Essai randomisé en grappe: Définition

Transcription

Essai randomisé en grappe

Références: Donner A, Klar N, Kerry SM,
Bland JM, Campbell MK, Kirkwood BR

Définition: Essai randomisé dans lequel
des unités sociales sont assignées
aléatoirement à différents groupes
d’intervention
Essai randomisé en grappe:
Pourquoi ce design?

Nature de l’intervention

Faisabilité / acceptabilité / coûts

Minimisation du biais de
contamination
Intérêt:
Minimise biais contamination

Définition: Biais lié à des changements
de groupes des participants

Risque de contamination important
quand pas de ‘double aveugle’

Surtout en randomisation individuelle

Impact: Dilution
Prix à payer
Perte
d’efficience statistique
Randomisation
moins efficace
Prix à payer:
Perte d’efficience statistique

Cause:

tendance à la similarité à l’intérieur des grappes

variation inter-grappe de la réponse
Degré de similarité intra-grappe mesuré par
coefficient de corrélation intra-grappe ρ (ICC)

Estimation: Analyse de variance, Bootstrap
Variabilité inter-grappes:
Raisons

Individus ont la possibilité de ‘choisir’
les grappes auxquelles ils appartiennent

Individus d’une grappe partagent
exposition commune

Interactions personnelles entre individus
d’une grappe les rendant similaires
Variabilité inter-grappes:
Implications pratiques
1) Perte en terme de taille d’échantillon
effective

Adapter calcul de n (vers le haut)

sinon ‘under-powered’
2) Manque d’indépendance statistique

Adapter analyse

sinon, p-valeurs biaisées vers le bas
Quantification de l’effet design

Essai avec k grappes de m individus assignées à
un groupe expérimental et un groupe témoin

Objectif = comparer les moyennes d’une variable
réponse Y

Estimations de µ1 et µ2 données par: Y1 et Y 2

Variance de chaque moyenne:
Var (Y i ) =
σ2
km
[1 + (m − 1) ρ ]
Quantification de l’effet design
Effet design = IF =

Coefficient de corrélation intra-grappe:

Si ρ = 0 (indépendance statistique)

Taille effective de la grappe = m
Si ρ = 1 (dépendance statistique totale)

[1 + (m − 1) ρ ]
Taille effective de la grappe = 1
Importance de la taille de la grappe (m) dans
l’effet design
Taille d’échantillon

Formule similaire à SRS*effet design

Estimation de n nécessite:

Estimation préalable de la taille des
grappes et du coefficient ρ

Analyse de sensibilité
Questions de design:
Randomisation
1) Complètement randomisé
2) Stratifié
Ö
Intérêt si stratifié pour caractéristiques
des grappes associées à l’outcome!
3) Apparié
Ö
Présente nombreuses limites
Question de design:
Choix de l’unité d’inférence

Individu ou grappe?

Unité d’inférence conditionne

type de collecte de données

type d’analyse
Questions de design: Biais
Le plus souvent, pas de double aveugle

Effet Hawthorne possible car groupe
contrôle bénéficie du programme ‘habituel’
⇒ Groupe contrôle ‘actif’

≠ entre les 2 groupes, recrutement / refus
post-randomisation / perdus de vue

Biais d’observation
Analyse
1) Intention de traiter
2) Prendre en compte l’effet grappe
(absence indépendance)

pas (peu) d’impact sur estimations

impact pfs important sur la précision
3) Différentes approches possibles
Analyse:
Grappe = unité d’analyse

Approche la plus simple

Unité de randomisation = unité
d’analyse
Techniques usuelles
Analyse pondérée si m très
variable
Analyses moins puissantes
Analyse:
Individu = unité d’analyse

Unité d’analyse ≠ unité de randomisation

Préférable si on veut ajuster

Permet d’estimer plus facilement ρ

Différentes approches

Nécessitent un nombre élevé de grappes
Analyse:
Comparaison de proportions
1) Niveau grappe
Test-t pour échantillons indépendants
comparant moyennes de proportions
Approches non-paramétriques
9 Mann-Whitney-U test
9 Fisher’s two-sample permutation test
Analyse:
Comparaison de proportions
1) Niveau individuel

χ2 de Pearson ajusté pour l’effet design
(Approche utilisant ratio de 2 variances)
Robust standard errors
Bootstrap
(Modélisation paramétrique)
Generalized estimated equations (GEE)
Multilevel (random effet) logistic regression
Analyse:
Logiciels
Prise en compte de covariables individuelles &/ou
cluster-level
• Sas (procédure GENMOD - PROCMIXED)
• Acluster
• MLWin
• Stata
• SUDAAN
• S+
• Spss, module suppl. éch. complexes version 12
• Etc……
• +C-sample epi-info (univarié uniquement)
Essais randomisés en grappe:
Conclusion

Nombreuses applications en évaluation
d’intervention en santé publique
Parfois la seule façon possible de randomiser
Multidisciplinaire
Inconvénients:

Perte d’efficience statistique
Randomisation moins efficace
Méthodes pas encore bien standardisées
Défis particuliers si peu de grappes