La « matching-adjusted indirect comparisons » (MAIC) est une méthode permettant de comparer les effets absolus des traitements lorsque la disponibilité des données individuelles des patients est limitée. Dans les études de vie réelle, la présence de données manquantes est un problème fréquent. L'imputation multiple (IM) est souvent utilisée pour remplacer les valeurs manquantes par un ensemble de valeurs plausibles qui représentent l'incertitude sur la bonne valeur à imputer. Dans le contexte de petits échantillons, les deux processus de MAIC et IM combinés soulèvent des questionnements méthodologiques et peuvent conduire à des problèmes de convergence des modèles. L'objectif du présent travail était de développer une méthodologie prédéfinissant les différentes étapes de l'analyse jusqu'à l'obtention d'un modèle satisfaisant. Cette approche a été appliquée aux patients atteints de cancer du poumon non à petites cellules métastatique ROS1-positif, avec la comparaison des données agrégées de 3 essais cliniques mono-bras randomisés d'entrectinib et des données de la cohorte observationnelle française, nationale et multicentriques du Cancer du Poumon Avancé ou Métastatique du programme Épidémio-Stratégie Médico-Economique (ESME)[1].

Cette étude a été menée selon trois phases (go/no go) : 1) évaluation de la faisabilité, 2) estimation des poids et 3) analyse des résultats et inférence. Ce résumé se concentre sur la phase 2. Les facteurs pronostiques clés étaient l'âge, le sexe, l'ECOG (∼45 % manquant), l'histologie de la tumeur, le statut tabagique (∼6 % manquant), les métastases cérébrales et le nombre de lignes de traitement précédentes. La méthodologie développée est une implémentation séquentielle en 4 étapes pour calculer pour chaque jeu de données imputé les poids en utilisant une régression logistique (méthode des moments) [2], résumée ci-après :

1- Modèles initiaux sur toutes les variables pronostiques ;

2- Si les modèles ne convergent pas pour tous les jeux de données, simplification en appliquant des étapes prédéfinies englobant a) la suppression des variables ayant une catégorie excessivement majoritaire dans les deux groupes de traitement, b) le recodage des variables ;

3- Troncature des poids inférieurs à 0,01 ;

4- Procédure « pas à pas » descendante (backward) sur les variables avec déséquilibre jusqu'à ce que les moyennes sur les jeux de données des différences moyennes normalisées par variable soient toutes inférieures à 0,15, avec pour chaque variable sélectionnée a) son recodage, b) sa suppression si cela permet l'équilibre sur d'autres variables.

Cinq populations de la base de données ESME ont été considérées (entre 19 et 70 patients), deux d'entre elles reflétant les comparateurs français reconnus par la Haute Autorité de santé (HAS), les trois autres la pratique clinique. La méthodologie a permis de sélectionner, pour chaque population, le modèle qui convergeait pour tous les jeux de données imputés, avec des caractéristiques équilibrées entre les groupes de traitement. La taille effective des échantillons après pondération était comprise entre 10 (-47 % par rapport à la taille initiale de l'échantillon) et 60 (-14 %).

Cette approche, développée dans un cas spécifique en oncologie, peut être extrapolée à d'autres études.

Comparaisons indirectes, données manquantes ; Imputation ; Faibles échantillons ; Données de vie réelle ; MAIC

Les auteurs n'ont pas précisé leurs éventuels liens d'intérêts.