Pharmacological and residual effects in randomized placebo-controlled trials. A structural causal modelling approach - 04/05/19
Cet article a été publié dans un numéro de la revue, cliquez ici pour y accéder
Abstract |
Background |
Distinguishing between pharmacological and residual effects, this paper considers the problem of causal assessment in the case of a particular model, namely a Sure Outcome of Random Events (SORE) model developed for the analysis of data from a randomized placebo-controlled double-blind trial of a drug.
Method |
This model takes into account two kinds of observable effects, a therapeutic effect and a side-effect. For each observable effect, two latent factors are considered, i.e. a pharmacological (or explained) factor and a residual (or unexplained) one.
Results |
The model presents a plausible mechanism generating the observed and latent outcomes, recursively decomposed into an ordered sequence of sub-mechanisms.
Conclusions |
The characteristics of this model leads to a novel assessment of causality that evaluates the effect of latent variables and of the bias resulting from ignoring the structural features of the data generating process. This approach is illustrated by a numerical example, along with a case study based on a secondary analysis of real data.
Le texte complet de cet article est disponible en PDF.Résumé |
Position du problème |
Distinguant les effets pharmacologique et résiduel, cet article considère le problème de l’attribution causale dans le cas d’un modèle particulier, à savoir le modèle Sure Outcome of Random Events (SORE), construit pour analyser les données d’essais randomisés contrôlés en double-aveugle, d’un médicament versus placebo.
Méthode |
Le modèle considère deux types d’effets observables, un effet thérapeutique et un effet secondaire. Pour chaque effet observable, deux facteurs latents sont pris en compte: un facteur pharmacologique (ou expliqué) et un facteur résiduel (ou non-expliqué).
Résultat |
Le modèle propose un mécanisme plausible générant les effets observés et latents, recourant à une décomposition récursive d’une séquence ordonnée de sous-mécanismes.
Conclusion |
Les caractéristiques de ce modèle conduisent à une attribution causale innovante et permettent d’évaluer l’effet des variables latentes ainsi que le biais resultant d’avoir ignoré la structure du processus générateur des données. Cette approche est illustrée par un exemple numérique, ainsi que par une étude de cas basée sur une analyse secondaire de données réelles.
Le texte complet de cet article est disponible en PDF.Keywords : Causal assessment, Causal modelling, Structural modelling, Directed acyclic graph, Randomized placebo-controlled trials, Latent variables
Mots clés : Attribution causale, Modélisation causale, Modèle structurel, Graphe acyclique orienté, Essai avec placebo randomisé, Variables latentes
Plan
Bienvenue 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 ?