La méta-analyse
Meta_Epidemio_SP_2016
Meta_Epidemio_SP_2016
Create successful ePaper yourself
Turn your PDF publications into a flip-book with our unique Google optimized e-Paper software.
<strong>La</strong> <strong>méta</strong>-<strong>analyse</strong><br />
Un guide de survie<br />
Stéphane Potvin, PhD<br />
Charles-Édouard Giguère, MSc<br />
Centre de recherche<br />
Institut Universitaire en Santé Mentale de Montréal<br />
Département de psychiatrie<br />
Université de Montréal
<strong>La</strong> science nous protège-t-elle du dogme ?<br />
‣ Nature humaine<br />
• Tendance à retenir les informations conformes à nos idées<br />
et à mettre de côté les informations qui sont contraires à<br />
nos opinions<br />
‣ Les forces de la science<br />
• <strong>La</strong> méthodologie<br />
• Les statistiques<br />
‣ Les points de vulnérabilité<br />
• Rejet des résultats négatifs, et sur-évaluation des résultats<br />
positifs<br />
• L’influence politique (recherche appliquée au Canada)<br />
• L’influence financière (le Big Pharma)<br />
• Les effets de mode (les boissons énergisantes)<br />
• <strong>La</strong> littérature “grise”
<strong>La</strong> revue de littérature narrative<br />
‣ Le potentiel de biais peut être élevé<br />
• Revue de littérature non-exhaustive<br />
• Sur-estimation de l’importance des études favorables à l’hypothèse<br />
• Sous-estimation de l’importance des études défavorables à<br />
l’hypothèse<br />
‣ Exemples<br />
• <strong>La</strong> perception de la douleur dans la dépression majeure (Campbell,<br />
2003)<br />
‣ Revue de littérature systématique<br />
• Sur-estimation de l’importance des études favorables à l’hypothèse<br />
• Sous-estimation de l’importance des études défavorables à<br />
l’hypothèse<br />
‣ Méta-<strong>analyse</strong><br />
• Revue de littérature systématique<br />
• Analyse quantitative
Les étapes de la <strong>méta</strong>-<strong>analyse</strong><br />
‣ 1) Identifier une question de recherche<br />
‣ 2) Critères d’inclusion / exclusion des articles<br />
‣ 3) Cueillette des articles (PubMed, PsycInfo, etc.)<br />
‣ 4) Quality assessment<br />
‣ 5) Entrée des données<br />
‣ 6) Analyses statistiques (taille de l’effet)<br />
‣ 7) Vérification de l’hétérogénéité<br />
‣ 8) Analyses secondaires<br />
‣ 9) Rédaction de l’article
Les forces de la <strong>méta</strong>-<strong>analyse</strong> I<br />
‣ 1) Puissance statistique<br />
• Exemple: Antipsychotiques<br />
• α=0.05 ; β=0.85<br />
• Différence de 20% entre les 2 groupes (d=0.35)<br />
• 150 patients par groupe<br />
• 1% des 2000 premières études répondent à ces<br />
critères (Thornley & Adams, 1998)<br />
‣ 2) Identification de la taille des effets<br />
• Il s’agit d’une information que le p-value ne nous donne<br />
pas directement<br />
‣ 4) Facilité des comparaisons<br />
• Multitude des stats<br />
• Multitudes d’échelles
Les forces de la <strong>méta</strong>-<strong>analyse</strong> II<br />
‣ 5) Déterminer si les résultats de études publiées sont homogènes ou<br />
hétérogènes<br />
‣ 6) Identification de variables modératrices<br />
• Exemple1: Antidépresseurs & suicide<br />
• Temps 1: No problem<br />
• Temps 2: Antidépresseurs suicide<br />
• Temps 3: Antidépresseurs ↑ suicide… chez les ados,<br />
• Mais ↓ suicide chez les adultes (Barbui et al., 2009)<br />
• Exemple 2: Les antidépresseurs sont-ils efficaces ?<br />
• Temps1: C’est évident<br />
• Temps2: Inclusion des études non-publiées (Kirsch et al., 2008)<br />
Ce n’est plus évident du tout<br />
• Temps3: Efficacité ssi dépression = relativement sévère (Khin, 2011)
Les forces de la <strong>méta</strong>-<strong>analyse</strong> III<br />
Identification de variables modératrices<br />
‣ 7) Identification de guides méthodologiques pour les études futures<br />
‣ 8) Scepticisme par rapport aux idées reçues<br />
• Exemple: Affect plat et schizophrénie<br />
‣ 9) Confirmation d’hypothèses reçues avec scepticisme<br />
• Exemple: L’indifférence à la douleur dans la schizophrénie<br />
o<br />
o<br />
o<br />
o<br />
15 études expérimentales<br />
Sitmuli thermiques, électriques, etc.<br />
Seuils de douleur et de tolérance plus élevés dans la SCZ<br />
Valable pour les patients drug-free
Les étapes de la <strong>méta</strong>-<strong>analyse</strong><br />
‣ 1) Identifier une question de recherche<br />
• Publication du protocole de la <strong>méta</strong>-<strong>analyse</strong><br />
• Pas seulement pour les <strong>méta</strong>-<strong>analyse</strong>s Cochrane<br />
‣ 2) Critères d’inclusion / exclusion des articles<br />
• Étape cruciale<br />
‣ Critères d’inclusion/exclusion<br />
