2 TL ; DR - Guide d’évaluation des comparaisons à un groupe contrôle externe
3 Les études de comparaison externe, de quoi s’agit-il ?
5 Les problématiques méthodologiques soulevées par les comparaisons externes
6 Les comparaisons externes sont des études observationnelles
7 Position des agences de régulation et de HTA
8 De la nécessité d’avoir des preuves de l’intérêt cliniques des nouveaux traitements
9 Les sources de données utilisables
10 Les problématiques liées à l’aspect rétrospectif de ces études
12 Démarche hypothético déductive
13 L’inférence causale et les hypothèses sous-jacentes
13.1.1 Hypothèse de positivité
13.1.3 Échangeabilité conditionnelle
13.2 Petite introduction à l’inférence causale
13.3 Association n’est pas causalité
13.3.1 DAG générique des comparaisons externes
13.4 Effet causal, estimand causal , cible de l’inférence
13.4.1 Effet traitement moyen (average treatment effect)
13.4.2 Analyse en intention de traiter (as started ) / analyse per protocole (as treated )
15 Les techniques d’analyses statistiques
16 Le diagnostic d’absence de biais de confusion résiduel
18 Identifications des patients dans la source de données
21 Les outils d’évaluation du risque de biais
22 L’émulation d’un essai cible
23 Le benchmarking et les contrôles positifs
24 Analyses de sensibilité , analyses quantitatives du biais
26 Contrôle du risque alpha global
L’estimand causal naturel dans la comparaison externe est l’ATT (average treatment effect among the treated ). La méthode statistique utilisée devra donc nécessairement permettre d’estimer cet estimand (appariement des patients du groupe traité sur les covariables ou sur le score de propension, pondération avec les poids adaptée, g-computation adaptée)
L’estimand causal naturel dans la comparaison externe est l’ATT (average treatment effet among the treated).
L’ATT consiste à chercher l’effet du traitement dans une population similaire à celle qui a été incluse dans l’essai monobras. Cet estimand correspond donc à celui d’un essai randomisé incluant les mêmes patients que l’essai monobras (en effet dans un essai randomisé correctement conçu et réalisé, l’ATE = ATT = ATC).
Population cible de l’inférence causale
Le concept d’effet causal (effet traitement moyen) n’est pas unique. Plusieurs effets causals peuvent être dérivés en fonction de la cible de l’inférence causale (population ciblée par l’inférence causale).
ATE ( Average Treatment Effect ) : L’ATE mesure l’effet moyen du traitement dans l’ensemble de la population cible, c’est-à-dire la différence moyenne attendue entre les résultats si tous les individus recevaient le traitement par rapport à s’ils ne le recevaient pas. C’est l’estimand le plus général, pertinent lorsqu’on souhaite connaître l’impact global d’une intervention.
ATT ( Average Treatment Effect among the Treated ) : L’ATT s’intéresse uniquement à la population qui a effectivement reçu le traitement. Il estime l’effet moyen du traitement chez ceux qui ont été traités, ce qui est particulièrement pertinent dans le cadre d’une comparaison externe où l’on souhaite savoir ce que le traitement apporte à ceux à qui il a été assigné.
ATC ( Average Treatment Effect among the Controls ) : L’ATC estime l’effet moyen que le traitement aurait eu chez les individus du groupe contrôle s’ils l’avaient reçu. Cet estimand est utile pour évaluer l’impact potentiel d’un traitement dans une population qui n’y a pas encore eu accès.
ATO ( Average Treatment Effect among the Overlap population ) : L’ATO cible l’effet moyen du traitement dans la sous-population présentant le plus grand recouvrement de caractéristiques entre les groupes traité et contrôle. Il s’agit d’un estimand qui vise à maximiser la comparabilité entre les groupes et à limiter les biais liés au manque d’équilibre des covariables, mais dont la population d’inférence est plus compliquée à imaginer.
Chacun de ces effets causaux répond à une question d’intérêt différente et le choix dépend du contexte de l’étude et de l’objectif causal recherché.
