26/11/2022

Introduction aux designs

d’études
Pr. Corinne Alberti
Université de Paris
Hôpital Universitaire Robert Debré

Les études expérimentales

L’investigateur impose une intervention

1
 26/11/2022

Facteurs pouvant expliquer la

réponse à une intervention

Intervention
• Une intervention est une action qui vise à modifier favorablement un
état de santé : soin e.g. médicament, rééducation, chirurgie,
psychothérapie … éducation, promotion de la santé, prévention…

• En recherche clinique, l’action vise l’individu, la personne humaine, en

vue du développement des connaissances biologiques ou médicales.

• En santé publique, l’action vise à améliorer l’état de santé d’un groupe.

• Il s’agit souvent d’interventions complexes, avec de multiples

composantes susceptibles d’interagir entre elles.

• Leurs résultats dépendent du contexte, des conditions de mise en œuvre

et des acteurs qui y participent.

2
 26/11/2022

Quelques principes des

études cliniques

Définition de l’effet intervention

Intervention
% de succès

Effet intervention =
% de succès
supplémentaire
attribué à
l’intervention

Temps
AVANT APRES

3
 26/11/2022

Pourquoi un groupe contrôle?

Pourquoi un groupe contrôle ?

Exemple :
Injections intradiscales de dextrose chez les patients lombalgiques chroniques

Intervention, traitement

Échantillon
Population
= population
Evaluation du critère de Evaluation du critère
cible
d’étude jugement de jugement
AVANT APRES

Exemple : Patients Exemple : douleur Exemple : Injections Exemple : douleur

lombalgiques lombaire à J1 intra-discales de lombaire à 2 mois
chroniques dextrose hypertonique

4
 26/11/2022

Pourquoi un groupe contrôle ?

Exemple :
Injections intradiscales de dextrose chez les patients lombalgiques chroniques

L’intervention est-
elle efficace ?

Y a-t-il d’autres
facteurs explicatifs
de l’amélioration?

Treatment of painful advanced internal lumbar disc derangement with intradiscal injection of hypertonic dextrose. Miller MR,
Mathews RS, Reeves KD., Pain Physician. 2006 Apr;9(2):115-21.

Pourquoi un groupe contrôle ?

D’autres facteurs peuvent-ils expliquer la réponse à un

traitement ?

10

10

5
 26/11/2022

Facteurs pouvant expliquer la réponse

à une intervention

1. Histoire naturelle de la maladie

En l’absence de prise en charge, la maladie peut :

s’améliorer
disparaître
se stabiliser
progresser

Problème distinguer évolution naturelle de la

maladie et effet d’une intervention

11

Facteurs pouvant expliquer la

réponse à une intervention

2. Effet placebo

• Placebo = substance « inerte » dénuée d’activité

pharmacologique mais perçue par le malade
comme un médicament
• Aspect identique
• Goût identique au médicament étudié

12

6
 26/11/2022

Facteurs pouvant expliquer la

réponse à une intervention

3. Attention accordée à la personne

Effet participant à une étude sont l’objet d’une

attention étroite des médecins, infirmiers,
personnel de santé
® effet HAWTHORNE

13

Effet Hawthorne
• On appelle « effet Hawthorne » les résultats (positifs ou négatifs) qui ne
sont pas dus à l’intervention en elle-même mais au fait que le patient ait
conscience de participer à une étude et soit l'objet d'une attention
particulière

• À la fin des années 1920, des ouvriers de l’usine Western Electric, à Hawthorne,
participent à une étude sur l’effet des conditions de travail sur la productivité
• On observe une augmentation de la productivité même quand on devrait observer
une diminution due à des conditions de travail néfastes

14

14

7
 26/11/2022

15

15

Facteurs pouvant expliquer la

réponse à une intervention

4. Effets des caractéristiques des personnes

L’utilisation de deux groupes non comparables

perturbe la mesure de l’effet d’une intervention
et induit potentiellement un biais

16

8
 26/11/2022

Facteurs pouvant expliquer la

réponse à une intervention

5. Régression vers la moyenne

• Le phénomène de régression vers la moyenne survient lorsqu’un
groupe de patients est sélectionné sur des valeurs extrêmes d’ une
variable dont la valeur fluctue dans le temps (ex: pression artérielle)

• Une deuxième mesure de cette variable dans ce groupe sera plus

proche de la moyenne de la population que la première valeur, quel
que soit l’effet du traitement

