Professional Documents
Culture Documents
Valeur
commune
Vraie valeur - valeur observée
Réalité Résultat de
(modèle) l'essai
fluctuations
aléatoires
vraie valeur valeur observée
vrai OR OR observé
vrai ET ET observé
Principe statistique
Effet
regroupement regroupement
global
Paradoxe de Simpson
Essai T+ T- OR
1 18/60 36/120 1.00
30% 30%
2 84/120 42/60 1.00
70% 70%
Total 102/180 78/180 0.58
56% 43%
Combinaison des effets traitements
Essai 2 x1 x0 e
Essai 3 x1 x0 e
Essai 4 x1 x0 e
Effet
global
Principe fondamental de la méta-analyse
hypothèse d'homogénéité
Modèle fixe
Modèle Résultats
MA vrai ET estimation MA
T+ T-
r1 = x1 / n1
Calcul (2)
Risques
Essai r1 r0 RR d=Log(RR) Var (log RR) w
Essai A 0.22 0.37 0.595 -0.520 0.0525 19.1
Essai B 0.24 0.38 0.634 -0.456 0.0199 50.3
Essai C 0.21 0.38 0.560 -0.579 0.1130 8.9
Essai D 0.21 0.36 0.577 -0.551 0.0145 68.9
147.1
RR = r1 / r0 w=1/var
var = 1/x1-1/n1+1/x0-1/n0
Calcul (3)
150.8 -71.99
dc -0.48 dc = Sd*w / Sw
RRc=Exp(dc) 0.62
Essai 1
Essai 2
Essai 3
Essai 4
Global
0 0.5 1 1.5 2
Absence d'hétérogénéité
Essai 1
Essai 2
Essai 3
Essai 4
Essai 5
Global
OR
0 0.5 1 1.5 2
Hypothèse d'homogénéité
Hypothèse omnibus
– H0 : 1 2 i
Hétérogénéité
– rejet de l'hypothèse nulle
– Acceptation de l'hypothèse alternative :
j , j i j
Hétérogénéité
Test d'hétérogénéité
ˆ
Q wi i ˆ 2
– distance pondérée
– nulle en cas d'homogénéité parfaite
– Chi² à k-1 ddl
I²
I max 0,
2
100%
het
2
varie de 0% à 100%
Problème d'extrapolabilité du résultat si I²>70%
Nuisance
– utilisation d'un modèle aléatoire
– hypothèse forte sur l'hétérogénéité (gaussienne)
Informative
– recherche des sources de l'hétérogénéité
– "explication" de l'hétérogénéité en fonction des caractéristiques des
études
– témoin de l'existence d'interactions
– Sous groupe, méta-régression
Modèle aléatoire
Modèle Modèle
Résultats
général essai
MA vrai ET estimation MA
var = t2
Modèle fixe - aléatoire
Modèle fixe
– modèle simple
Modèle aléatoire
– variabilité structurelle de l'effet traitement
– variabilité aléatoire ?
– forme de la distribution ?