Impact sur la qualité des études<br />
Impact sur l’hétérogénéité<br />
Impact sur les résultats !<br />
‣ Exemple (Leucht, 2016); 40 études<br />
• <strong>La</strong> clozapine n’est pas plus efficace que les autrres antipsychotiques<br />
pour les patients qui sont “treatment-resistant”<br />
• Olanzapine: UNE mauvaise réponse pharmacologique préalable<br />
• Clozapine: DEUX mauvaises résponses, incluant une mauvaise<br />
réponse évaluée de façon prospective
‣ 3) Cueillette des articles<br />
Les étapes de la <strong>méta</strong>-<strong>analyse</strong><br />
• Medline, PsycInfo, Embase, Current Contents, Cochrane,<br />
etc.<br />
• Medline ne suffit pas: 60% des articles seulement…<br />
• Keywords: “restreints” versus “larges”<br />
• Lecture des articles > abstracts<br />
• “cross-referencing”<br />
• Rapports gouvernementaux<br />
• Thèses<br />
• Problème de la langue étrangère (cytokines)<br />
• Entreprise pharmaceutique<br />
• Culture des résultats positifs<br />
‣ <strong>La</strong> psychose et l’attribution d’une signification émotionnelle à des<br />
stimuli... neutres<br />
• PubMed: 15 articles<br />
• Google scholar: 40 articles
Les étapes de<br />
la <strong>méta</strong>-<strong>analyse</strong><br />
‣ NE PAS oublier de<br />
noter les raisons<br />
pour lesquelles vous<br />
excluez des études<br />
‣ Raisons<br />
macroscopiques<br />
o Revue de<br />
littérature, etc.<br />
‣ Raisons<br />
microscopiques<br />
o Données<br />
manquantes<br />
‣ Refaire cette étape à<br />
la toute fine est<br />
clairement néfaste<br />
pour la santé<br />
mentale
Les étapes de la <strong>méta</strong>-<strong>analyse</strong><br />
‣ 4) Évaluation de la qualité des études / risque de biais<br />
‣ Essais randomisés contrôlés<br />
• Randomisation: Oui ou non; si oui, quelle procédure ?<br />
• Insu: Simple ou double ?<br />
• Perte au suivi: Analyses “intention to treat” ?<br />
• Outcomes: Le choix des outcomes est-il bon ?<br />
Les outcomes sont-ils tous rapportés ?<br />
‣ Études observationnelles<br />
• Le choix des critères d’inclusion et d’exclusion<br />
• Le choix des mesures d’outcomes<br />
• Les facteurs confondants<br />
• Le devis de l’étude: Transversal ou longitudinal ?
Les étapes de la <strong>méta</strong>-<strong>analyse</strong><br />
‣ 5) Entrée des données<br />
• À deux...<br />
• À l’insu de l’autre<br />
• Données manquantes contacter les auteurs<br />
‣ 6) Analyses statistiques (taille de l’effet)<br />
‣ 7) Vérification de l’hétérogénéité<br />
‣ 8) Analyses secondaires<br />
• Étape cruciale<br />
‣ 9) Rédaction de l’article: Recommandations de PRISMA<br />
• PRISMA = Preferred Reporting Items for Systematic Reviews<br />
and Meta-Analysis<br />
• Récapitulation de tout ce que nous aurons vu aujourd’hui
Les stats <strong>méta</strong>-analytiques I<br />
‣ Calcul de la taille de l’effet<br />
– –<br />
• Cohen’s d = ( X 1 – X 2 )<br />
σ (pooled SD)<br />
‣ Taile de l’effet ≈ score-z<br />
‣ Score-z = (score de l’individu x – moyenne du groupe)<br />
écart-type du groupe<br />
‣ Taille de l’effet = une mesure d’écart-type<br />
souplesse<br />
• Exemple: Aggrégation de différentes échelles de<br />
dépression
Les stats <strong>méta</strong>-analytiques II<br />
‣ Facteurs influençant la taille de l’effet<br />
• Écart entre les moyennes<br />
• <strong>La</strong> variabilité<br />
‣ L’influence de la variabilité<br />
• Score-z et QI<br />
• > écart-type < taille de l’effet<br />
‣ Niveau de signification<br />
• Taille de l’échantillon<br />
‣ Par convention<br />
• Cohen’s d = 0.2 (effet faible)<br />
• Cohen’s d = 0.5 (effet modéré)<br />
• Cohen’s d = 0.8 (effet fort)<br />
‣ Prière de faire preuve de<br />
jugement
Une grande flexibilité statistique<br />
‣ <strong>La</strong> taille de l’effet peut être calculée à partir de<br />
• Moyenne & écart-type<br />
• Test-t (gr indép, mesures répétées)<br />
• ANOVA (gr indép, mesures répétées)<br />
‣ Souplesse des devis expérimentaux<br />
• Comparaison entre groupes<br />
• Suivi dans le temps<br />
• Plans mixtes<br />
‣ Les amalgames sont aussi possibles<br />
• Corrélation, chi-carré, odds ratios, etc.<br />
• Attention: Source d’hétérogénéité<br />
‣ Exception: Les statistiques non-paramétriques<br />
• Problématique dans le cas des variables biologiques
Les fréquences: le choix de l’outcome<br />
comparaisons<br />
relatives<br />
‣ Odds ratio<br />
• (événement / non-événement ds Groupe 1)<br />
(événement / non-événement ds Groupe 2)<br />
‣ Relative risk (risk ratio)<br />
• Événement / n ds Groupe 1<br />
Événement / n ds Groupe 2<br />
‣ Choix<br />
• Si événement = rare, alors relative risk = odds ratio<br />