Inclusion Evaluations
17

Facteurs pouvant expliquer la

réponse à une intervention

6. Interventions concomitantes

Traitements reçus en dehors du traitement étudié

Ex : Ajout d’un deuxième antibiotique dans le traitement
d’une infection

18

9
 26/11/2022

Facteurs pouvant expliquer la

réponse à une intervention

7. Erreurs de mesure

Erreur de mesure dans la mesure du critère de

jugement

8. Effet intervention

19

Facteurs pouvant expliquer la

réponse à une intervention

Intervention
% de succès

Effet intervention
7
6
5
4
3
2
1

Temps
AVANT APRES

20

10
 26/11/2022

Facteurs pouvant expliquer la

réponse à une intervention

Pour évaluer l’effet réel de

Intervention
l’intervention, il faut contrôler les 7
% de succès

Effet intervention
autres facteurs 7
6
5
4
3
2
1

Temps
AVANT APRES

21

Il est donc nécessaire

d’avoir un groupe contrôle
(càd qui ne reçoit pas
l’intervention à l’étude)

Évaluer = Comparer

22

22

11
 26/11/2022

La randomisation garantit l’absence de

sélection

Randomisation : tirage au sort

Groupe
Contrôle

Groupe
Expérimental

Forme bénigne
Forme grave

23

Exposition aux biais

24

12
 26/11/2022

Au cours de l’étude

• Attention si :
• Modification de suivi selon le groupe d’intervention
après la randomisation

• Biais de performance
• inégalités dans l’administration, l’observance ou le suivi des
traitements, dans la réalisation de l’intervention, l’intensité du
suivi, la prescription et l’utilisation de co-interventions, co-
prescriptions, la compliance au traitement, le nombre de sortie
d’étude et de perdus de vue
• La comparabilité des groupes n’est plus maintenue au cours du
suivi
• Perte du bénéfice de la randomisation

25

25

BIAIS DE PERFORMANCE

Pour limiter le biais de performance dans un essai

clinique, il faut assurer l’insu du patient, et l’insu de
l’investigateur (médecin ou équipe soignante), du type
de traitement reçu (placebo, référence, traitement
testé) afin de maintenir la comparabilité initiale des
groupes tout au long de l’étude
– Si l’équipe soignante ne connait pas les groupes de traitement, les
patients seront pris en charge de la même façon
– Si le patient ne connait pas son groupe de traitement, l’observance
devrait être la même dans les 2 groupes (non influencée par la
connaissance du traitement expérimental ou placebo), ainsi que le
nombre de perdus de vue

– Insu = aveugle
26

26

13
 26/11/2022

Au cours de l’étude

• Attention si :
• Différence systématique lors de l’évaluation des critères
d’efficacité ou des effets indésirables entre les groupes

• Biais de mesure
• La comparabilité des groupes n’est plus maintenue au
moment de l’évaluation des critères de jugement
• Perte du bénéfice de la randomisation

27

27

BIAIS DE MESURE

• Pour limiter le biais de mesure dans un essai clinique, il faut

assurer l’insu du patient, et l’insu de l’évaluateur du
traitement reçu, afin de maintenir la comparabilité initiale
des groupes tout au long de l’étude.

28

28

14
 26/11/2022

L’essai randomisé « idéal »

Population

Randomisation

Groupe traité A Groupe contrôle B

A A A A B B B B
A A A A Groupes comparables B B B B
A A A A Insu B B B B
Maintien comparabilité

Résultats dans le Résultats dans le

groupe A groupe B
A A A A B B B B
A A A A B B B B
A A A A B B B B

29

L’essai randomisé avec risque de biais

Population

Randomisation

Groupe traité A Groupe contrôle B

A A A A B B B B
Groupes comparables
A A A A B B B B
A A A A B B B B
Inclus à tort Prise du traitement de l’autre
A
groupe B perdus
de vue
perdus A B Arrêt
de vue B A prématuré
B A A
A A A B B B
A A B B B
A A B B
Perte comparabilité

Risque de Biais : sélection/attrition

30

15
 26/11/2022

COMMENT LIMITER LE RISQUE DE BIAIS ?

• il faut analyser le critère principal en intention de traiter, c’est à

dire analyser TOUS les patients randomisés dans leur groupe de
randomisation quelque soit l’intervention et ce afin de
maintenir la comparabilité des groupes

• En cas de données manquantes sur le critère de jugement

principal, idéalement il faut prendre en compte les patients
pour lesquels aucune valeur du critère de jugement n’est
disponible en remplaçant les données manquantes. Ceci se fait
à l’aide de procédures statistiques d’imputation multiple des
données manquantes.

