question de la causalité prend de l'ampleur à mesure que nous examinons ces méthodes du XXIe siècle et que nous réalisons que tout ne se résume pas aux essais contrôlés randomisés. En réalité, nous pouvons tirer de nombreux enseignements et obtenir des résultats concrets grâce aux données que nous analysons et aux approches novatrices que nous explorons.
J’espère que cette présentation vous a été utile et nous restons à votre disposition pour toute question. Merci beaucoup.
