Comparaison de plusieurs modélisations statistiques pour prendre en compte l’appariement individuel dans une étude cas-témoins : étude no-FLIC - 09/05/16
Résumé |
Introduction |
No-FLIC est une étude cas-témoin multicentrique française dont le but était de rechercher des facteurs directement hépato-carcinogènes de carcinome hépatocellulaire sur foie non fibreux (NfCHC). Pour chaque cas, il était prévu de recruter deux témoins en milieu hospitalier avec un appariement individuel sur l’âge (±10ans), le sexe et l’origine géographique (Île-de-France/Province). Au total, 109 cas et 163 témoins ont été recrutés, incluant seulement 83 cas et 145 témoins appariés individuellement. Seuls ces cas et ces témoins appariés individuellement peuvent contribuer à l’analyse par régression logistique conditionnelle, méthode statistique classiquement utilisée pour analyser des données cas-témoins appariées individuellement. La régression logistique non conditionnelle avec ajustement sur les facteurs d’appariement, méthode classiquement utilisée pour des données cas-témoins appariées en fréquence, permet par contre de conserver tous les patients dans l’analyse. L’objectif de ce travail était de comparer les résultats de ces deux méthodes d’analyse pour quantifier les éventuels biais.
Méthodes |
Les différents modèles ont été appliqués pour estimer l’effet des principaux facteurs de risque, incluant des indicateurs de l’histoire de consommation de tabac et d’alcool. Le modèle de régression logistique conditionnel a été estimé sur les 83 cas et 145 témoins appariés individuellement. Le modèle de régression logistique non conditionnel a été estimé sur les mêmes patients, puis sur la totalité des patients recrutés, avec ajustement sur les facteurs d’appariement. L’âge a été représenté dans ce modèle en variable continue car son effet vérifiait l’hypothèse de linéarité.
Résultats |
Pour le statut fumeur cinq ans avant la date index (diagnostic pour les cas, interview pour les témoins), la régression logistique non conditionnelle a donné un odds ratio (OR) de 2,18 (IC95 % : 2,24–3,83 ; p=0,0067) sur la totalité des patients, et un OR de 2,00 (IC95 % : 1,09–3,66 ; p=0,0248) sur les patients appariés individuellement. L’analyse conditionnelle sur ces mêmes patients a donné un OR de 1,78 (IC95 % : 0,96–3,30 ; p=0,0653). Pour le statut buveur cinq ans avant la date index, les résultats des trois analyses étaient également similaires : OR de 2,13 (IC95 % : 1,10–4,16 ; p=0,026) avec la régression logistique non conditionnelle sur tous les patients et OR de 1,95 (IC95 % : 0,97–3,94 ; p=0,0617) sur les patients appariés individuellement. L’OR était de 1,81 (IC95 % : 0,91–3,61 ; p=0,0919) dans l’analyse conditionnelle.
Conclusion |
Les résultats des différentes méthodes d’analyse sont similaires en termes de mesure d’association, avec cependant des mesures plus proches de l’hypothèse nulle pour l’analyse sur données appariées individuellement uniquement. Ces différences non majeures peuvent s’expliquer par une meilleure puissance de l’analyse non conditionnelle qui est basée sur davantage de sujets, et/ou par un meilleur ajustement sur l’âge dans l’analyse non conditionnelle. Nous poursuivons ce travail par l’introduction dans l’analyse conditionnelle d’un ajustement sur l’âge. Ces résultats préliminaires tendent à conforter l’idée d’utiliser une analyse non conditionnelle mais ajustée lorsque tous les sujets n’ont pu être appariés individuellement.
Le texte complet de cet article est disponible en PDF.Mots clés : Étude cas-témoin, Appariement, Modèle logistique conditionnel, Ajustement
Plan
Vol 64 - N° S3
P. S119 - 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 ?