Upload
michel-cucherat
View
2.231
Download
4
Embed Size (px)
Citation preview
Techniques avancées en méta-analyseméta-analyse en réseau, méta-regression
Michel CucheratFaculté de médecine Laennec, Lyon
TrialResults-center, Mably
Définition
Nombreux synonymes– Méta-analyse en réseau– Méta-analyse multitraitement– « Comparaisons indirectes »
Approche visant à faire simultanément la synthèse concernant plusieurs traitements de la même « condition clinique »– Synthèse des comparaisons effectuées dans les essais– Extrapolation des comparaisons non disponibles par un processus de
« comparaison indirecte »
Plusieurs méthodes statistiques – En particulier Bayesiennes
Utilisation en évaluation des technologies de santé
Récente Exemple : prévention de la thrombose NICE janvier 2010
5
6
Lancet 2009
Formalisation des comparaisons indirectes
Comparaisons indirectes extrapolées– Adjusted indirect comparisons
reconstruction par extrapolation de l’effet de B vs Aà partir des effets obtenus avec A vs PBO et B vs PBO
A Placebo B
Comparaison directe A vs B
A vs PBO B vs PBO
Comparaison indirecte de A vs B
Principe de l’extrapolation
Pour gagner en précision– Utilisation de tous les essais méta-analyse (MA)– RRa/pbo et RRb/pbo résultats de la MA
pboA
pboBAB RR
RRRR
/
//
)log(var)log(var)log(var /// pboApboBAB RRRRRR
Essai 1
Essai 2
Essai 3
Essai 4
Total
A versus placebo
Essai 5
Essai 6
Essai 7
Essai 8
Total
B versus placeboCo
mpa
rais
on in
dire
cte
ajus
tée
(CIA
) Essai 9
Essai 10
Total A vs B
A versus B
CIA A vs B
Mixed treatment
comparisonMTC A vs B
1
2
En pratique
Utilisation d’une méthode Bayesienne– introduction d’une information initiale (apriori)– l’apriori doit être non informatif
• normal (mean=0, variance=100) pour les paramètres• gamma (0·0001, 0·0001) pour les précisions
– le résultat ne soit pas dépendre de l’apriori Utilisation d’une méthode itérative
– test de la convergence– pour obtenir la convergence il faut souvent mettre un apriori pas trop
non-informatif Effet « boite noire »
– Estimation global– La précision de A vs C dépend de toutes les autres comparaisons du
réseaux
Notion d’incohérence du réseau
A
C
B
0.4
0.6
D
0.6
0.5
A
C
B
-0.6
-0.4
D
0.5
0.6
A vs B /C = 0.4+0.6=1A vs B /D = 0.6+0.5=1.1
A vs B /C=-0.6-0.4=-1A vs B /D = 0.6+0.5=1.1
Evaluation de l’incohérence
Meta-analyseA vs placebo RRA/pbo
Meta-analyseB vs placebo RRB/pbo
Meta-analyseA vs C RRA/C
Meta-analyseB vs C RRB/C
Comparaison indirecte ajustée A vs B
RRA/B
Comparaison indirecte ajustée A vs B
RR’A/B
Hétérogénéité entre les 2 comparaisons indirectes ajustéespermettant de tester l’incohérence
regroupement des 2 estimations RRA/B et
RR’A/B
Résultat final(s’il n’y a pas d’incohérence)
Chem
inA
p
lace
bo
BCh
emin
A
C
B
Etude empirique
Méthode
Résultats des comparaisons directes
Résultats des comparaisons indirectes extrapolées
Différence ?
Pour une même question thérapeutique A vs B:
Etudes empiriques
Combinaison des estimations directs et indirectes (MTC)
Les comparaisons directes sont-elles un étalon-or ?
