Essai randomisé en grappe: Définition
Transcription
Essai randomisé en grappe: Définition
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