• Si événement = commun, alors odds ratio > risque relatif<br />
‣ Données nécessaire<br />
• Odds ratio + intervalle de confiance ou erreur type<br />
• Événement + N dans chaque groupe
Aggrégation des tailles de l’effet<br />
‣ Pondération des études en fonction de la taille de leur échantillon<br />
• Méthode de la variance inverse<br />
• On cherche à éviter à donner autant de poids à une petite étude qu’à la<br />
grande étude multi-centrique<br />
‣ Cohen’s d versus odds ratios<br />
• Les formules varient, mais les principes sont les mêmes<br />
‣ Modèle à effet fixe<br />
‣ Postulat implicite<br />
• Les différentes études réunies dans la <strong>méta</strong>-<strong>analyse</strong> sont comparables<br />
• Elles représentent différents d’une même population théorique<br />
• Confiance taille de l’échantillon<br />
√<br />
‣ Poids = 1 / variance (SE 2 ); ou SE = 1 + 1 + d 2<br />
( )<br />
N 1 N 2 2 x (N 1 + N 2 )
Aggrégation des tailles de l’effet<br />
‣ Aggrégation 2 problèmes principaux<br />
• Les petits échantillons<br />
• L’hétérogénéité des “effect size”<br />
‣ 1) Les petits échantillons<br />
• Solution: g de Hedges versus d de Cohen<br />
‣ 2) L’hétérogénéité<br />
• Test Q de Cochrane<br />
‣ Que faire s’il y a de l’hétérogénéité ?<br />
• A. Repenser à la pertinence de la <strong>méta</strong>-<strong>analyse</strong><br />
g = d x 1 –<br />
(<br />
3<br />
)<br />
4 x ( dl -1 )<br />
• B. Cochrane: Rapporter les tailles de l’effet pour les études individuelles,<br />
sans faire d’agrégation<br />
• Exemple: Imagerie fonctionnelle et individus à haut risque (Fusar-Poli,<br />
2007)<br />
• C. Identification d’études outliers<br />
• D. Application d’un modèle qui tient compte de l’hétérogénéité<br />
• E. Réalisation de sous-<strong>analyse</strong>s en vue d’expliquer l’hétérogénéité
Hétérogénéité<br />
‣ Cochran’s Q = mesure de la variation typique de chaque effect<br />
size par rapport au composite effect size<br />
• Calcul: Somme des carrés (effets de l’étude individuelle vs effet<br />
composé), pondérée en fonction de la taille de l’échantillon<br />
‣ Cochran’s Q ≠ puissant si nombre d’études est faible<br />
‣ Cochran’s Q = trop sensible si nombre d’études est élevé<br />
‣ I 2 = “correction” du Q-test en fct du n d’études<br />
• Pourcentage de la variance totale de la <strong>méta</strong>-<strong>analyse</strong> qui est due à<br />
l’hétérogénéité inter-études<br />
‣ Convention (Higgins, 2006)<br />
• I 2 = 25% faible hétérogénéité<br />
• I 2 = 50% modérée<br />
• I 2 = 75% forte (inter > intra)<br />
I 2 = Q – (n d’études -1)<br />
Q
Solutions au problème de l’hétérogénéité<br />
‣ 1. Identification des sources d’hétérogénéité<br />
• A) Les types d’études<br />
• Exemple: Contrôlée ou non; transversale vs longitudinale<br />
• B) Les populations à l’étude<br />
• Exemple: Scz seulement vs scz et autres<br />
• C) Les types de statistiques<br />
• Attention à la poutine statistique<br />
• En particulier: Gr indép & mesures répétées<br />
• D) L’outcome et sa mesure<br />
• Exemple: <strong>La</strong> cognition dans la schizophrénie !<br />
‣ Solution = <strong>analyse</strong>s de sous-groupes
Le casse-tête cognitif<br />
‣ Quel domaine cognitif est mesuré<br />
par la tâche de Stroop ?<br />
• Attention sélective<br />
• Flexibilité cognitive<br />
(fonctions exécutives)<br />
• Vitesse psychomotrice<br />
‣ Solution: Experts & <strong>analyse</strong>s<br />
factorielles<br />
o<br />
o<br />
MATRICS<br />
Stroop vitesse psychomotrice
Standard Error<br />
Solutions au problème de l’hétérogénéité<br />
‣ 2. Identification d’études “outliers”<br />
• Méthodes?<br />
• Funnel plot<br />
• 2 écarts-type<br />
• Absence de recoupement<br />
entre les intervalles de<br />
confiance<br />
• Analyses de sensibilité<br />
(one study removed)<br />
‣ 3. Random- versus fixed-effect model<br />
• “fixed-effect” (Hedges-Olkin):<br />
variabilité intra<br />
• “random-effect” (DerSimonian &<br />
<strong>La</strong>ird): variabilité intra & inter<br />
0,0<br />
Funnel Plot of Standard Error by Std diff in means<br />
• Raison stat + raison métho<br />
• Exemple: Psychol Med<br />
• Cannabis et symptômes<br />
dans la SCZ<br />
0,1<br />
0,2<br />
0,3<br />
0,4<br />
0,5<br />
-3 -2 -1 0 1 2 3<br />
Std diff in means
Axis Title<br />
4. Sous-<strong>analyse</strong>s<br />
‣ Variables modératrices catégorielles<br />
• Regroupement des études en fonction de certaines<br />
caractéristiques catégorielles<br />
• Taux d’abandon dans la SCZ (13%); interventions psy<br />
• 74 RCTs; 4374 patients; 26 semaines<br />