31

Exposition aux biais

• Biais de sélection
• Groupes intervention/non intervention non comparables
initialement
• Biais de confusion
• Liés aux facteurs de confusion (effet caractéristique des individus)
• Biais de performance
• Suivi différentiel en fonction de l’interventions reçue
• Biais de mesure
• Critère de jugement évalué différemment en fonction de
l’intervention reçue
• Biais d’attrition
• Patients perdus de vue ou retrait de certains patients lors de
l’analyse

32

16
 26/11/2022

Population

Randomisation
Sélection des groupes
Biais de sélection et de confusion
Groupe Groupe
intervention A intervention B Administration du
traitement/intervention
Aveugle Évaluation du critère de jugement
Biais de suivi et d’évaluation
Résultats de A Résultats de B
Prise en compte des perdus de vue
Analyse ITT
Biais d’attrition

33

Typologie des études

34

17
 26/11/2022

Essais contrôlés randomisés

35

35

Généralités

• Expérimentation avec contrôle complet de la nature de l’intervention et du

choix des sujets qui en bénéficient
• Collecte des données spécifique à l’étude : critères de jugement libres
• Tirage au sort
• L’appartenance au groupe avec ou sans intervention est déterminée de façon aléatoire.
Cela permet d’éviter que l’attribution de l’intervention à un sujet soit influencée par son
état de santé ou autre

→ ECR = méthode idéale de référence

36

36

18
 26/11/2022

Randomisation

• Randomisation par patient (« patient randomized trial »)

• Randomisation par grappes ou clusters (« cluster randomized trial »)
• Essais simples (à deux bras ou plus)
• Essais complexes
• Plans factoriels
• Blocs incomplets
• Carrés latins
• Stepped wedge
• …

37

37

Randomisation par patient

• Forme la plus classique de l’essai randomisé : unité de randomisation

individuelle
• Les malades sont randomisés et ont l’intervention A ou B.

• En principe, la randomisation permet de faire en sorte que tous les

facteurs pronostiques connus ou inconnus soient équitablement répartis
entre les 2 groupes
• Important car il est très difficile de connaitre les facteurs de confusion
potentiels liés à l’organisation des soins ou aux performances
professionnelles
• Mais risque de contamination entre les groupes

38

38

19
 26/11/2022

Randomisation en grappes

• Dans certains cas, il est impossible de randomiser par patient

• Par exemple, on ne peut pas demander à un médecin de mettre en œuvre des
recommandations de bonne pratique pour un malade et de ne pas les utiliser pour un
autre

• Alternative : randomisation avec une unité de randomisation collective

• L’ensemble des malades suivis par un même médecin ou par une structure de soins
constitue une grappe (= cluster)
• Exemple de grappe : médecins, services, hôpitaux, entreprises, zones géographiques,
écoles, familles…

39

39

40

40

20
 26/11/2022

Exemple : vaccination du personnel

Essai randomisé en cluster

Randomisation de maisons de
retraite (n = 50)

Vaccination du Pas de vaccination du

personnel : 25 maisons personnel : 25 maisons de
de retraite retraite

Mortalité des patients Mortalité des patients

Bras intervention Bras contrôle

41

41

Unité d’analyse / de randomisation

• Singularité des essais en cluster : l’unité d’inférence des résultats

(c’est-à-dire l’unité qui sera prise en compte pour l’analyse et
l’extrapolation des résultats : souvent les patients) n’est pas la
même que l’unité de randomisation (ici : cabinets de soins)

Carrés de couleurs =
unités de
randomisation

Lettres = unités
d’analyses

42

42

21
 26/11/2022

Pourquoi randomiser en grappes (1/2)

• L’avantage majeur est de limiter ou éviter le risque de contamination

• Ex : les médecins randomisés dans le bras témoin sont influencés par les professionnels
du bras intervention et améliorent leurs pratiques.
• Efficacité d’un nouveau programme de prise en charge anténatale : randomisation des
hôpitaux
• Les médecins travaillant dans le même hôpital auront une attitude homogène

43

43

NB : la contamination

• Les patients du bras sans intervention en bénéficient quand même

• Conséquence : la contamination peut entrainer une sous-estimation de
l’effet réel de l’intervention et augmenter le risque d’erreur de type II
(manque de puissance)
• Les deux groupes ne sont plus indépendants

