29 mai 2024
La planification d'un essai randomisé permet de: Analyse sous-groupes
Lors de la présentation des résultats, il est intéressant de vérifier s'il y a une modification de l'effet du traitement selon les caractéristiques des patients mesurés à l'inclusion. Par exemple, la présence d'un biomarqueur pouvant induire une différence qualitative ou quantitative dans l'effet du traitement.
Il s'agit donc de subdiviser la population d'un essai et d'étudier l'efficacité du traitement dans chacun des sous-groupes ainsi créés. Analyse sous-groupes
Le principal intérêt des analyses en sous-groupes est de pouvoir confirmer l'extrapolation du résultat global. En l'absence de différence d'efficacité entre les sous-groupes, les chercheurs considèrent le résultat de l'essai comme représentatif de l'efficacité du traitement sur une large population de patients.
Cette interprétation est délicate, et nécessite un certain nombre de prérequis :
Les analyses en sous-groupes peuvent mettre en évidence l'hétérogénéité, c'est-à-dire des cas où l'effet du traitement dans les sous-groupes diffère de son effet global, et/ou une interaction, quand l'effet du traitement varie d'un sous-groupe à l'autre. Des tests statistiques permettent d'exprimer l'existence d'une hétérogénéité et/ou d'une interaction.
En pratique, l'interprétation des résultats repose sur des schémas qui présentent à la fois l'effet du traitement dans la population totale de l'étude ainsi que dans les sous-groupes d'intérêt, appelés « Forest plots ». Ce qu'il faut regarder, ce sont les intervalles de confiance des effets traitement dans les sous-groupes. Lorsque les intervalles de confiance ne se chevauchent pas entre les différentes strates d'un sous-groupe, cela caractérise une potentielle interaction. Et donc un effet du traitement différentiel entre les strates concernées.
Pour tenir compte que les patients présentent simultanément plusieurs caractéristiques pronostiques pouvant affecter la réponse au traitement, les analyses en sous-groupes sont complétées par des analyses multivariées, qui permettent d'analyser l'effet d'un facteur ajusté sur d'autres facteurs pronostiques.
Références bibliographiques :
Auteur
David PEROL
Directeur de la recherche clinique
Formations liées
Data dissemination et data generation
Une formation avancée pour creuser les nouvelles méthodologies en matière d'essais cliniques, en mesurer les enjeux et limites et anticiper l’évaluation des autorités.
Articles récents