Bernard Taverne, Alice Desclaux, Papa Salif Sow

CHAPITRE II-1Diabète et hypertension artérielle : prévalence et facteurs associésird-00718213, version 1 - 16 Jul 20122.2. Définition des variablesLa variable indépendante principale est représentée parla durée totale d’exposition au traitement ARV : c’est lapériode durant laquelle le patient a reçu un traitementantirétroviral exprimée par la différence entre la date dedernière visite et la date de début des ARV.Les autres variables indépendantes suivantes ont étéétudiées : âge, sexe, indice de masse corporelle (IMC) àl’inclusion, stade clinique à l’inclusion, taux de CD4 àl’inclusion, co-infection par le VHB ou le VHC, IMCactuel, cholestérolémie, triglycéridémie, taux de CD4actuel, charge virale actuelle, durée d’exposition auxdifférentes molécules antirétrovirales.Les variables dépendantes mesurées étaient lessuivantes :- Diabète : glycémie à jeun ≥ 1,26 g/l sur deux mesuresconsécutives ou malade diabétique connu(recevant une prise en charge antidiabétique).- Hypertension artérielle : tension artérielle systolique≥ 140 mm Hg et/ou tension artérielle diastolique ≥ 90mm Hg sur au moins trois mesures à deux semainesd’intervalle après au moins une heure de temps derepos ou malade hypertendu connu (recevant uneprise en charge contre l’hypertension artérielle).Dans le cadre de notre étude, les données étaientrecueillies au cours de visites hebdomadaires auprèsdes cliniciens et des laboratoires à l’aide de fiches derecueil conçues à cette fin.2.3. Analyses statistiquesL’analyse des données a été faite grâce à la version 9du logiciel SAS. Les variables « diabète » et « hypertensionartérielle » étaient codées oui/non en fonctionde leur présence. Les différents taux de prévalenceétaient exprimés par le nombre de patients présentantle caractère recherché/le nombre de patients inclusdans l’étude et l’intervalle de confiance à 95% a étéprécisé pour chaque taux de prévalence.La comparaison des variables catégorielles a étéréalisée grâce au test du khi carré ; en cas de nonvalidité du khi carré, le test exact de Fisher a étéutilisé. La comparaison des moyennes a été faite parle test t de Student ; à défaut l’ANOVA. Les différencesont été considérées comme significatives en casde valeur de p < 0,05.Pour chaque variable dépendante (« diabète » et« hypertension artérielle »), des régressions logistiquesont été réalisées pour identifier les facteursassociés à ces anomalies.• Codage de la variable explicative principaleLa variable explicative principale (durée d’expositionau traitement antirétroviral) étant quantitative, il fallaitvérifier l’hypothèse de linéarité du logit. Pour cela,nous avons estimé deux modèles dont un (M1) avecla variable considérée comme quantitative et unautre (M2) avec la variable transformée en catégorielle.Cette transformation a été faite en quatremodalités avec comme points de coupure les quartiles: ([89 – 98[, [98 – 107[, [107 – 119[, [119 – 139[(mois). La comparaison des rapports de côte (RC)entre les deux modèles a guidé le codage de la variableindépendante principale (conservée en quantitativeou catégorisée).Pour le diabète, la durée d’exposition aux ARV a étécatégorisée en « longue exposition » = « oui » sidurée d’exposition ≥ 119 mois et « non » si cettedurée était < 119 mois.• Analyse univariéeDes modèles de régression logistique simple ont étémis en oeuvre avec comme variables indépendantesou explicatives : durée d’exposition au traitementARV, âge, sexe, IMC à l’inclusion, stade clinique àl’inclusion, taux de CD4 à l’inclusion, charge virale àl’inclusion, co-infection par le VHB ou le VHC, IMCactuel, cholestérolémie, triglycéridémie, taux de CD4actuel, charge virale actuelle, durée d’exposition auxdifférentes molécules antirétrovirales. Toutes lesvariables associées à l’anomalie en question à unseuil de signification (p < 0,2) ont été prises encompte dans un modèle multivarié. Des variablesindicatrices ont été créées pour les catégorielles àplus de deux modalités• Recherche d’interactions entre variable explicativeprincipale et les autresElle a porté sur toutes les autres variables indépendantesdont l’association avec la variable dépendanteétait significative au seuil de 20% en analyseunivariée. Si cette interaction est significative au seuilde 20%, elle est introduite dans le modèle multivariéde départ.• Analyse multivariéeUn modèle de régression logistique multivariée a étéréalisé.Toutes les observations comportant desdonnées manquantes pour les variables introduitesdans le modèle initial ont été supprimées. Le modèle58