44

44

22
 26/11/2022

Pourquoi randomiser en grappes (2/2)

• Les programmes de santé sont généralement mis en place à un niveau

collectif plutôt qu’à un niveau individuel
• Ex : efficacité d’une supplémentation en vitamine A dans 450 villages randomisés
(randomisation des sujets considérée comme non réalisable « politiquement et
administrativement »)

• Il est parfois inapproprié ou impossible en pratique de randomiser des

individus. Un même médecin ne peut pas traiter plusieurs malades de
manière différente
• Dans le domaine de la recherche en services de santé, la randomisation
par patient est rarement utilisée

45

45

Limites de la randomisation en grappe

• Risque plus important de non-comparabilité des deux groupes (ex : les

patients d’un hôpital ne sont pas toujours exactement identiques de ceux
d’un autre hôpital)
• Nombre de sujets nécessaires plus important : augmentation du nombre
de sujets nécessaires par rapport à un essai à randomisation individuelle à
cause des données corrélées dans les grappes
• Analyse statistique plus complexe

46

46

23
 26/11/2022

Calcul du nombre de sujets nécessaires

• Augmentation du nombre de sujets nécessaires par rapport à un essai à

randomisation individuelle à cause des données corrélées dans les
grappes
• Coefficient de corrélation intraclasse (CCI) : mesure le degré de
ressemblance (ou niveau de corrélation) des individus au sein d’une
grappe
• CCI nul = indépendance entre les individus (essai avec randomisation individuelle
classique)
• Plus le CCI est élevé, plus les patients d’une grappe sont semblables
• On augmente la taille standard de l’échantillon trouvée par la méthode
classique par un facteur d’inflation (FI) égal à :
• FI = 1+(n-1) x CCI, où n = taille moyenne d’une grappe

47

47

Calcul du nombre de sujets nécessaires

Exemple :
• Nombre de sujets nécessaires pour un essai avec randomisation
individuelle = 200
• Mais randomisation en clusters, avec 20 patients par cluster et un CCI
égal à 0,05
• FI = 1+(n-1) x CCI = 1 + (20 – 1) x 0,05 = 1,95

→ NSN pour l’étude en clusters : 200 x 1,95 = 390

48

48

24
 26/11/2022

Essais contrôlés randomisés en

clusters
Designs particuliers

49

49

ECR en clusters
• Par simplicité, privilégier les essais en clusters en groupes parallèles
• Dans certaines situations, des designs d’étude alternatifs peuvent être
utilisés

Intervention
expérimentale
Inclusion Randomisation

Intervention
contrôle

50

50

25
 26/11/2022

Crossover
• Même principe qu’en randomisation individuelle : alternance de périodes avec
l’intervention A et avec l’intervention B

Période 1 Période 2

Intervention Intervention
expérimentale contrôle
Inclusion Randomisation Wash-out
Intervention Intervention
contrôle expérimentale

La randomisation détermine l’ordre d’administration des traitements

Le cluster est son propre témoin. Pendant une période, il reçoit l’intervention
expérimentale et ensuite l’intervention contrôle (ou le contraire).
51

51

Crossover
• Même principe qu’en randomisation individuelle : alternance de
périodes avec l’intervention A et avec l’intervention B

• Avantages
• Sépare l’effet traitement de l’effet période
• Diminue le risque de non-comparabilité des groupes (chaque cluster est son propre
contrôle)
• Nombre de sujets nécessaires moins important
• Inconvénients
• Effet rémanent des interventions ?
• Pas toujours possible (interventions avec modifications organisationnelles)
• Plus long

52

52

26
 26/11/2022

Plan factoriel (1/4)

• Essai contrôlé randomisé en cluster avec plan factoriel
• Evalue simultanément l’effet de deux interventions (ou plus) en utilisant
diverses combinaisons de ces interventions
• Cas le plus simple : le plan factoriel 2x2 dans lequel les grappes sont
réparties aléatoirement dans l’une des quatre combinaisons de deux
interventions (A et B) :
• A seul
• B seul
• A et B
• ni A ni B (témoin)
R

A Contrôle de A

B Contrôle de B B Contrôle de B
53

53

Plan factoriel (2/4)

→ Randomisation
intervention A
NON OUI

Groupe 2
Groupe 1
NON Intervention A
intervention B
→ Randomisation

Aucune intervention
uniquement

Groupe 3
Groupe 4
OUI Intervention B
Interventions A et B
uniquement

54

54

27
 26/11/2022

Plan factoriel (2/4)