• Avec Kathe Villeneuve & Dr Alain Lesage<br />
• Exemple: Hommes SCZ > taux d’abandon<br />
‣ Variables modératrices continues<br />
‣ Analyses de <strong>méta</strong>-régression<br />
• Relation linéaire entre les effect size<br />
et les variables modératrices<br />
100.0<br />
50.0<br />
0.0<br />
-50.0<br />
-100.0<br />
0 5 10 15 20 25<br />
-150.0<br />
Axis Title
Hedges's g<br />
‣ Antipsychotiques & leptine<br />
• Hormone inhibant l’appétit<br />
Méta-régression I<br />
‣ 28 études, 39 bras, 819 patients; 14 semaines; avec Dr Stip<br />
• Principaux antipsychotiques: Olanzapine (17) >>> autres<br />
‣ Composite effect size: g=0.53<br />
• Hétérogénéité<br />
• Clozapine, olanzapine, quetiapine > rispéridone & halopéridol<br />
• Drug-naive + drug-free > antipsychotique<br />
‣ Méta-régression<br />
• Relation avec IMC<br />
• Cholest, trigly<br />
2,00<br />
1,78<br />
1,56<br />
1,34<br />
Regression of BMI on Hedges's g<br />
‣ Interprétation ?<br />
• Leptine ↓ appétit<br />
1,12<br />
0,90<br />
0,68<br />
0,46<br />
0,24<br />
0,02<br />
-0,20<br />
-1,30 -0,65 -0,01 0,64 1,28 1,93 2,58 3,22 3,87 4,51 5,16<br />
BMI
Méta-régression II<br />
‣ Méta-<strong>analyse</strong> de Geddes, 2000<br />
• Efficacité de typiques versus atypiques<br />
‣ 52 essais randomisés<br />
• Efficacité: Atypiques = typiques<br />
• Atypiques moins de SEP (akathisie, park, dystonie, dysk)<br />
‣ Problème<br />
• Antipsychotique comparateur = halopéridol<br />
• SEP = dépendants de l’occupation des récepteurs D 2 ,<br />
donc, dépendants de la dose utilisée<br />
‣ Analyse de <strong>méta</strong>-régression<br />
• Effect size & dose de l’halopéridol<br />
• SEP: Absence de différence entre typiques et atypiques,<br />
une fois la dose d’halopéridol contrôlée
Sous-<strong>analyse</strong>s catégorielles:<br />
Les règles du pouce<br />
‣ 1) Limiter le nombre de sous-<strong>analyse</strong>s catégorielles<br />
• Si vous avez d’excellentes raisons a priori de réaliser<br />
plusieurs sous-<strong>analyse</strong>s, appliquer alors une correction de<br />
Bonferonni<br />
‣ 2) <strong>La</strong> taille de l’effet est-elle différente entre les différents<br />
sous-groupes?<br />
• Réponse: Test d’hétérogénéité pour la comparaison entre les<br />
sous-groupes (between)<br />
‣ 3) Si oui, est-ce que ces effets sont homogènes ?<br />
• Réponse: Test d’hétérogénéité pour chacun des<br />
sous-groupes
Méta-régression: Les règles du pouce<br />
‣ 1) <strong>La</strong> <strong>méta</strong>-régression est une <strong>analyse</strong> de régression en contexte <strong>méta</strong>analytique<br />
• Modèle à effets fixes (pondération en fct de la taille de l’échantillon)<br />
• Modèle à effets aléatoires (variabilité intra- et inter-études)<br />
‣ 2) Limiter le nombre d’<strong>analyse</strong>s de <strong>méta</strong>-régression<br />
• Si vous avez d’excellentes raisons a priori de réaliser plusieurs <strong>analyse</strong>s de<br />
<strong>méta</strong>-régression, appliquer alors une correction de Bonferroni<br />
‣ 3) Au moins une dizaine d’études<br />
‣ 4) Deux éléments à considérer sur le plan statistique<br />
• Y a-t-il une relation linéaire entre votre co-variable d’intérêt et la taille des<br />
effets des études individuelles ?<br />
• L’hétérogénéité résiduelle demeure-t-elle significative ?<br />
‣ 5) Possibilté de régression multiple !!! (dans CMA-v3)<br />
‣ 6) Ce qui vaut à l’échelle du groupe ne vaut pas forcément à l’échelle de<br />
l’individu<br />
• <strong>La</strong> co-variable est-elle une moyenne ou une variable fixe ?<br />
‣ 7) NE PAS interpréter les résultats en termes de causalité
Quelques pièges communs<br />
1. les devis mixtes<br />
2. stats non-ajustées
1. Les devis mixtes<br />
Temps Rx Placebo<br />
Baseline 40 40<br />
Fin d’étude 20 30<br />
Changement 50% 25%<br />
‣ IDÉAL<br />
o<br />
o<br />
Grand échantillon<br />
Les 4 quadrants<br />
Temps Rx Placebo<br />
Baseline 40<br />
Fin d’étude 20<br />
Changement 50%<br />
Temps Rx Placebo<br />
Baseline<br />
Fin d’étude 20 30<br />
Changement<br />
‣ RÉALITÉ<br />
o<br />
o<br />
o<br />
Petit échantillon<br />
Deux quadrants<br />
Nouvelles interventions
1. Les devis mixtes (suite)<br />
Temps Rx Placebo<br />
Baseline 40 40<br />
Fin d’étude 20 30<br />
Changement 50% 25%<br />
‣ Si mesures répétées, alors<br />
corrélation pré-post peut<br />
être nécessaire… Or, c’est<br />
rarement rapporté…<br />
‣ Convention: r=0.7<br />
‣ Des biais potentiels ?<br />
Temps Rx Placebo<br />
Baseline 40<br />
Fin d’étude 20<br />
Changement 50%<br />
Temps Rx Placebo<br />
Baseline 40 40<br />
Fin d’étude 20 20<br />
