Docteur : Theodoros Evrenoglou
Titre : Gestion des données éparses dans les méta-analyses en réseau
Encadrante : Anna Chaimani
Ecole doctorale : ED 393 Epidémiologie et Sciences de l’Information Biomédicale, Université Paris Cité
Date de soutenance : 30/11/2022
Jury : Tim Fried (rapporteur), Stefan Michiels (rapporteur), Nicky Welton, Georgia Salanti, Raphaël Porcher, Anna Chaimani
Résumé
En méta-analyse, le problème des données éparses peut être défini comme le cas où l’événement étudié est rare dans un ensemble d’études disponibles ou comme le cas où il y a peu d’études disponibles. Dans ces deux contextes, l’approche classique de la variance inverse (IV), utilisée pour la méta-analyse par paires ou par réseau (NMA), peut être problématique. Cela est dû aux hypothèses de normalités classiques faites par le modèle IV conventionnel qui ne sont pas valides et par conséquent les estimations de l’effet moyen peuvent être biaisées. Cette thèse se compose de trois projets différents. L’objectif du premier projet était de traiter le problème des événements rares dans la NMA dans le cadre de données binaires. Une méthode de pénalisation de la fonction de vraisemblance a été proposée précédemment pour réduire le biais dans l’analyse des études individuelles avec des événements rares. Afin d’améliorer l’exactitude et la précision des estimations de la NMA en présence d’événements rares, le premier projet visait à étendre l’approche de la fonction de vraisemblance pénalisée au contexte de NMA. Cette dernière a eu lieu, premièrement, pour le modèle NMA à effet commun qui utilise la régression logistique. Le modèle à effet commun a été étendu à un modèle à effet aléatoire en utilisant une approche en deux étapes qui incorpore le paramètre d’hétérogénéité par un terme multiplicatif. Les performances du modèle PL-NMA ont été évaluées grâce à une simulation comprenant 33 scénarios. La simulation a montré que l’approche PL-NMA produit de bons résultats dans tous les scénarios testés et résulte le plus 5 souvent en un plus petit biais que les autres méthodes de NMA. Le second projet de cette thèse visait à faciliter l’estimation des effets moyens des interventions pour des évènements rares dans le contexte de la pandémie de Covid-19. L’initiative COVID-NMA est une plateforme dynamique de synthèse de données qui offre un accès public aux informations les plus récentes sur les effets des différentes interventions contre le Covid-19. Les événements rares sont assez fréquents dans la base de données COVID-NMA. Par exemple, sur les 432 essais cliniques randomisés avec des patients hospitalisés dans la base de données, le risque médian pour l’événement d’effets indésirables graves est seulement de 8%. L’application metaCOVID est une application R-Shiny disponible gratuitement et qui permet à n’importe quel utilisateur de la plateforme COVID-NMA d’effectuer différentes analyses complexes de façon intuitive. metaCOVID traite les événements rares en permettant le remplacement du modèle IV par des modèles plus adaptés aux données éparses. Enfin, le troisième projet s’est penché sur la question des réseaux éparses dans la NMA. C’est le cas des réseaux qui contiennent un nombre limité de comparaisons directes et très peu d’études pour apporter des informations à ces comparaisons. Les résultats de tels réseaux s’accompagnent d’une grande incertitude, non seulement dans les estimations, mais aussi dans la plausibilité des hypothèses sous-jacentes de la NMA. Un cadre bayésien a été proposé pour permettre le partage d’informations entre deux réseaux qui se rapportent à différents sous-groupes de la population. En particulier, les résultats d’un sous-groupe comportant beaucoup de comparaisons formant un réseau « dense » ont été utilisés pour créer des informations a priori sur les effets relatifs du sous-groupe cible formant un réseau épars. Il s’agit d’une approche en deux étapes où, premièrement, les résultats du réseau dense sont extrapolés au réseau épars à l’aide d’un modèle NMA utilisant un paramètre de localisation qui déplace la distribution des effets relatifs pour les rendre applicables à la population cible. Deuxièmement, les prédictions de ces résultats sont 6 utilisées comme prior pour le réseau épars. Il a été constaté que l’approche en deux étapes permettait d’obtenir des estimations plus précises et plus robustes des estimations NMA.