Limites des essais de comparaison directe– Très souvent sans double insu
• Difficulté de faire un placebo d’un traitement commercialisé– NSN– Pas de validation interne (de l’efficacité du comparateur actif)– Études de phase IV (sans réelle finalité réglementaire)– Souvent réalisés en non infériorité
Variabilités des résultats entre essais pour la même comparaison– …
2 essais de comparaisons directes donépézil vs galatamine
Jones et al., 2004 Wilcock et al., 2003
Laboratoires Fabriquant du donépézil(Eisai Inc., Teaneck, NJ, Etats Unis, Pfizer Global Pharmaceuticals, Pfizer Inc., NY, Etats Unis)
Fabriquant de la galantamine(Janssen-Cilag, Johnson & Johnson Pharmaceutical Research, Shire Pharmaceuticals)
Patients Mild to moderate Alzheimer’s disease Alzheimer’s disease
Comparaison donepezil (jusqu’à 10mg/j) or galantamine (jusqu’à 24mg/j)
galantamine (24 mg/j) or donepezil (10 mg/j)
Durée 12 weeks 53 weeks
Effectif 120 182
Critère de jugement principal/secondaires
Physicians and caregivers satisfaction with treatment/ease of use in daily practice / ADAS-cog, MMSE, DAD-ADL
BrADL, MMSE, ADAS-cog/11, NPI, Screen for Caregiver Burden
Aveugle Open Open, rater-blinded
Conclusion de l’essai Physician and caregiver ease of use/satisfaction scores, and assessments of cognition and ADL, showed significant benefits for donepezil compared with galantamine
Significant advantages were found in the treatment response to galantamine (versus donepezil) on cognition as measured by response rates on the MMSE and ADAS-cog/11
suite …
Acceptabilité des CI
Validité interne maximale (en particulier pour les comparaisons directes)
Pas d’hétérogénéité clinique importante entre les essais Pas d’hétérogénéité des résultats dans les méta-analyses
– A vs PBO– B vs PBO– A vs B
Pas d’inconsistance (si multichemin)
Intérêts– Positionner l’efficacité d’un traitement par rapport aux autres
• Même en l’absence d’essais le faisant de manière directe– Pour toutes les discussions de valeur ajoutée propre à un traitement
• Accès au marché, etc..• Recommandations, HTA, etc..
Limites– Difficultés techniques– Reconnaissance de la validité de l’approche non unanime
MÉTA-ANALYSE PROSPECTIVE
L’idéal pour remplacer un grand essai par une méta-analyse
Méta-analyse prospective– Prévue avant la réalisation des essais– Noyau commun dans les protocoles
• Traitement, dose, etc• Qualité recueil information
Intérêts– Plus facile à mettre en place que de grands essais collaboratifs
• Financements nationaux pour les études– Permet d’envisager des populations différentes pour chaque essai
• Plus grande généralisabilité • Inverse d’une démarche en sous groupes
– Contrôle du biais de publication
Exemple de CHARM
Programme d’évaluation du candesartan– 3 essais versus placebo– Insuffisance cardiaque stade NYHA 2-4– Critère principal : décès CV + hospitalisation
3 populations – CHARM added : 2548 patients avec FE<40% et IEC– CHARM alternative : 2028 patients FE<40% intolérants aux IEC– CHARM preserved : 3025 patients FE>40%– Chaque essai : puissance de 80% pour une réduction de 15% du critère
jugement principal CHARM overall
– MA prospective– Critère : mortalité totale
Lancet 2003
CHARM overall - résultat
CJ principal
Difficultés d’interprétation
Si CHARM overall avait été un grand essai incluant les 3 types de patients– ce résultat aurait été celui d’une analyse en sous groupe sans interaction
Problème spécifique d’interprétation– Discordances entre les conclusions
• des essais individuels• et de la MA prospective
– Provient • Les essais ont une valeur confirmatoire• Le critère de la MA est plus cliniquement important que ceux des essais
Nécessité de travailler sur l’hétérogénéité
Intérêts potentiels– Obtenir le même niveau de preuve sur un regroupement de petit essais
que celui d’un essais de grande taille Difficultés/limites
– Caractère prospectif– Cout– Résister à la tentation d’interpréter chaque étude séparément– Acceptabilité de l’hétérogénéité clinique des patients du regroupement
MÉTA-REGRESSION
Explication de l’hétérogénéité– À l’aide d’une covariable
Cucherat EHJ 2007
Résultat de la méta-regression
Exemple : réduction du LDL et bénéfice des statines
Cholesterol Treatment Trialists’ (CTT) Collaborators Lancet 2005
Méta-régression
Techniques très délicates a mettre en œuvre– Exposée
• Pêche à la ligne (choix du X, choix du Y)• Biais écologique• Faible détermination des modèles
Recommendations
Protocole A PRIORI– Hypothèse précise– Absence de sélection a posteriori des essais– Choix a priori de X et Y– Choix a priori du temps de mesure de X
Variable à expliquer– Log OR
• Log pour homoscédasticité• OR pour la symétrie
Variable explicative– Changement absolu et relatif
Modèle de méta-regression
modèle linéaire
estimation par un modèle aléatoire• • tau2 permet de prendre en compte l’hétérogénéité liée à
– traitements différentes– patients différents– Etc.
