4 L’évaluation des marqueurs prédictifs
5 La personnalisation sur le risque de base
6.2.1 Modélisation de l’effet (treatment effect modelling )
6.2.2 Modèles basés sur le risque de base (Risk-based methods)
6.3.2 Exemple 2
6.4 Utilisation de l’intelligence artificielle
6.4.1 Prédiction du pronostic sous traitement
6.4.2 Prédiction du bénéfice, modélisation de l’hétérogénéité des effets traitements
7 L’évaluation de l’utilité clinique par les essais de stratégie
La recherche de l’hétérogénéité de l’effet traitement (heterogeneity of treatment effect, HTE) a été appliquée aux données des essais évaluant chez les patients hospitalisés pour COVID l’intérêt des doses curatives d’héparine (fortes doses similaires à celles utilisées dans le traitement des TVP) par rapport aux doses prophylactiques (thromboprophylaxie chez des patients alités pour raison médicale).
Cette question a été évaluée dans trois essais similaires, faisant partie du même essai multiplateforme, ATTAC, ACTIV-4a, REMAP-CAP. Les résultats de ces études et d’autres sont contradictoires avec des essais en faveur des doses curatives et d’autres non concluants. Devant ces discordances l’hypothèse d’une forte hétérogénéité d’effet de l’héparine à dose curative est avancées et une recherche exploratoire d’hétérogénéité de l’effet traitement a été réalisée de manière post hoc [110] .
Ce papier propose les 2 méthodes décrites précédemment, l’approche basée sur le risque (Risk-Based Approach) et l’approche basée sur les effets (Effect-Based Approach) en plus de l’approche sous-groupe conventionnelle. Un cadre bayésien a été utilisé pour être en cohérence avec l’approche utilisée dans ces essais (cf. dossier essais bayésiens).
Pour l’approche basée sur le risque, un score prédictif a été dérivé d’un modèle de risque construit de manière très classique à l’aide d’une approche basée sur une régression logistique. Les résultats de cette modélisation sont les suivants :
Une analyse en sous-groupe avec lissage des estimations a ensuite été réalisée en se basant sur les déciles de ce score de risque et non pas le risque de base lui-même (colonne « score interval »). Les résultats de cette approche basée sur le risque sont représentés sur la figure ci-dessous
Dans cette approche basée sur le risque, il apparait que l’effet de la dose thérapeutique diminue en fonction du risque de base des patients. Aucun décile ne donne un résultat « statistiquement significatif » avec une probabilité a posteriori >97.5%.
L’approche basée sur les effets repose sur une modélisation des bénéfices absolus sur la survie hospitalière (absolute rate difference, ARD) à l’aide d’une méthode de machine learning (forest method). Les résultats sont présentés par déciles de bénéfice absolu dans la figure 4 du papier.
L’effet pour le premier décile suggère un effet délétère (harm) non « statistiquement significatif ». Pour la mise en pratique éventuellement de ce résultat il est nécessaire d’avoir les caractéristiques des patients constituant ce 1 er décile : « Patients in the lowest cARD decile group (in whom the treatment was associated with possible harm) (Figure 4) tended to have high BMI and were more likely to require ICU admission at baseline ».
