Utilisation de l’analyse de regroupement dans les essais contrôlés randomisés en chirurgie orthopédique

Notre étude sur l’utilisation de l’analyse de regroupement dans la recherche orthopédique suggère qu’une faible proportion des études utilisent actuellement ces importantes méthodes statistiques. La modélisation multivariable des prédicteurs associés à la présence d’un ajustement pour le regroupement a montré une association forte et significative entre tout type d’ajustement pour le regroupement et l’inclusion d’un épidémiologiste / méthodologiste des essais cliniques dans l’équipe d’étude.

Notre étude présente plusieurs forces et faiblesses. Premièrement, nous avons systématiquement identifié chaque ECR publié dans les cinq meilleures revues de chirurgie orthopédique entre 2006 et 2010. Cette méthode de limitation à des revues spécifiques a permis d’identifier l’ensemble de la population cible d’articles, par opposition à une recherche documentaire électronique qui pourrait manquer des articles potentiels répondant aux critères d’inclusion. L’utilisation des cinq principales revues permet également de supposer une estimation prudente dans nos résultats. Mais d’un autre côté, cela ne peut pas être généralisé à d’autres revues ou à la littérature orthopédique plus large. De plus, alors qu’une seule personne a inclus tous les articles, une deuxième personne a recoupé une sélection aléatoire d’articles, ce qui minimise tout biais de sélection.

Les articles identifiés ont ensuite été examinés pour inclusion et les données pertinentes ont été extraites par un seul chercheur ayant une expérience en épidémiologie et en biostatistique. Cette méthode d’extraction a permis une cohérence entre les articles et a maintenu des définitions homogènes tout au long du processus; cependant, bien qu’il puisse y avoir un risque de biais en raison de l’extraction par un seul examinateur, les deux auteurs se sont rencontrés tout au long du processus d’extraction pour clarifier les interprétations des données extraites. Malgré les efforts déployés pour extraire toutes les données pertinentes de tous les articles de la population cible, les données étaient sous-déclarées dans plusieurs des articles. Les données manquantes étaient particulièrement remarquables pour les variables “biostatisticien” et “épidémiologiste / méthodologiste des essais cliniques”; la majorité des spécialités des auteurs ou des membres de l’étude n’étaient pas rapportées dans les articles ou facilement identifiables dans les rubriques. Afin de minimiser les données manquantes, l’auteur correspondant de chaque article a été contacté et interrogé sur les spécialités des membres de l’équipe d’étude. Cependant, tous les auteurs n’ont pas répondu à la demande de données. La sous-déclaration ici peut biaiser nos résultats. Une possibilité est que les études ne faisant pas état des spécialités des membres de l’étude aient pu être moins susceptibles d’effectuer une analyse de regroupement. Si tel était le cas, notre étude représenterait les articles de meilleure qualité et constituerait donc potentiellement une surestimation de l’utilisation de l’analyse de regroupement. Cette hypothèse reste à tester.

La méthode de régression par étapes utilisée dans l’analyse de ces données est controversée dans certains contextes, mais reste généralement une méthode acceptée de test d’hypothèses et de génération. Nous ne connaissons aucune autre littérature qui étudie les prédicteurs de la comptabilisation du regroupement, et la nature expérimentale de cet objectif nous a conduits à cette approche. D’autres études sont nécessaires pour vérifier ces résultats. De plus, la méthode d’utilisation des GEEs pour la comptabilisation du regroupement dans nos analyses a récemment été démontrée dans les données de Poisson pour augmenter la probabilité d’erreurs de type 1, mais pas dans les résultats binaires. Autrement dit, dans un autre article, les simulations de Monte Carlo ont montré que les modèles GEE avaient un meilleur pouvoir de détection de l’homogénéité au sein du cluster que d’autres méthodes lors de l’examen des résultats binaires. Nous recommandons d’effectuer des simulations supplémentaires pour déterminer la validité de cette approche.

Une dernière faiblesse potentielle de l’étude est la date limite de 2010. Il est possible qu’au cours de l’année et demie entre notre date limite et l’analyse de ces données, les niveaux d’utilisation de l’analyse de regroupement dans les études d’ECR orthopédiques aient changé. Cependant, aucun événement identifiable connu ne déclencherait un tel changement, ce qui en fait une préoccupation marginale. Dans l’ensemble, notre analyse ne s’applique qu’à l’année des articles que nous avons examinés pour ces revues. Mais, nous maintenons toujours que cette analyse représente des ECR relativement récents en chirurgie orthopédique et leur utilisation d’analyses de regroupement.