• estimation par REML (ou MCMC)
log iOR x
2( , )i i iy N x v
Biais écologique - 1
Delta X
Effet
Biais écologique - 2
Delta X
effet
Mécanisme du biais écologique
1er essais– Woscops, 4S
• Population à haut risque réduction de risque potentiellement importante• Hypercholestérolémiques +++ baisse de C possible importante
Essais suivants– CARE, LIPID
• Population à plus faible risque réduction de risque moins importante• Moins hypercholestérolémiques baisse de C possible plus limitée
Métaregression– Biais possible dans la relation RRR=Changement absolue
Cholesterol Treatment Trialists’ (CTT) Collaborators Lancet 2005
HPS
HPS Lancet 2002
in-hospital mortality Risque relatif, modèle fixe (IC 95%)
Essai T. étudié n/N
T. controle n/N
Graphique RR [IC95%]
Ribichini 0 / 24 0 / 26 1.08 [0.00; 269.25]
Gibbons 2 / 47 2 / 56 1.19 [0.17; 8.14]
PAMI 5 / 195 13 / 200 0.39 [0.14; 1.09]
Grinfeld 5 / 54 6 / 58 0.90 [0.29; 2.76]
Ribeiro 3 / 50 1 / 50 3.00 [0.32; 27.87]
Zwolle 3 / 152 11 / 149 0.27 [0.08; 0.94]
Global p ass=0.07 0.58 [0.32; 1.05]
Het. entre les 6 essais p=0.38 , I2=5% 0.0 5.0 1
Hypothèse - Modèle
Les résultats des essais varient d'un essai à l'autre du fait du hasard
Ces résultats fluctuent de manière aléatoire autours d'une valeur commune
But de la MA : estimer cette valeur commune
Valeur commune
Hétérogénéité - graphique
0 0.5 1 1.5 2
Essai 1Essai 2Essai 3Essai 4Global
Absence d'hétérogénéité
OR0 0.5 1 1.5 2
Essai 1
Essai 2
Essai 3
Essai 4
Essai 5
Global
I²
% de la variabilité totale non explicable par le hasard, du à une vraie variabilité de l'effet traitement dans les essais
varie de 0% à 100% Problème d'extrapolabilité du résultat si I²>70%
Il existe un autre indice important tau 2– Lié au modèle aléatoire
22
2max 0, 100%het
het
ddlI
Deux types d’hétérogénéité
Hétérogénéité des caractéristiques des essais– patients– traitements– etc.
Hétérogénéité statistique des résultats– taille de l’effet obtenu différente d’un essai à l’autre
Statut de l'hétérogénéité
Nuisance– utilisation d'un modèle aléatoire– hypothèse forte sur l'hétérogénéité (gaussienne)
Informative – recherche des sources de l'hétérogénéité– "explication" de l'hétérogénéité en fonction des caractéristiques des
études – témoin de l'existence d'interactions– Sous groupe, méta-régression
Modèle aléatoire
Essai 1
Essai 2
Essai 3
vrai ET 1
vrai ET 2
vrai ET 3
ET observé 1
ET observé 2
ET observé 3
Modèleessai Résultats
MA estimation MA
Modèlegénéral
vrai ET
vrai ET
var. intra essaivar. inter essai
var = t2
i
Modèle fixe - aléatoire
Modèle fixe– modèle simple
Modèle aléatoire– variabilité structurelle de l'effet traitement– variabilité aléatoire ?– forme de la distribution ?– prise en compte d'une certaine hétérogénéité
(mais ne l'explique pas)– diminution de puissance