Changement 50% 50%<br />
Temps Rx Placebo<br />
Baseline<br />
Fin d’étude 20 30<br />
Changement<br />
Temps Rx Placebo<br />
Baseline 40 60<br />
Fin d’étude 20 30<br />
Changement 50% 50%
Selective serotonin reuptake inhibitor (SSRI) add-on therapy<br />
for the negative symptoms of schizophrenia: a meta-analysis.<br />
Sepehry AA, Potvin S, Élie R, Stip E.<br />
Journal of Clinical Psychiatry 2007; 68 (4): 604-10.<br />
‣ Identification de 11 études évaluants les ISRS dans le traitement<br />
des symptômes négatifs de la schizophrénie<br />
• N=393<br />
‣ Calcul de la taille de l’effet “composé”<br />
• Endpoint data<br />
• Résultat? g= 0.178 (NS)<br />
‣ Par précaution, calcul du “composite effect size” à partir des<br />
données “baseline”<br />
• Résultat? g= -0.179 (p=0.072)<br />
‣ Statistiques ajustées en fonction de ce biais<br />
• Résultat: effet = nul ou presque
‣ Étude pionnière<br />
2. Les statistiques ajustées<br />
• Andreasson et al., 1987<br />
‣ Critiques<br />
• Traits psychotiques préalables<br />
• Autres drogues d’abus<br />
• Consommation de cannabis durant follow-up<br />
• Dx établi à partir de dossiers médicaux<br />
‣ Études subséquentes<br />
• RÉFÉRENCES: van Os, 2002; Zammit, 2002; Arsenault, 2002;<br />
Fergusson, 2003; Fergusson, 2005<br />
‣ Facteurs confondants<br />
• Âge du début de la consommation<br />
• Traits psychotiques préalables<br />
• Autres drogues<br />
• Quantités de cannabis consommées
Cannabis as a risk factor for psychosis:<br />
systematic review. Semple DM, McIntosh Am, <strong>La</strong>wrie SM.<br />
Journal of Psychopharmacology 2005; 19 (2): 187-94<br />
‣ Études / échantillon<br />
• 7 études transversales / longitudinales<br />
• N total = des miliers et des miliers de patients<br />
‣ Résultats<br />
• Unadjusted odds ratio = 2.9<br />
Cannabis use and risk of psychotic<br />
or affective mental health outcomes: a systematic review.<br />
Moore THM, et al. The <strong>La</strong>ncet 2007; 370: 319-28.<br />
‣ Études / échantillon<br />
• 7 études transversales / longitudinales<br />
• N total = des miliers et des miliers de patients<br />
‣ Résultats<br />
• Adjusted odds ratio = 1.4
Le biais de publication<br />
‣ Problème de la non-publication des résultats négatifs (file<br />
drawer problem)<br />
‣ Danger = sur-estimation des effets<br />
• Exemple des entreprises pharmaceutiques<br />
‣ Solution = fail-safe<br />
• Le nombre d’études supplémentaires pour invalider un<br />
résultat significatif<br />
‣ Exemple:<br />
• Analyse portant sur 4 études (IL-8)<br />
• Fail-safe: 25 études<br />
• Nous: 1 étude…<br />
‣ Conclusion: Fail-safe fails to be safe ?<br />
• P-value > taille de l’effet
‣ Fail-safe<br />
• Classique (Rosenthal)<br />
Le biais de publication<br />
• Orwin: <strong>La</strong> moyenne des ES des études supplémentaires est<br />
déterminée par l’auteur<br />
‣ Egger’s Test (para)<br />
• d précision<br />
‣ Begg’s Test (non-para)<br />
• d (rang) précision
Le biais de publication<br />
‣ Méthode “Trim and Fill” de Duval and Tweedie (2000)<br />
‣ Processus itératif<br />
• Élimination des études (une à la fois) contribuant<br />
à l’asymmétrie des tailles de l’effet<br />
• Re-calcul (à chaque fois de la nouvelle taille de l’effet composé)<br />
• But: Atteinte de la symétrie des tailles de l’effet<br />
• Ré-introduction des études contribuant à l’asymmétrie<br />
• Introduction des études “miroir” imputées<br />
• Re-calcul de la nouvelle taille de l’effet composée<br />
‣ Intérêt: Seule méthode qui permet de<br />
calculer la taille de l’effet composée...<br />
s’il n’y avait pas eu de biais de publication<br />
‣ Limite: Postulat relatif à la symmétrie des<br />
tailles de l’effet
Biais de publication: L’empire du doute<br />
‣ Les estimés signalent-ils forcément un biais de publication ?<br />
‣ Exemple 1<br />
• Postulons une relation entre la taille de l’effet et la taille de<br />
l’échantillon dans les essais pharmacologiques sur l’efficacité<br />
des antipsychotiques<br />
• Or: On sait que les essais plus récents produisent des effets<br />
thérapeutiques plus petits... parce que les effets placbo sont plus<br />
prononcés !<br />
• Raison: Meilleure prise en charge (exigence éthique)<br />
• Or: Les essais plus récents sont généralement plus larges<br />
‣ Exemple2<br />
• Vous observez une relation entre la prévalence de l’utilisation de<br />
l’ECT et la taille de la population de référence<br />
• Or: Dans votre pool , les petites études proviennent de petits<br />
pays offrant beaucoup de services (comme la Suède), alors que<br />
les grandes études proviennent de pays en développement...
