Conception d’un essai - Aspects statistiques
Upcoming SlideShare
Loading in...5
×
 

Conception d’un essai - Aspects statistiques

on

  • 1,525 views

Conception d’un essai - Aspects statistiques

Conception d’un essai - Aspects statistiques

Statistics

Views

Total Views
1,525
Views on SlideShare
1,525
Embed Views
0

Actions

Likes
0
Downloads
13
Comments
0

0 Embeds 0

No embeds

Accessibility

Categories

Upload Details

Uploaded via as Microsoft PowerPoint

Usage Rights

© All Rights Reserved

Report content

Flagged as inappropriate Flag as inappropriate
Flag as inappropriate

Select your reason for flagging this presentation as inappropriate.

Cancel
  • Full Name Full Name Comment goes here.
    Are you sure you want to
    Your message goes here
    Processing…
Post Comment
Edit your comment

Conception d’un essai - Aspects statistiques Conception d’un essai - Aspects statistiques Presentation Transcript

  • Conception d’un essai Aspects statistiques Michel CucheratCe(tte) œuvre est mise à disposition selon les termes de la Licence Creative CommonsAttribution - Pas d’Utilisation Commerciale - Partage dans les Mêmes Conditions 3.0 France
  • But à atteindre Un effet démontré par un résultat statistiquement significatif sans inflation du risque alpha Cela nécessite de prévoir – Une absence de multiplicité des comparaisons – Ou une procédure de contrôle du risque alpha lors de comparaisons multiples – Un effectif suffisant pour garantir une puissance satisfaisante à l’essai
  • Fluctuations aléatoires Échantillon 1 48% Échantillon 2 52% Obtenir pile à pile ou face (Probabilité = 50%) Échantillon 3 50% Échantillon 4 45%
  • Fluctuations aléatoires Échantillon 1 9% Échantillon 2 12% Même type de patients (Probabilité dAVC = 12%) Échantillon 3 16% Échantillon 4 26%
  •  Conséquences pour la comparaison de 2 échantillons – les proportions observées dans 2 échantillons peuvent être différentes – uniquement du fait du hasard – même si dans ces 2 échantillons la vraie probabilité était la même les FAE sont susceptibles de fausser les comparaisons
  • Conséquences des fluctuations Effet du traitement = 0 Vrai risque = 10% Vrai risque = 10% Groupe T+ Groupe T- Risque observé = 6% Risque observé = 12% Différence observée = -6%
  • Problématique des comparaisons Quand on ignore la réalité, la différence observée de -6% est-elle ? – une manifestation des fluctuations aléatoires, donc due uniquement au hasard – la traduction d’une réelle différence entre les deux groupes, donc d’un effet non nul du traitement Comment départager ces 2 possibilités ?  Solution : test statistique .
  • But des comparaisons Quel est le but des comparaisons ? Grp T Conclure à lexistence Décider dutiliser le diff -6% dune différence nouveau traitement Grp C La conclusion doit être conforme à la réalité mais elle se base uniquement sur l’observé
  • Effets des fluctuations dans une comparaison Le hasard peut faire apparaître une différence qui nexiste pas en réalité Inversement, le hasard peut réduire une différence qui existe réellement donc 2 façons de fausser la conclusion
  • Erreur statistique alpha Conclure à lexistence dune différence qui nexiste pas en réalité : faux positif Échantillon 1 7.5% Différence Vrai valeur non réelle 12% Échantillon 2 15%
  • Erreur statistique bêta Ne pas conclure à une différence qui existe pourtant en réalité : faux négatif Vrai valeur Échantillon 1 12% 15% Fausse absence de différence Vrai valeur Échantillon 2 19% 15%
  • Conclusion Différence Pas de différence Différence Erreur bêtaRéalité Pas de différence Erreur alpha
  • Application à l’essai thérapeutique Risque alpha : considérer comme efficace un traitement qui ne l’est pas Risque bêta : ne pas conclure alors que le traitement est efficace Puissance : montrer l’efficacité d’un traitement réellement efficace
