Edtimation de l'effet d'une intervention complexe sous la forme d'une différence de risques - Challenges conceptuels et biostatistiques – ESCIENT

Les interventions complexes peuvent se définir comme des ensembles de composantes inter-reliées au sein d’un système plus large avec lequel elles interagissent. En santé, les organisations de parcours de soin, la promotion de la santé, les interventions éducatives sont des interventions complexes, lesquelles s’adaptent au contexte dans lequel elles sont déployées.
Evaluer ces interventions est le propre de la recherche interventionnelle en santé des populations. Parmi les approches méthodologiques utilisées on compte l’essai randomisé en cluster, i.e. un essai dans lequel on randomise des unités sociales (telles des zones géographiques, des écoles, des établissements de santé) qu’on appelle des clusters.
Un tel essai soulève deux défis. Le premier consiste à définir la population à analyser. Si la stratégie en intention de traiter prévaut, des analyses de populations per-protocol et « as treated » font sens, car elles permettent de mieux appréhender les composantes de l’intervention inutiles ou à adapter. Elles permettent aussi de différencier un défaut d’efficacité dû à une intervention intrinsèquement inefficace de ce qui serait imputable à un défaut d’observance à l’intervention. Dès lors, la définition de ces population suppose de distinguer une déviation au protocole d’une adaptation de l’intervention au contexte, distinction qui peut s’avérer ténue. Le deuxième défi tient à la façon d’exprimer les résultats. Lorsque le critère de jugement est binaire, il est souhaitable d’exprimer l’effet intervention tant sur une échelle relative (au moyen d’un odds-ratio ou d’un risque relatif) que sur une échelle absolue, au moyen par exemple d’une différence de risques. Or les méthodes usuelles d’analyse des essais randomisés en cluster conduisent à l’estimation d’odds-ratios et on manque aujourd’hui de recommandations quant à la meilleure façon d’estimer une différence de risques lorsque les données ont une structure hiérarchique (i.e. les participants sont emboités dans les clusters).
Le projet ESCIENT vise à répondre à ce double objectif. La finalité est de produire des recommandations sur la façon dont un essai randomisé en cluster évaluant au moyen d’un critère de jugement binaire une intervention complexe en santé des populations doit être planifié, conduit et surtout analysé.
La première tâche visera à définir une typologie des déviations à une intervention complexe. A partir d’études conduites au sein du consortium, on identifiera des différences entre les composantes planifiées des interventions à celles effectivement mises en place puis on sollicitera des experts pour qu’ils apprécient à quel point les différences observées sont des déviations ou des adaptations au contexte. La typologie ainsi définie sera testée sur d’autres études conduites en dehors du consortium. Elle permettra de définir les populations per-protocole et « as-treated ».
En parallèle, la comparaison des méthodes statistiques pour estimer une différence de risque ajustée à partir de données avec structure hiérarchique sera faite au moyen d’études de simulations. On considérera un schéma expérimental simple de deux groupe parallèle (tâche 2) ainsi que les schémas croisés que sont l’essai en cluster cross-over et l’essai en stepped-wedge (tâche 3).
La tâche 4 visera à synthétiser l’ensemble des éléments afin d’établir des recommandations quant à la conduite de ces essais : quelles données doit on prévoir de recueillir pour définir la population d’analyse ? comment peut-on définir les populations d’analyse ? quelle méthode statistique doit-on utiliser pour estimer une différence de risque ajustée.
Au final, le projet ESCIENT contribuera à ce que les essais randomisés en cluster évaluant des interventions complexes en santé des populations soient planifiés et analysés au mieux. Les recommandations établies seront transdisciplinaires et auront donc un large impact sur l’évaluation des politiques de santé, et donc la santé des populations.