N=50<br />
N=500<br />
Le modèle à effets aléatoires règle tout...<br />
Model Study name Std diff in means and 95% CI Weight (Fixed)<br />
Std diff<br />
Relativ e Relativ e Relativ e Relativ e<br />
in means weight weight weight weight<br />
Bob 2.500 0.28 3.41<br />
Jack 2.000 0.66 4.31<br />
Jim 1.500 1.16 4.70<br />
Steve 1.500 1.54 4.84<br />
Dan 1.000 2.20 4.98<br />
John 1.000 2.64 5.04<br />
Mike 1.000 3.08 5.08<br />
Greg 1.000 3.52 5.11<br />
Ray 0.500 4.32 5.15<br />
Rick 0.500 4.80 5.17<br />
Mitch 0.500 5.28 5.18<br />
Ben 0.500 5.76 5.19<br />
Rob 0.300 6.36 5.21<br />
Sean 0.300 6.85 5.22<br />
James 0.300 7.34 5.22<br />
Ken 0.300 7.83 5.23<br />
Mick 0.200 8.37 5.24<br />
Nat 0.200 8.86 5.24<br />
Marc 0.200 9.35 5.25<br />
Dave 0.200 9.84 5.25<br />
Fixed 0.434<br />
-2.00 -1.00 0.00 1.00 2.00<br />
Fav ours A<br />
Meta Analysis<br />
Fav ours B<br />
Fixe<br />
Aléatoire<br />
Fixe: d=0.43<br />
Meta Analysis<br />
Aléatoire: d=0.73
Les solutions au biais de publication<br />
‣ Les revues Open Access<br />
• Évaluation de la méthodologie, PAS de la pertinence de la<br />
problématique<br />
• Qualité scientifique parfois douteuse<br />
• Montée de la Chine et de l’Inde<br />
‣ En psychopharmacologie<br />
• Permet de retracer les études non-publiées<br />
• De plus en plus impossible de publier sans enregistrement<br />
• Ça ne règle pas forcément tous les problèmes<br />
• Interventions psychosociales: Un retard qui est en train de se<br />
rattraper
<strong>La</strong> frilosité du Big Pharma<br />
‣ Le problème: <strong>La</strong> peur des comparaisons peu<br />
flatteuses<br />
• Solution: Multiple-treatments meta-analysis<br />
• Comparaisons directes et indirectes<br />
• Les principes de base sont similaires (taille de<br />
l’effet, hétérogénéité, biais de publication,<br />
etc.)<br />
‣ Deux postulats<br />
• 1) Les études impliquées dans les<br />
comparaisons indirectes sont comparables<br />
• 2) Cohérence: Il y a concordance entre les<br />
estimés directs et indirects<br />
‣ Exemple: Leucht et al., 2011<br />
o 212 RCTs; 15<br />
anti-psychotiques; phase<br />
aigue<br />
‣ Outcomes: Symptômes, effets<br />
secondaires neurologiques,<br />
prolactine, gain de poids<br />
‣ Résultats similaires aux<br />
<strong>méta</strong>-<strong>analyse</strong>s traditionnelles<br />
‣ Agrégation des effets = complexe<br />
• Statistiques bayésiennes estimation de la<br />
probabilité qu’une intervention soit la<br />
meilleure rang
<strong>La</strong> question qui tue…<br />
‣ Quel domaine de la recherche psychiatrique est la plus biaisée ?<br />
o<br />
1) <strong>La</strong> génétique<br />
o<br />
2) <strong>La</strong> psychopharmacologie<br />
o<br />
3) <strong>La</strong> recherche sur les interventions psychosociales<br />
o<br />
4) L’imagerie cérébrale<br />
o 5) <strong>La</strong> recherche sur les outils de dépistage ?
