Etudes & Biais

  • RSS
  • Accueil
  • A propos
  • Lecture critique
  • Plainte vs EMA
  • Liens
  • Contact

Lecture critique (4) : Biais de sélection dans les essais cliniques.

Posted on 12 avril 2013 by Alexis in Article, Lecture critique No Comments
  • Home
  • Article
  • Lecture critique (4) : Biais de sélection dans les essais cliniques.

Le biais de sélection traduit le fait que la sélection de l’échantillon inclus dans l’étude entraîne un biais.

Cette sélection biaisée des participants de l’étude peut prendre deux aspects.

  1. Les groupes comparés sont différents entre eux au début de l’essai
  2. Les groupes comparés ne sont pas un échantillon représentatif de la population cible : celle sur laquelle on veut pouvoir extrapoler les résultats.

 Groupes comparés dissemblables

Dans une étude épidémiologique, on peut comprendre aisément qu’un groupe témoin, constitué à partir de certaines caractéristiques du groupe exposé ou du groupe atteint, puisse se différencier sur un autre critère et que ce critère influence le résultat.

Dans un essai randomisé, la randomisation doit fournir deux ou plusieurs groupes similaires sur les caractéristiques susceptibles d’influencer les résultats, qu’elles soient connues ou non.

Bien évidemment la randomisation, même bien faite, peut aboutir à des groupes dissemblables sur des caractéristiques qui peuvent influencer l’évolution des patients. « Sometimes shits happen » ! Il existe aussi des randomisations mal faites, ou qui permettent de prévoir le prochain traitement attribué. C’est alors une erreur de randomisation qui entraine un déséquilibre initial entre les groupes comparés et biaise le résultat.

Dans les deux cas, étude épidémiologiques ou essais randomisés, les groupes comparés sont différents et cette différence entraine donc un biais. Ce biais peut favoriser chacun des groupes comparés. On peut alors essayer d’éliminer ce biais par des ajustements sur les facteurs pronostiques connus, qui a priori sont plus influents que ceux qui ne sont pas connus… mais le doute subsistera.

Extrapolation à la population cible

Quand on fait un essai clinique ou une enquête épidémiologique, c’est pour extrapoler les résultats à une population cible.

Pour les études épidémiologiques, ce biais peut s’observer même si on n’utilise qu’une unique définition pour l’inclusion des patients. Par exemple, pour définir la prévalence d’une maladie, n’inclure que les patients hospitalisés biaisera probablement les résultats et ne permettra que de définir la prévalence chez les patients hospitalisés, mais pas dans la population générale. Cette prévalence évaluée pourra être supérieure ou inférieure à celle de la population générale selon que la pathologie nécessite fréquemment ou non une hospitalisation !

Pour les essais cliniques, la problématique est double. Il faut pouvoir extrapoler le résultat au plus grand nombre de patients (ce sera le « marché » du médicament) et obtenir une différence si possible cliniquement intéressante mais surtout statistiquement significative.

Ces deux objectifs sont un peu contradictoires.

La probabilité de mettre en évidence une différence significative entre deux traitements dépend de plusieurs critères.

Certains de ces critères sont indépendants de la pathologie ou du traitement évalué. Ce sont les risques alpha (5% généralement) et béta (20% si possible). D’autres dépendent de la pathologie ou des patients et de l’efficacité du traitement testé. Ces deux critères sont la variabilité des réponses aux traitements et la différence entre le traitement testé et son comparateur.

En fonction de ces 4 critères sera défini le nombre de sujets à inclure dans l’essai et plus il y a de patients à inclure, plus l’essai est couteux et long. On comprend alors aisément que celui qui paie l’essai va essayer de réduire les coûts. Il ne peut pas augmenter alpha, c’est une norme. Il peut augmenter béta mais comme c’est la probabilité de ne pas mettre en évidence une différence significative quand celle-ci existe réellement, il risque de se tirer une balle dans le pied. Donc il faut jouer sur les deux autres critères (il peut aussi jouer sur le critère d’évaluation mais c’est un autre sujet).

Il faut donc réduire la variabilité de la réponse aux traitements et augmenter les possibilités de mettre en évidence cette différence : Cela signifie qu’il faut éviter d’inclure dans un essai des patients qui vont très bien réagir aux traitements ou au placebo et d’autre qui vont très peu réagir. Quitte à choisir, autant prendre des patients qui vont réagir car, par exemple, si les patients ne meurent pas, on ne peut pas démontrer un effet sur la mortalité !

Maintenant, regardez les cartes de cette publication.

La mortalité cardiovasculaire varie énormément en fonction des régions des pays européens. Si vous voulez démontrer un effet protecteur sur cette mortalité, vous avez intérêt à ne sélectionner pour votre essai que des centres dans des régions où on meurt beaucoup. Il est donc, et tant mieux pour nous, moins intéressant de faire l’essai en France qu’en Ecosse. Si vous incluez à la fois des centres dans des régions à faible mortalité et à forte mortalité, vous risquez d’augmenter la variabilité des réponses (délai avant le décès) et aussi de diminuer l’impact du traitement puisque vous aurez moins de décès.

Maintenant, selon l’effet pharmacologique du traitement évalué, on peut aussi réaliser les essais dans des régions ou pays où un facteur de risque (exemples ici ou là) supposé être traité par le médicament est prépondérant.