→ Randomisation
intervention A
NON OUI

Groupe 2
Groupe 1
NON Intervention A
intervention B
→ Randomisation

Aucune intervention
uniquement

Groupe 3 A vs.
contrôle Groupe 4
OUI Intervention B
Interventions A et B
uniquement

55

55

Plan factoriel (2/4)

→ Randomisation
intervention A
NON OUI

Groupe 2
Groupe 1
NON Intervention A
intervention B
→ Randomisation

Aucune intervention
uniquement
B vs. contrôle
Groupe 3
Groupe 4
OUI Intervention B
Interventions A et B
uniquement

56

56

28
 26/11/2022

Plan factoriel (3/4)

• Exemple : évaluation de l’effet de deux interventions visant à diminuer
sur le nombre d’examens de laboratoire prescrits par des médecins
généralistes
• Participants : 85 cabinets de médecins généralistes du Nord-Est de l’Écosse
• Interventions :
• Document diffusé à chaque cabinet de médecins, présentant leurs données de
prescription des 3 dernières années concernant 9 tests biologiques comparées aux
données régionales (feedback)
• Recommandations simples accompagnant chaque résultat d’un des 9 tests biologiques
prescrit par un médecin des cabinets d’intervention concernés (message éducationnel)

57

57

Plan factoriel (4/4)

• Exemple : évaluation de l’effet de deux interventions visant à diminuer
sur le nombre d’examens de laboratoire prescrits par des médecins
généralistes

• Critère de jugement : nombre d’examens prescrits avant et durant les 12 mois de la

période intervention

• Résultats : baisse du nombre total d’examens

• De 10% dans le groupe retour d'informations
• De 10% dans le groupe messages éducationnels
• De 20 % dans le groupe retour d'informations + messages éducationnels (effet
additif des deux types de messages)

58

58

29
 26/11/2022

Plan en carré latin (1/2)

• Evalue simultanément l’effet de plusieurs interventions en alternant leur
ordre dans le temps
• Tirage au sort de l’ordre des interventions à chaque période

A B C B C A C A B

Phase 1 Phase 2 Phase 3

62

62

Plan en carré latin (2/2)

• Exemple : évaluation d’une aide informatisée pour la prescription des
médicaments anti-vitamine K

• A : période témoin
• B : rappel simple
• C : rappel individualisé

A B C B C A C A B

Phase 1 Phase 2 Phase 3

63

63

30
 26/11/2022

Stepped wedge (1/3)

• Passage du groupe témoin au groupe intervention de façon séquentielle
au cours du temps dans les différentes grappes, par tirage au sort

• Réservé aux interventions ne pouvant pas commencer en même temps dans tous les
clusters (besoins de formations importants…)

64

64

Stepped wedge (2/3)

65

65

31
 26/11/2022

Stepped wedge (3/3)

• Exemple : évaluation d’un dispositif de détection-intervention précoce
sur l’accès aux soins chez l’adolescent et le jeune adulte présentant une
psychose débutante impliquant

• Structuration des centres et formation de l’ensemble des personnels

• Prise en charge standardisée des patients
• Sensibilisation des professionnels de soins primaires et promotion des centres pour
faciliter l’adressage

66

66

Etudes quasi-expérimentales

67

67

32
 26/11/2022

Pourquoi ?

• Parfois : barrières politiques, éthiques, organisationnelles ou

financières à la randomisation
Ou
• Nécessiter d’évaluer une intervention / politique de santé déjà en
place
→ Etudes quasi-expérimentales (sans tirage au sort)

• Types d’étude
• Etudes avant/après
• Etudes ici/ailleurs
• Séries chronologiques
• Séries chronologiques contrôlées
• Etudes avant/après ici/ailleurs

68

68

Conséquences

• Pas de jugement de causalité

• En fonction de quand a lieu le choix du design, liberté ou non du

choix des critères de jugement

• Décision a priori de faire un certain type de design : possibilité de mettre un

place un recueil spécifique

• Evaluation d’une intervention qui a déjà commencé et choix du design par défaut
parmi les possibles : recueil à T0 impossible (T0 dans le passé). Impact ++ sur le
choix des critères de jugement

69

69

33
 26/11/2022

Planification

1) Recueil spécifique des critères de jugement pour l’étude

• CRF, revues de dossiers, audits de pratiques (dépend du critère de jugement)
• Risque de modification des pratiques en présence d’un observateur
indépendant