<strong>La</strong> neuro-imagerie<br />
‣ Fusar-Poli, 2014; Hum Brain Mapp<br />
‣ 324 études en “voxel-based morphometry”<br />
• Troubles neurologiques et psychiatriques<br />
• Taille moyenne de l’échantillon=47<br />
‣ Normalement, les études avec de plus grands échantillons devraient<br />
permettre de détecter davantage de différences entre les groupes<br />
• Plus de puissance statistique<br />
‣ Observation: Le contraire !<br />
• Plus les échantillons sont petits, et plus les études détectent un nombre<br />
grand de régions où il ya des différences entre les groupes<br />
‣ BREF: Les résultats des petites études négatives n’ont probablement<br />
pas été rapportées
Les interventions psychosociales<br />
‣ Driessen, 2015; PLoS One<br />
o<br />
o<br />
o<br />
Interventions psychosociales, dépression majeure<br />
“Any intervention in which verbal communication between<br />
therapist and client“<br />
Outcome unique: Symptômes dépressifs<br />
‣ 55 études financées par la National Institute of Health (NIH)<br />
o<br />
13 études non-publiées<br />
‣ Résultats (versus treatment as usual)<br />
o<br />
o<br />
Études publiées: g=0.5<br />
Études non-publiées: g=0.2<br />
o<br />
Versus pharmacothérapie<br />
o Études publiées: g=0<br />
o Études non-publiées: g= -0.15
Les instruments d’évaluation<br />
du risque de violence ???<br />
‣ Les instruments (9) d’évaluation du risque de violence<br />
‣ Exemples<br />
o<br />
o<br />
Psychopathy Checklist – Revised (PCL-R)<br />
Historical, Clinical, Risk Management-20 (HCR-20; Hare)<br />
‣ Méta-<strong>analyse</strong> (Fazel, 2013; Plos One)<br />
o 83 études (prospectives et rétrospecitives), comprenant 104<br />
échantillons et 30 165 patients<br />
o<br />
o<br />
o<br />
o<br />
Suivi moyen de 54 mois<br />
Notion de validité prédictive<br />
Si créateur / traducteur de l’instrument = co-auteur: OR=6<br />
Si créateur de l’instrument ≠ co-auteur: OR=3<br />
‣ Interprétation: Meilleure formation ? Biais d’authorship ? File drawer<br />
problem ?
Les faiblesses de la <strong>méta</strong>-<strong>analyse</strong><br />
‣ 1) Cueillette des articles<br />
• ≠ toujours exhaustive<br />
‣ 2) Statistiques trop simples<br />
• Stats non-paramétriques = out<br />
• Variables confondantes ≠ bien contrôlées<br />
• Pooled analysis (données brutes) >>> meta-analysis<br />
‣ 3) Hétérogénéité<br />
• Méthodologique, statistique, etc.<br />
‣ 4) Biais de publication<br />
• Les résultats négatifs sont plus difficilement publiés
Qualité de la <strong>méta</strong>-<strong>analyse</strong> ≠ qualité de l’évidence<br />
‣ GRADE = Grading of Recommendations Assessment, Development<br />
and Evaluation<br />
‣ Deux composantes: Taille de l’effet & qualité de l’évidence<br />
‣ Qualité de l’étude<br />
• Devis expérimental: Étude longitudinale > transversale<br />
(si RCT, alors: critères d’évaluation déjà discutés)<br />
• Hétérogénéité des résultats<br />
• Précision (taille de l’échantillon)<br />
• Évidence directe ou indirecte: Symptômes d’allure psychotique versus<br />
schizophrénie;<br />
• Biais de publication<br />
‣ Évaluation globale: Qualité élevée, modérée, faible, très faible
Les effets cognitifs de l’alcool<br />
‣ Stavro (Addiction Biology, 2013)<br />
‣ Contexte <strong>méta</strong>-analytique<br />
o Effets cognitifs du cannabis (d=0.2) (Grant, 2003)<br />
o Effets cognitifs de la cocaïne (jours, années) (Jovanovski, 2005)<br />
(fonctions exécutives, attention, MdT, mémoire explicite)<br />
‣ Problème: <strong>La</strong> durée d’abstinence<br />
o<br />
o<br />
Cannabis: quelques heures…<br />
Cocaïne: forte variabilité, mais pas considérée dans les<br />
<strong>analyse</strong>s…<br />
‣ Alcool = facteur de risque dans le développement de la démence<br />
o Quelles fonctions sont les plus atteintes ?<br />
o<br />
Controverse par rapport aux effets cognitifs résiduels
Les modèles théoriques<br />
‣ Modèles théoriques<br />
o Effets frontaux (Uekermann, 2003)<br />
o Effets latéralisés (Ratti, 2002)<br />
o Effets diffus (Parsons, 1998)<br />
‣ Fouille<br />
o<br />
o<br />
o<br />
Mots clés les plus larges possible<br />
Logiciels: PubMed, Embase, Ovid & revues de littérature<br />
En anglais seulement<br />
‣ Critères d’inclusion / exclusion<br />
o<br />
o<br />
o<br />
o<br />
o<br />
o<br />
Abus ou dépendance à l’alcool<br />
Pas de binge drinking, pas de heavy drinking<br />
Pas d’autres substances psychoactives (sauf tabac)<br />
Pas de trouble psychiatrique<br />
Pas de démence<br />
Tests cognitifs validés
<strong>La</strong> <strong>méta</strong>-<strong>analyse</strong> (suite)<br />
‣ Le défi des domaines cognitifs<br />
o<br />
4 méthodes<br />
o<br />
o<br />
o<br />
o<br />
Lezack<br />
Les <strong>analyse</strong>s factorielles<br />
(alcool)<br />
Les autres <strong>méta</strong>-<strong>analyse</strong><br />
Consensus<br />
‣ 12 domaines cognitifs retenus<br />
‣ Classification des tests (et des sousscores)<br />
selon un accord inter-juge<br />
entre KS, JP & SP<br />
Domain cognitif<br />
Attention<br />
Apprentissage<br />
verbal<br />
Apprentissage<br />
visuel<br />
Fluidité verbale<br />
Fonctions<br />
exécutives<br />
Habiletés visuospatiales<br />
Impulsivité<br />
Mémoire de travail<br />
Mémoire verbale<br />
Mémoire visuelle<br />
Quotient<br />
intellectuel<br />
Vitesse<br />
psychomotrice<br />
Exemple de test<br />
Continuous<br />
Performance Test<br />
CVLT, immédiat<br />
Weschler, immédiat<br />
COWAT<br />
WCST, Tour de Londres<br />
Block Design, WAIS<br />
Go/No-Go<br />
Letter-number<br />
sequencing<br />
CVLT, différé<br />
Weschler, différé<br />
WAIS<br />
TMT-A / TMT-B
<strong>La</strong> durée de l’abstinence<br />
‣ Autre défi<br />
o<br />
o<br />
Comment regroupe-t-on les études en fonction de leur durée<br />
d’abstinence ?<br />
Premier constant visible à l’œil nu: 1 an<br />
o Pour les autres études: « mean split »<br />
‣ 3 groupes d’études:
Les résultats<br />
‣ 62 études, 5032 participants<br />
‣ Abstinence de moins d’1 mois<br />
o Les effets cognitifs oscillent entre 0.4 et 0.6<br />
o À l’exception du QI (0.3)<br />
o Homogénéité des résultats !<br />
‣ Abstinence entre 1 mois et 1 an (moyenne=3 mois)<br />
o Les effets cognitifs oscillent entre 0.4 et 0.6<br />
o À l’exception du QI (0.25)<br />
o Homogénéité des résultats !<br />
‣ Abstinence de plus d’1 an<br />
o Les effets oscillent autour de 0.2<br />
o Homogénéité des résultats !