  • Tests statistiques Outils daide à la décision Principe – conclure à une différence – que si le risque de faire une erreur (de première espèce) est faible Quantification du risque derreur alpha – à partir des données disponibles (Risque de commettre une erreur alpha = risque alpha)
  • Démarche du test statistique Calcul de la probabilité p – p : probabilité que "la différence observée soit due uniquement au hasard" p représente le risque de faire une conclusion erronée si lon décidait de conclure p est une quantification du risque alpha On ne conclut que si ce risque derreur est suffisamment petit
  • 5% ? Un risque de 5% est-il acceptable pour décider de lutilisation dun traitement Exigence réglementaire de 2 essais significatifs – alpha de la décision 5%*5%=2.5/1000
  • CRITÈRE DE JUGEMENT COMPOSITE
  • Exemples Événements coronariens majeurs (« MACE Major Coronary Events ») : décès, infarctus, nécessité de revascularisation Survie sans progression : durée jusqu’au critère composite décès ou progression de la maladie nécessitant un traitement (chirurgie)
  • Intérêts regrouper des équivalents du même phénomène clinique. mesurer directement le rapport bénéfice/risque sensibiliser la recherche dun effet,
  • Interprétation 1 Décès Ev non mortels Crit. composite 0.4 0.6 0.8 1.0 1.2 1.4 1.6 Risque relatif
  • Interprétation 2 Décès Ev non mortels Crit. composite 0.4 0.6 0.8 1.0 1.2 1.4 1.6 Risque relatif
  • Interprétation 3 Décès Ev non mortels Crit. composite 0.4 0.6 0.8 1.0 1.2 1.4 1.6 Risque relatif
  • Exemple Benestent Angioplasty Stent Relative risk n=410 n=413 (95%) Death 1 2 Q-wave myocardial 7 5 infarction Non Q-wave myocardial 6 10 infarction Coronary artery bypass 6 6 surgery Repeat PTCA 56 33 0,67 Composite endpoint 79 53 (0,48;0,92)
  • CARDS
  •  Exemple
  • ANALYSES INTERMÉDIAIRES
  • Analyses intermédiaires en cours d’essai, avant que tous les patients prévus aient été recrutés et/ou avant la fin de la période de suivi initialement prévue But arrêter prématurément – pour efficacité – pour toxicité – pour futilité
  • Ajustement du seuil de signification Méthode de Bonferroni – Pour k comparaisons, le seuil ajusté est : saj – Pour k=3, saj = 5% / 3 = 1.67% k – Quand est petit, k 1 1 k k 1 1 k – Donc pour conserver un risque alpha global de 5% : k 0.05 0.05 k – Inconvénient : fait l’hypothèse d’une stricte indépendance des variables testées  méthode conservatrice
  • Cas 1 Analyse intermédiaire Analyse 1 2 3 finale p = 0.10 p = 0.011 3 analyses intermédiaires + 1 analyse finale = 4 comparaisons s 5% / 4 1.25% Arrêt prématuré de l’essai aj
  • Cas 2 Analyse intermédiaire Analyse 1 2 3 finale p = 0.25 p = 0.08 p = 0.04 p = 0.01 Pas d’arrêt prématuré mais conclusion à l’efficacité
  • Cas 3 Analyse intermédiaire Analyse 1 2 3 finale p = 0.42 p = 0.28 p = 0.12 p = 0.04 Pas d’arrêt prématuré et résultat non significatif (p=4%>saj)
  • Cas 4 Analyse intermédiaire Analyse 1 2 3 finale P = 0.89 p = 0.48 p = 0.25 p = 0.10 Résultat non significatif
  • Autres méthodes Méthode Analyses intermédiaires Analyse 1 2 3 4 finale Pocock 0.017 0.017 0.017 0.017 0.017 O’Brien et 0.00005 0.004 0.012 0.025 0.04 Flemming Lan et 0.015 0.016 0.017 0.018 0.019 Demets 1 Lan et 0.00001 0.002 0.011 0.025 0.041 Demets 2 Peto 0.001 0.001 0.001 0.001 0.05 Fonctions de dépenses du risque alpha
  • P ajusté paj pk Problème : différents p donnés par les tests – exemple : 0.01, 0.02, 0.20 Problème de lintervalle de confiance
  • Méthode séquentielle Analyse en continue Test triangulaire
  • CARDS interim analysis when 25%, 50%, and 75% of the total anticipated primary endpoints had accrued. The interim analyses used an asymmetric (Peto-Haybittle) type rule and we prespecified that the board might advise termination if a significant difference emerged – in favour of atorvastatin (at p<0·0005 one-sided, p<0·001 twosided at any analysis) or – in favour of placebo (at p<0·005, 0·1, and 0·2 one-sided, for the three interim analyses, respectively). At the second interim analysis a significant difference was reported in favour of atorvastatin at p<0·001 (two-sided)