• Avantages
• On décide quels sont les indicateurs les plus pertinents en fonction de
l’intervention étudiée
• On peut recueillir des données plus fines

• Inconvénients : coût, nécessité de personnel entrainé et dédié

70

70

Planification

2) Recueil non spécifique des critères de jugement pour l’étude

• Il existe de multiples systèmes d’information (à l’hôpital ou dans les bases
médico-administratives) sur la prescription d’examens complémentaires, de
médicaments… ainsi que des données populationnelles de morbi-mortalité

• Avantages
• Existent parfois depuis plusieurs années (permet de voir l’évolution au cours
du temps)
• Pas de moyens supplémentaires à mettre en œuvre pour le recueil des
données

• Inconvénients : données parfois inexactes ou incomplètes, en particulier pour les

facteurs de confusion potentiels, ou ne correspondant pas à ce qu’on voudrait
mesurer

71

71

34
 26/11/2022

Etude avant/après (1/4)

• Méthode historique

• Mesure de l’indicateur de résultat avant et après la mise en place de

l’intervention pour conclure à son efficacité si la pratique s’est
améliorée entre les deux mesures
• Le « avant » sert de référence pour évaluer l’efficacité « après »
• Semble logique !

• Mais rarement suffisant pour conclure → la différence observée après

l’intervention peut être due à :
• une évolution spontanée
• des changements de méthodes de recueil des données
• d’autres interventions concomitantes
• l’effet Hawthorne

72

72

Etude avant/après (2/4)

• Exemple : Conférence de consensus : recommandation de
prostatectomie radicale dans les cancers de la prostate

Taux de prostatectomie
radicale
50 %

40 % Intervention : conférence de
consensus
Temps

Conclusion de l’étude avant/après : augmentation du taux de prostatectomie après la

publication des recommandations de la conférence de consensus → les pratiques se sont
améliorées grâce à l’intervention

73

73

35
 26/11/2022

Etude avant/après (3/4)

• MAIS quand on regarde la tendance préexistante :

Taux de prostatectomie
radicale

Temps

74

Etude avant/après (4/4)

• MAIS quand on regarde la tendance préexistante :

Taux de prostatectomie
radicale

Temps

Tendance à l’amélioration préexistante !

Lorsqu’on analyse les données sur une période prolongée, et non pas simplement par un
point de mesure avant et après l’intervention, on observe que la publication des
recommandations de la conférence de consensus n’a eu aucun impact

75

36
 26/11/2022

Séries chronologiques (1/6)

• Pour palier à la limite de l’avant/après

• Permet de détecter si une intervention a modifié une tendance
préexistante en utilisant plusieurs points de mesure avant et après
l’intervention pour évaluer la tendance préexistante et les variations
saisonnières éventuelles

• Au moins 3 points avant et après

• Avant l’intervention pour évaluer la tendance préexistante et les variations
saisonnières éventuelles
• Après l’intervention pour déterminer l’effet de l’intervention en prenant en
compte la tendance sous-jacente

76

76

Séries chronologiques (2/6)

• Situation 1
Date de
début de
Critère de jugement l’intervention

Temps

Conclusion ?

77

77

37
 26/11/2022

Séries chronologiques (2/6)

• Situation 1
Date de
début de
Critère de jugement l’intervention

Temps

Conclusion : pas d’effet

de l’intervention
78

78

Séries chronologiques (3/6)

• Situation 2
Date de
début de
Critère de jugement l’intervention

Temps

Conclusion ?

79

79

38
 26/11/2022

Séries chronologiques (3/6)

• Situation 2
Date de
début de
Critère de jugement l’intervention

Temps

Conclusion : effet…
mais de quoi ?
80

80

Séries chronologiques (4/6)

• Limite : pas de groupe contrôle donc impossible de savoir si c’est

l’intervention qui a entraîné l’effet observé ou autre chose

• Nécessite
• De disposer d’un système d’information permettant d’obtenir des données
enregistrées systématiquement depuis plusieurs mois/années selon la
temporalité (ex : mortalité, morbidité périnatale, maladies à déclaration
obligatoire…)

• De montrer que l’intervention n’a pas affecté le recueil de données qui a été fait
de la même façon avant et après ++

81

81

39
 26/11/2022

Séries chronologiques (5/6)

• Exemple : évaluation d’une alerte informatique pour identifier les

suspicions de septicémie aux urgences, associée à un protocole de
prise en charge