Bien que plusieurs articles aient déjà démontré l’importance de la prise en compte du regroupement dans les ECR, ce type d’analyse n’est pas encore devenu une pratique courante. Notre étude suggère une faible prévalence de l’ajustement pour les effets de regroupement dans les ECR publiés dans la littérature orthopédique, avec seulement 21,5% des articles inclus utilisant l’une de ces méthodes importantes. À notre connaissance, notre étude est la première à examiner les prédicteurs potentiels de l’utilisation de l’ajustement de clustering dans les ECR. La modélisation multivariable des prédicteurs associés à l’ajustement pour le regroupement a montré une association forte et significative entre tout type d’ajustement pour le regroupement et l’inclusion d’un épidémiologiste / méthodologiste des essais cliniques dans l’équipe d’étude. Un effet important a également été observé pour l’inclusion de tout type de spécialiste (épidémiologiste / méthodologiste des essais cliniques ou biostatisticien). Cette conclusion était attendue, en ce sens que les personnes spécifiquement formées aux méthodes de recherche clinique sont plus susceptibles d’utiliser une méthodologie appropriée. En démontrant l’association entre un ajustement pour le regroupement dans une étude et la présence d’un épidémiologiste ou d’un méthodologiste d’essais cliniques dans l’équipe d’étude, nous sommes en mesure de formuler des recommandations sur des moyens pratiques d’améliorer l’utilisation de ces importantes méthodes statistiques. Par exemple, l’inclusion a priori d’un épidémiologiste ou d’un méthodologiste de la recherche clinique dans la phase de conception de l’étude pourrait garantir que des méthodes appropriées sont planifiées et mises en œuvre qui limitent ou contrôlent les effets du regroupement (p. ex., stratification, limitation du nombre de centres/fournisseurs, tailles de grappes homogènes, analyses statistiques à ajuster pour le regroupement).

Nous avons été surpris de constater que l’inclusion d’un biostatisticien n’était pas associée de manière significative à une utilisation accrue des méthodes d’ajustement des clusters. Une explication potentielle est que les épidémiologistes ou les méthodologistes des essais cliniques sont souvent inclus dès la phase de conception d’une étude, alors que les biostatisticiens ne sont souvent inclus que dans la phase d’analyse. Étant donné que notre résultat est défini comme tenant compte des effets de regroupement dans la randomisation ou l’analyse statistique, l’implication d’un spécialiste a priori dans l’étude est une considération importante. Cette inclusion a priori par rapport à l’inclusion ad hoc peut être associée à une plus grande utilisation de techniques d’ajustement appropriées; cependant, cette hypothèse reste à tester.

Outre le manque de spécialisation appropriée des auteurs dans les équipes d’étude, il existe plusieurs autres raisons potentielles pour lesquelles l’ajustement pour les effets de regroupement n’est pas actuellement une pratique courante. Comme mentionné ci-dessus, l’ajustement pour le regroupement augmente généralement la taille de l’échantillon nécessaire pour un pouvoir donné, ce qui rend le recrutement plus long ou plus difficile et augmente potentiellement les besoins de financement et d’autres ressources. Cela pourrait constituer un obstacle pour les chercheurs qui pourraient initialement être intéressés à examiner les effets de regroupement dans leurs études. Nous avons constaté que de nombreuses études incluses indiquaient que les thérapeutes avaient une formation similaire ou qu’il n’y avait aucune différence notée entre les thérapeutes. Mais cela est insuffisant, car des effets de regroupement peuvent encore exister et l’égalité des thérapeutes ne peut être supposée. Nous recommandons que les essayistes cliniques effectuent ces analyses le cas échéant et que les comités d’examen institutionnels et les pairs examinateurs prennent soin de souligner la nécessité de ces analyses. En outre, un ensemble de normes pourrait être élaboré pour indiquer quand et comment ces ajustements peuvent être effectués, en fournissant des exemples concrets et des preuves empiriques de ce besoin.

L’effet du regroupement peut être difficile à détecter dans les études qui sont sous-alimentées lorsqu’elles sont divisées par groupe; cependant, les analyses statistiques qui ignorent la présence d’un regroupement potentiel aboutiront très probablement à des estimations trop précises et donc trompeuses. Les méthodes de calcul de la taille de l’échantillon pour les études ayant des effets de regroupement dépendent du type de données pour le résultat principal d’intérêt (p. ex., continu, binaire, comptage). Plusieurs méthodes sont suggérées dans la littérature et plusieurs trousses statistiques ont la capacité de dériver ces estimations. Par exemple, de nombreuses études utilisent des mesures des résultats qui produisent des données continues, pour lesquelles un ICC est nécessaire pour calculer la taille de l’échantillon; cela nécessite une connaissance a priori des variances à l’intérieur et entre les grappes. Plusieurs efforts sont en cours pour encourager l’utilisation de l’analyse de regroupement par la création de bases de données de CIC pour divers résultats utilisés dans les essais chirurgicaux. Ces bases de données fourniront aux chercheurs des informations sur l’ampleur probable des CIC pour différents résultats et permettront l’utilisation d’estimations de l’effet de regroupement dans les étapes de planification d’un essai. Cela permettra à son tour un calcul précis de la taille de l’échantillon lors de la phase de conception d’une étude et donc une puissance suffisante pour tester des hypothèses. Cook et coll. suggérer que l’utilisation optimale des données disponibles impliquerait une méta-analyse formelle des estimations de la CCI. En outre, des travaux supplémentaires sont nécessaires sur les calculs de la taille de l’échantillon et les méthodes de comptabilisation du regroupement pour les données binaires et de comptage dans la recherche clinique. Cette recherche importante devrait être priorisée, dans le but d’informer les chercheurs des effets possibles de regroupement par résultat et de permettre de meilleures pratiques dans les analyses grâce à une compréhension a priori des effets potentiels de regroupement.