Si on a inclus des centres dans les deux types de régions (faible et forte mortalité CV), on peut aussi commencer les inclusions dans les centres à forte mortalité et établir une règle d’arrêt qui permettra d’inclure tous les patients dans la description de la population (donc de la faire apparaître plus ressemblante à la population européenne par exemple) tout en minimisant l’impact des centres établis dans des régions à faible mortalité (ou pour lesquels l’impact de tel ou tel facteur de risque non traité par le médicament est moindre).

J’ai pris l’exemple de la mortalité cardio-vasculaire car beaucoup de données sont disponibles sur ce sujet. Pour d’autres pathologies, ces données sont manquantes ou seulement connues des firmes ayant réalisé des études sur cette pathologie. La mise à disposition de la communauté scientifique de ces données permettrait d’acquérir une meilleure connaissance des éléments influençant l’évaluation des médicaments. C’est malheureusement un avantage concurrentiel âprement gardé.

Les critères d’inclusion et d’exclusion des patients mais aussi les lieux où sont réalisés les essais influencent l’issue, même si les groupes comparés sont similaires.

Share

Leave a Reply Cancel reply

Votre adresse de messagerie ne sera pas publiée. Les champs obligatoires sont indiqués avec *

Search

Commentaires récents

  • Alexis dans Lecture critique (3) : Analyse de la population incluse et ajustements.
  • FRG dans Lecture critique (3) : Analyse de la population incluse et ajustements.
  • Daniel Pérez dans La vérole et le bar-tabac
  • Azaïs dans Je viens de télécharger les analyses de la FDA sur Tecfidera ®
  • Alexis dans Chic ! Avec l’intelligence artificielle, on va avoir plein d’études biaisées.

Articles récents

  • Chic ! Avec l’intelligence artificielle, on va avoir plein d’études biaisées.

    3 avril 2018
  • Deux ans sans publication mais pour la bonne cause

    13 mars 2018
  • Quand il y a un « trou » (dans les données), c’est qu’y a un loup ! (Martine et Alexis)

    19 juin 2015
  • J’adore supputer, ce sera donc un peu moins sérieux… quoi que…

    21 mai 2015
  • Deux autres petits trucs qui rendent les odds-ratios un peu « odd ».

    14 mai 2015
  • Bon la dompéridone on n’y croit pas trop…et qu’est ce qui la différencie du mediator ?

    1 mai 2015
  • La vérole et le bar-tabac

    19 avril 2015
  • Domperidone

    14 avril 2015
  • Propensity scores, ou comment transformer une étude de suivi en un essai randomisé.

    3 avril 2015
  • The Will Rogers phenomenon, et petite digression sur le dépistage

    9 février 2015
  • Tiens, la National Academy Press publie un document sur les données des essais cliniques

    5 février 2015
  • Le monitoring nouveau des essais cliniques est sorti. Bonne ou mauvaise nouvelle pour les fraudeurs (et pour ceux qui les recherchent) ?

    30 janvier 2015
  • Faire une étude sur cohorte positive, fastoche !

    27 janvier 2015
  • Fraude et essai clinique biaisé. La détection des fraudes permet-elle d’exclure les essais cliniques biaisés ?

    6 janvier 2015
  • Les méta-analyses ne seraient-elles pas réellement intéressantes quand elles sont non-valides en raison d’une hétérogénéité ?

    5 décembre 2014
  • Lecture critique (12) Analyse des essais cliniques randomisés en double aveugle destinés à mettre en évidence une supériorité: récapitulatif

    20 novembre 2014
  • Finalement, il ne s’est rien passé à l’EMA ce jeudi 2 octobre.

    7 octobre 2014
  • Si on commence à critiquer les avis de l’EMA …

    28 février 2014
  • Les courbes de survie

    18 février 2014
  • Réponse de l’EMA à mon mail du 20 Novembre 2013 … et ma réponse

    9 février 2014
  • 20 novembre 2013 – 21 janvier 2014 : nouvelle plainte contre l’EMA

    21 janvier 2014
  • La FDA, ses analyses sélectives et l’Alemtuzumab

    6 janvier 2014
  • NNT

    18 décembre 2013
  • Incidence et Prévalence

    13 décembre 2013
  • Risque de sclérose en plaques avec les vaccins (ou autre produit)

    27 novembre 2013
  • Suite des relations avec l’EMA

    20 novembre 2013
  • A la recherche du bon critère d’évaluation

    18 octobre 2013
  • Evénements indésirables rares et loi de Poisson (ou loi binomiale)

    11 octobre 2013
  • Policy 0070 on publication and access to clinical-trial data

    3 septembre 2013
  • Lecture critique (11) : biais ou risque de biais,

    30 août 2013
  • Ô temps, suspends ton vol ! … de données valides

    16 juillet 2013
  • Individual Patient Data (IPD) : une nécessaire mise à disposition de la communité scientifique

    11 juillet 2013
  • P…. d’effet placebo !

    2 juillet 2013
  • Règles CONSORT pour les essais tronqués

    27 juin 2013
  • Lecture critique (10) : Les analyses de sous-groupes

    26 juin 2013
  • Alltrials pour les biais de publication… et les autres biais?

    19 juin 2013
  • Lecture critique (9) : L’aveugle dans les essais cliniques.

    10 juin 2013
  • Analyse critique (8) : La cohérence externe

    5 juin 2013
  • Je viens de télécharger les analyses de la FDA sur Tecfidera ®

    18 mai 2013
  • La puissance

    12 mai 2013

(c) 2013 Etudes & Biais -