– prise en compte d'une certaine hétérogénéité
(mais ne l'explique pas)
– diminution de puissance
Analyse en sous groupe
analyse de sensibilité
•essai 1 •essai 1
•essai 2 MA SG 1 •essai 2 MA n° 1
•essai 3 •essai 3 (SG 1)
•essai 1
•essai 4 •essai 2
MA SG 2
•essai 5 •essai 3 MA n° 2
•essai 4 (SG1 +SG2)
•essai 5
Utilisation
Duke C
Constitution des sous groupes (1)
Essai 1
(10 mg)
Essai 3
(10 mg)
<=60 ans
Essai 1
>60 ans
Sous groupe
<=60 ans <= 60 ans
Essai 2
>60 ans
<=60 ans
Essai 3 Sous groupe
> 60 ans
Essai 4
>60 ans
Méta-régression
ORi=a+b*Xi+ei
difficultés
– OR n'est pas distribué normalement
– OR est une variable bornée à gauche par 0
– log(OR) mais interprétation difficile
– en général peu de dispersion des valeurs Xi
solution
– analyse en sous groupes
– univarié
Méta-régression - Exemple
Utilisation
– Prendre tau = racine (tau2)
– Unité de la variable (log RR pe)
– Mesure la pertinence clinique de l’hétérogénéité
CAD devant l’hétérogénéité
Tau2 =0
– Regroupement des résultats
• Avec un modèle fixe ou un modèle aléatoire
Tau2 <>0 mais cliniquement non pertinente
– Regroupement des résultats avec un modèle aléatoire
– Recherche de l’explication de l’het. non obligatoire
Meta-analyst
Revman
– www.cochrane.org
Macro stata
Comprehensive MA
EasyMA.net
– www.spc.univ-lyon1.fr/easyma.net
EasyMA
– www.spc.univ-lyon1.fr/~mcu/easyma
Multiplicité des méthodes de calcul
Mesure multiplicative
– Risque relatif
• modèle fixe, variance minimum
• Greenlands et Robins
• modèle aléatoire
– Odds ratio
• modèle fixe, variance minimum
• Mantel-Haenszel (Greenlands et Robins)
• modèle aléatoire
• Peto
• Maximum de vraisemblance
Multiplicité des méthodes de calcul
Mesure additive
– Différence des risques
• modèle fixe, variance minimum
• Greenlands et Robins,
• modèle aléatoire
RECHERCHE D’UN BIAIS DE PUBLICATION
Funnel plot - sans biais de publication
500
400
300
Effectif
200
100
0
-0.04 -0.02 0 0.02 0.04
500
400
300
Effectif
200
100
si FP symétrique
– b=0
– a = Log(OR commun)
si FP asymétrique
– b <> 0
INTERPRÉTATION – NIVEAU DE PREUVE
Niveau de preuve
Dans tous les cas, la méta-analyse permet de faire l’état des lieux de façon
objective et performante
Utilisation de la MA en safety
1er exemple
Deux essais
– le premier mené en Europe de l’Est est concluant
– le second réalisé aux US est non concluant
Conclusion
– l’effet du traitement n’est pas le même aux US et en Europe
– car les contextes de soins sont différents
3ème exemple
A A
C D C D
B B
A vs B /C = 0.4+0.6=1 A vs B /C=-0.6-0.4=-1
A vs B /D = 0.6+0.5=1.1 A vs B /D = 0.6+0.5=1.1
Mesure de l'effet traitement
Comparaison directe de R0 et R1
– courante
– mais valeur de R0 très sensible
• à la définition du critère
• aux caractéristiques des patients
• aux fluctuations aléatoires (comme R1)
Risque Relatif
RR = RT / RC
RT / 1 RT
OR
RC / 1 RC
Ev. Effectif Risque
Grp T 45 180 45 / 180 = 0.25
Grp C 56 176 56 / 176 = 0.32
1.0
Odds-ratio
0.8
0.6
0.4 RR=0.8
0.2
0.0
0.00 0.25 0.50 0.75 1.00
Risque de base dans le groupe contrôle
Mesure de l'effet :
Différence des risques
DR = RT - RC
Absence d’effet DR = 0
Différence des risques - Interprétation
Absence d’effet DR = 0
RR DR NNT
4S 0.71 3.3% 30
WOSCOPS 0.78 0.9% 112
ISIS 2 0.77 2.8% 36
Relation entre Rc et BA
Bénéfice absolu
– Différence de risque
– Santé publique
– Conséquence du traitement
Bénéfice relatif
– Risque relatif
– Indice "explicatif"
– Efficacité du médicament
BA et durée de suivi
S t DR
fig . d
1 0
0.8 0.02
0.6 0.04
0.4 0.06
0.2 0.08
0 0.1
t
0 5 10 15 20 25 30 0 5 10 15 20 25 3
critères quantitatifs