Régression logistique multivariée traditionnelle contre scores de propension : une étude pour mettre fin aux idées préconçues - 09/05/16
Résumé |
Introduction |
Les méthodes d’analyse par score de propension (SP) connaissent un véritable engouement pour prendre en compte les biais de confusion dans les études observationnelles. Un argument évoqué est qu’elles permettent une interprétation causale de l’effet dans la population (effet marginal) en mimant un essai randomisé contrôlé. Dans ce travail, nous montrons que, contrairement aux idées reçues, un modèle de régression multivarié peut être utilisé pour obtenir une telle estimation causale avec un critère de jugement binaire.
Méthodes |
Nous étudions trois méthodes :
– la régression logistique multivariée ;
– l’appariement sur le SP ;
– la pondération sur le SP ou inverse probability treatment weighting (IPTW).
Ces méthodes sont comparées pour l’estimation marginale de trois critères : les probabilités d’évènement selon l’exposition et l’odds ratio (OR) marginal correspondant. Pour la régression multivariée, la probabilité de subir l’évènement dans la population exposée a été estimée par la moyenne des probabilités prédites individuelles de tous les patients de l’échantillon en les supposant exposés. L’OR marginal a été calculé après avoir estimé de manière similaire la probabilité de subir l’évènement sans être exposé. Pour l’appariement sur le SP, un appariement 1:1 a été réalisé (distance<0,2 écart-type du logit du SP). Les proportions marginales ont été estimées par les proportions observées dans chacun des groupes et l’OR marginal a été estimé par régression logistique conditionnelle univariée tenant compte de l’appariement. Pour la méthode IPTW, une régression logistique pondérée a été utilisée avec matrice de covariance robuste. Des simulations ont été réalisées pour étudier les trois méthodes. Puis ces méthodes ont été appliquées pour :
– comparer l’efficacité de deux traitements (natalizumab et fingolimod) pour prévenir la rechute chez des patients atteints de sclérose en plaque de type récurrente ;
– évaluer l’efficacité d’un traitement d’induction déplétant pour prévenir le retard au démarrage du greffon chez des patients transplantés rénaux.
Résultats |
Les résultats des simulations montrent que la régression logistique multivariée et la pondération IPTW sont les plus performantes en termes de biais (proches de zéro) et de variance, avec une meilleure puissance pour la régression multivariée. Appliquées aux données réelles ces deux méthodes ont des estimations marginales comparables. Une efficacité supérieure du traitement natalizumab est ainsi mise en évidence pour prévenir la rechute d’une sclérose en plaque (p<0,05) tandis que cette supériorité n’était pas toujours significative selon les différents appariements aléatoires réalisés sur le SP. Les trois méthodes concluaient à l’efficacité d’un traitement d’induction déplétant pour prévenir un retard au démarrage du greffon rénal mais ici aussi la méthode d’appariement sur le SP donnait des estimations variables selon les paires formées.
Conclusion |
La régression logistique multivariée permet une estimation de l’effet marginal d’une exposition sur la probabilité d’un événement en présence de facteurs de confusion. Ses performances sont comparables à la pondération sur le SP et supérieures à l’appariement sur le SP. La régression multivariée présente l’avantage de pouvoir estimer à la fois l’effet marginal (populationnel) et l’effet conditionnel (patient-spécifique), ce qui intéresse les médecins dans leur prise de décision médicale centrée sur le patient et les décideurs politiques en santé publique.
Le texte complet de cet article est disponible en PDF.Mots clés : Facteurs de confusion, Score de propension, Inverse probability treatment weighting (IPTW), Analyses appariées, Régression logistique
Plan
Vol 64 - N° S3
P. S117 - mai 2016 Retour au numéroBienvenue sur EM-consulte, la référence des professionnels de santé.
L’accès au texte intégral de cet article nécessite un abonnement.
Déjà abonné à cette revue ?