Conclusions<br />
‣ 1) Les effets cognitifs de l’alcool sont diffus<br />
‣ 2) Après 1 an d’abstinence, le fonctionnement cognitif des alcooliques est<br />
redevenu à la normale<br />
‣ GRADE<br />
o<br />
‣ Forces<br />
o<br />
Taille l’effet = modérée<br />
Nombre d’études & taille de l’échantillon<br />
o Homogénéité (+++)<br />
o<br />
Critères d’exclusions = serrés<br />
‣ Limites<br />
o<br />
o<br />
o<br />
Biais de survie: Sous-estimation probable des effets cognitifs de<br />
l’alcool<br />
L’effet « dose-réponse » n’a pas été analysé<br />
Pas d’<strong>analyse</strong> du biais de publication…
Récapitulation<br />
‣ Forces<br />
• Puissance statistique<br />
• Appel à la modestie<br />
‣ Faiblesses<br />
• Simplicité des statistiques<br />
• Problème d’hétérogénéité<br />
• File-drawer effect<br />
Cochrane<br />
Handbook<br />
for Systematic<br />
Reviews<br />
of Interventions<br />
Editors: Julian PT<br />
Higgins and Sally Green
SLIDES<br />
SUPPLÉMENTAIRES
Statistiques I<br />
‣ Corrélation de Pearson Cohen’s d<br />
• d = 2r<br />
√1-r 2<br />
‣ Chi-carré Cohen’s d<br />
• d = 2 √ X 2<br />
(n – X 2 )<br />
‣ Number needed to treat (NNT)<br />
• Nombre de participants nécessaires pour réduire l’occurrence de<br />
l’événement X chez 1 seul sujet<br />
• 1 / “risk difference”<br />
‣ Pooled SD (sigma) = racine carrée de ((N 1 -1) x SD 2 )+ ((N 2 -1) x SD 2 )<br />
N 1 + N 2 – 2<br />
‣ Random effect model: poids = 1/variance + T 2<br />
‣ T 2 = (Q – dl) / facteur C (variance intra)
Statistiques III<br />
‣ L’aggrégation des tailles de l’effet dans le cas des variables<br />
dichotomiques: Les recommendations du groupe Cochrane<br />
‣ Effet fixe traditionnel: Méthode de la variance inverse<br />
• Odds ratio, risk ratio ou risk difference<br />
‣ Méthode de Mantel-Haenszel<br />
• Similaire au modèle à effet fixe traditionnel<br />
• Mais supérieur quand il y a peu d’études et/ou quand les<br />
études retenues ont de petits échantillons<br />
• Odds ratio, risk ratio ou risk difference<br />
‣ Méthode de Peto<br />
• Supérieur dans les cas des événements rares, voire, absents<br />
• Odds ratio seulement<br />
‣ Modèle à effet aléatoire: Variance intra- et inter-études<br />
‣ Règle générale: Les différents modèles à effet fixe donnent des<br />
résultats passablement similaires
‣ Méta-régression<br />
Statistiques IV<br />
• Methods of moment (Der Simonian & <strong>La</strong>ird) = default mode<br />
• Si distribution des données ≠ normales<br />
• Unrestricted maximum likelihood<br />
• Si distribution des données = normales<br />
‣ Régression mutliple (CMA v3)<br />
• Z-value: Le prédicteur individuel<br />
• Q-value: Le modèle<br />
• Note: Si 1 prédicteur, alors Z x Z = Q<br />
• R 2 = Pourcentage de la variance des tailles de l’effet expliquée par la<br />
covariable<br />
‣ Notes concernant les odds ratios et les risk ratios<br />
• Méta-régression: Log OR<br />
• Biais de publication: Log OR<br />
‣ Biais de publication: Kendall’s tau<br />
• (Nombre de paires concordantes – nombre de paires discordantes)<br />
n (n-1) / 2