• Etude monocentrique aux urgences d’un hôpital

• Critère de jugement principal : délai entre l’arrivée et l’administration
d’antibiotiques
• Recueil à partir des dossiers médicaux (informatisé)

82

82

Séries chronologiques (6/6)

• Exemple : évaluation d’une alerte informatique et d’un protocole

pour la prise en charge des suspicions des septicémies aux urgences
• Résultat :

83

83

40
 26/11/2022

Séries chronologiques contrôlées (1/6)

• Même principe que la série chronologique avec des mesures de

l’évolution du critère de jugement dans un groupe ne bénéficiant
pas de l’intervention en plus

• Permet de voir si l’effet retrouvé là où a lieu l’intervention est

unique ou s’il est également observé dans des endroits où
l’intervention n’est pas mise en place
• Si c’est le cas, l’effet observé n’est pas dû à l’intervention

84

84

Séries chronologiques contrôlées (2/6)

• Situation 1
Date de
début de
Critère de jugement l’intervention
Groupe
intervention

Groupe
contrôle

Temps

Conclusion ?

85

85

41
 26/11/2022

Séries chronologiques contrôlées (2/6)

• Situation 1
Date de
début de
Critère de jugement l’intervention
Groupe
intervention

Groupe
contrôle

Temps

Conclusion : pas d’effet

de l’intervention
86

86

Séries chronologiques contrôlées (3/6)

• Situation 2
Date de
début de
Critère de jugement l’intervention
Groupe
intervention

Groupe
contrôle

Temps

Conclusion ?

87

87

42
 26/11/2022

Séries chronologiques contrôlées (3/6)

• Situation 2
Date de
début de
Critère de jugement l’intervention
Groupe
intervention

Groupe
contrôle

Temps

Conclusion : pas d’effet

de l’intervention
88

88

Séries chronologiques contrôlées (4/6)

• Situation 3
Date de
début de
Critère de jugement l’intervention
Groupe
intervention

Groupe
contrôle

Temps

Conclusion ?

89

89

43
 26/11/2022

Séries chronologiques contrôlées (4/6)

• Situation 3
Date de
début de
Critère de jugement l’intervention
Groupe
intervention

Groupe
contrôle

Temps

Conclusion : effet de
l’intervention
90

90

Séries chronologiques contrôlées (5/6)

• Exemple : évaluation d’une intervention visant à diminuer le taux

d’arthroscopie du genou par une éducation des chirurgiens et la
revue des dossiers par le chef de service avant la programmation
au bloc opératoire des patients > 50 ans

• Mise en place de l’intervention : 2011

• Dans un district d’une région d’Australie (hôpitaux publics et privés)
• Critère de jugement : taux d’arthroscopie

91

91

44
 26/11/2022

Séries chronologiques contrôlées (6/6)

• Exemple : évaluation d’une intervention visant à diminuer le taux

d’arthroscopie du genou par une éducation des chirurgiens et la
revue des dossiers par le chef de service avant la programmation
au bloc opératoire des patients > 50 ans
• Résultats

92

92

Études ici/ailleurs

• Comparaison au même moment de communautés distinctes

géographiquement, l’une recevant l’intervention et l’autre pas
• Exemple :
• Evaluation d’un programme visant à réduire la fréquence des naissances
<2500gr.
• Région bénéficiant du programme comparée à une région voisine où le
programme n’avait pas été mis en place

• Principales sources de biais

• Différences initiales entre les populations comparées (facteurs liés à la santé,
aux niveaux de risque…)
• Contamination entre les groupes

93

93

45
 26/11/2022

Études avant/après ici/ailleurs (1/3)

• Alternative aux études avant/après et aux études ici/ailleurs pour

pallier à leurs limites
• Etude avant/après avec une population témoin (« ailleurs ») ayant les mêmes
caractéristiques que la population qui va subir l’intervention (« ici »)
• Recueil des données avant et après l’intervention dans les deux populations

• Permet d’éviter les problèmes des études avant/après simples

grâce au groupe contrôle
• Difficulté : trouver une population témoin comparable à la
population intervention

94

94

Études avant/après ici/ailleurs (2/3)

Critère de jugement principal Groupe intervention (ici) Groupe contrôle (ailleurs)

T0 (avant) a b
Fin d’étude (après) a' b'
Différence a’ - a b’ - b

Test : (a’ – a) – (b’ – b) ≠ 0 ?

