Read on Twitter
Thread méthodo https://twitter.com/SagittariusHH/status/1290262927140950016
Quand on veut étudier l'effet d'un traitement ou par rapport à autre à partir d'une étude rétrospective ou observationnelle, il convient d'abord de comparer les 2 gpes de traitement pour chaque variable démographique, médicale (antécédents) ou de prise en charge...
... afin de voir si les groupes sont homogènes ou pas (ce qui est le cas dans la grosse majorité). Dans ce cas, que faire lorsque le gp A a une moyenne d'âge + élevée que B ou le sex-ratio diffère (par exemple)?
=> on effectue un "ajustement" avec ces variables déséquilibrées
=> on effectue un "ajustement" avec ces variables déséquilibrées
càd que lorsqu'on va analyser l'effet de traitement sur notre objectif d'étude (décès, critère aggravation/amélioration...), on va intégrer en + dans le modèle ces variables d'ajustement, permettant ainsi un recalcul et une meilleure estimation de l'effet du traitement
on appelle ça aussi un modèle multivarié (car on incorpore plusieurs paramètres) à l'opposé d'un modèle univarié où l'on étudie l'effet d'une seule variable.
Ici un modèle univarié serait insuffisant car comparer le groupe A vs B ne revient pas à analyser l'effet du traitement, mais comparer 2 groupes avec certes un ttt différent, mais des profils différents... qui peuvent aussi influer sur notre objectif
Alors qd bcp de variables diffèrent d'un groupe à l'autre, on voit dans certaines études l'utilisation de scores de propension. Ce score se construit en estimant la chance qu'une variable se trouve plus dans A ou dans B (grosso modo) ...
... et on les additionne pour chq patient pour obtenir ce score. Intérêt : n'avoir qu'une variable d'ajustement au lieu de plusieurs (bien pour les degrés de liberté). C'est parfois utile lorsqu'on a un petit jeu de données avec bcp de variables, à mon sens.
Parce que les limites sont plus nombreuses qu'on le pense (à mon avis) :
- un même score ne veut pas dire exactement les mêmes caractéristiques entre patients
- faut être attentif à l'adéquation du modèle utilisé pour le score
- j'aime pas "diluer" de l'information de la sorte
- un même score ne veut pas dire exactement les mêmes caractéristiques entre patients
- faut être attentif à l'adéquation du modèle utilisé pour le score
- j'aime pas "diluer" de l'information de la sorte
chacune des variables qui construisent ce score peut avoir un effet potentiel sur notre objectif d'étude et c'est mieux dans la mesure du possible (= effectifs et nbre d'evénements suffisant) les incorporer toutes dans une régression
aussi ce score ne tient pas compte des incertitudes autour des rapport de chances estimés (d'être dans A ou B), ce qui fait écho au fait que j'évite de "diluer" trop d'information dans une variable de synthèse, même si elle joue bien son jeu
Donc si je devais utiliser un score de propension, ce serait si vrmt il y a trop d'hétérogénéité entre des groupes à comparer au regard de l'effectif, en dernier recours quoi. Je privilégierai une analyse multivariée par défaut avec les var d'ajustement.
Voili voulou
Voili voulou