95

95

46
 26/11/2022

Études avant/après ici/ailleurs (3/3)

Taux de vaccination Groupe intervention (ici) Groupe contrôle (ailleurs)

T0 (avant) 25% 23%
Fin d’étude (après) 42% 26%
Différence 17% 3%

Différence des différences : 14% -

statistiquement différent de 0 ?

96

96

Les études observationnelles

97

47
 26/11/2022

Généralités

• Aucun contrôle de l’attribution de l’intervention par

l’épidémiologiste évaluant l’intervention
• Difficultés d’interprétation des résultats
• Pas de jugement de causalité

98

98

Les types d’enquêtes observationnelles

Enquête de cohorte prospective

Exposition
F. de risque Exposition
Maladie/Pronostic
Oui / Non
F. pronostiques
Enquête de cohorte historique/rétrospective

Exposition Maladie / Pronostic

Oui/Non

Enquête cas / témoins

Exposition Maladie/ Pronostic plus rarement
Oui/non
Enquête transversale
Exposition Oui/non
Maladie/Pronostic Oui/non
Temps
présent

99

48
 26/11/2022

Étude de cohorte
Principes

Exposition au(x) Événement

facteur(s) de Devenir
risque/pronostic Maladie

Exposée Oui

Non

Population Échantillon TEMPS

Oui

Non Exposée Non

Présent Futur 100

100

Étude de cohorte
Principes
Risque
Exposition au(x) Événement
facteur(s) de Devenir
risque/pronostic Maladie
Tabac
KBP
Exposée Oui

Non Pas de
KBP

Population Échantillon TEMPS

La population KBP
Oui
générale « en
âge » d’être Non Exposée Non Pas de
exposée
KBP
Pas de tabac

Présent Futur 101

101

49
 26/11/2022

Étude de cohorte
Principes
Pronostic
Exposition au(x) Événement
facteur(s) de Devenir
risque/pronostic
Envahissement Maladie
du médiastin
Décès
Exposée Oui

Non Survie

Population Échantillon TEMPS

La population des Décès
Oui
patients atteints
de KBP Non Exposée Non Survie

Pas
d’envahissement
du médiastin
Présent Futur 102

102

Étude de cohortes

PASSE PRESENT FUTUR

Cohorte
concourante/prospective
Cohorte Suivi

Cohorte
historique/rétrospective
Cohorte Suivi

103

50
 26/11/2022

Études cas-témoins
Principes : Etude rétrospective

Exposition au facteur Cas

d ’exposition
KBP
Tabac
Oui
Échantillon
Pas de de malades
tabac
Non
TEMPS Population
à risque
Tabac Oui RECHERCHE Échantillon
de non
Pas de malades
Non Pas de KBP
tabac
La population
générale adulte « en
Témoinsâge » d’être exposée
• Étude rétrospective FDR

• Sélection de la population en fonction de la présence ou non du critère de

la maladie
• Recherche rétrospective de l’exposition au facteurs de risque 104

104

Etude transversale

à Recrutement des personnes

présentes à un moment t donné

à Pas de sélection sur expositions

ou maladies

La photo d’une
population

105

51
 26/11/2022

Objectifs de l’étude transversale

àFréquence d’une exposition, d’une maladie

àDistribution d’un paramètre de santé dans la population

àPrévalence d’une maladie/évènement de santé

à parfois appelée étude de prévalence

Pas de calcul d’incidence

dans une enquête transversale

106

Quelle étude choisir ?

107

107

52
 26/11/2022

Choix du type d’étude

• Dépend
• De la question posée
• Des données disponibles
• De l’intervention
• …

• Tant que possible, privilégier une étude avec randomisation

108

108

Quand choisir une méthode sans

randomisation (1/2)

• Randomisation difficile/impossible
• Intervention appliquée à l’ensemble de la population
• Promulgation d’une loi ou de mesures réglementaires
• Évaluation d’une campagne d’information
• Groupe témoin difficile à constituer
• Technique déjà très répandue dans la population
• Tirage au sort jugé non éthique

109

109

53
 26/11/2022

Quand choisir une méthode sans

randomisation (2/2)
• Dépend des objectifs de l’évaluation
• Efficacité déjà prouvée dans des conditions optimales → vérification en vie réelle
• Evaluation de différentes formes d’une même stratégie d’intervention (plutôt que
plusieurs interventions concurrentielles)

• Existence de conditions favorables pour l’établissement d’un

jugement de causalité
• Possibilité d’implanter l’intervention dans plusieurs communautés, ce qui permet
de vérifier qu’elle produit des résultats semblables dans différentes populations

110

110

54