  • CARDS
  • PUISSANCE
  • Puissance Aptitude dune comparaison à mettre en évidence une différence qui existe réellement Pour une situation donnée, dépend du nombre de sujets 1-β β ne se calcule pas comme le p Conditionnée par le nombre de sujets Calcul du nombre de sujets +++
  • Conséquences dune puissance insuffisante Forte probabilité dobtenir un résultat négatif (différence non significative) – coût Force de conviction faible des petits essais – partie visible de liceberg Difficulté dinterprétation dune différence non significative
  •  Calcul a priori du nombre de sujets nécessaires – pour garantir une puissance élevée (80 - 95%) Le calcul dépend – de alpha (5%) – de la puissance recherchée (90%) – de la différence à mettre en évidence (vrai effet) – de la fréquence de lévénement r0 (dans le groupe placebo) nécessaire de faire des hypothèses sur r0 et le vrai effet – car inconnu avant de recueillir les observations
  •  La démarche est spéculative – si le vrai effet du traitement est de -7% – si la fréquence r0 est de 10% – un nombre de sujets de 578 – donne une puissance de 90% • lessai a 90% de chance de mettre en évidence cet effet Mais si en réalité – le vrai effet est plus petit – ou r0 < 10% – la probabilité dobtenir un résultat significatif est < 90%
  • Influence du nombre de sujets La signification statistique et la valeur de p – dépend du nombre de sujets (observations) n p1=7% p0=13% – n=100 p = 0.56 (NS) – n=1000 p = 0.01 (p<0.05) Visualisation avec les IC n=100 NS n=1000 P<0.05 Différence -6% 0
  • Taille de leffet 100% 75% Puissance 50% 25% 0% 0.4 0.5 0.6 0.7 0.8 0.9 1 Taille de leffet (risque relatif)
  • N 100% 75% Puissance 50% 25% 0% 0 1000 2000 3000 4000 5000 Nombre de sujets par groupe
  • Risque de base 100% 75% Puissance 50% 25% 0% 0 0.1 0.2 0.3 0.4 0.5 0.6 Risque de base
  • INTERVALLE DE CONFIANCE
  • Pertinence clinique Signification statistique pertinence clinique Réduction de mortalité de 25% à 12%, p<0.05 – réduction statistiquement significative – pertinente cliniquement Réduction de mortalité de 2.3% à 2.1%, p<0.05 – réduction statistiquement significative – peu pertinente cliniquement
  • Intervalle de confiance Différence = -6% IC 95% = [-8%;-4%] L’intervalle *-8%;-4%] à 95% de chance de contenir la vraie valeur de la différence reflète lincertitude de lestimation Il nest pas possible dexclure que le vrai effet ne soit que de - 4% – situation la pire – efficacité plus faible que les -6% de lestimation ponctuelle
  • Interprétation des IC ensemble des valeurs raisonnablement possibles pour la vraie moyenne il est raisonnable de parier que la vraie valeur est dans lintervalle (prob de 95%) 95% = degré de confiance il est peu probable (prob 5%) – que la vraie valeur soit > à bs – ou que la vraie valeur soit < à bi – il est donc peu raisonnable de parier que la vraie valeur soit à lextérieur de lIC
  • Relation entre IC et test -5% [-10%,-2%] P<0.05 -2% [-9%;+2%] NS Différence 0
  • Intervalle de confiance - test statistique -7.5% -5.0% -2.5% 0.0% 2.5% 5%
  • Nombre de sujets et largeur de lIC -15.0% -10.0% -5.0% 0.0% 5.0% 100 200 300 400
  • Rôle de la vraie valeur -20.0% -15.0% -10.0% -5.0% 0.0% 5.0% -2% -5% -10%
  • Intervalles de confiance Essai A Essai B Essai C Essai D Essai E 0.40 0.60 0.80 1.00 1.20 1.40 Risque relatif
  • AJUSTEMENT
  • Exposé de la problématique 25 25 Groupe 1 Groupe 2 20 20 Y Y 15 15 10 10 5 5 G1 G2 2 4 6 8 10 Groupe Covariable
  • Exposé de la problématique 2 25 25 Groupe 1 Groupe 2 20 20 Y Y 15 15 10 10 5 5 G1 G2 2 4 6 8 10 Groupe Covariable
  • Ajustement Lajustement consiste à corriger un résultat des effets parasites induits par des covariables influençant aussi le critère de jugement Réaliser la recherche de leffet du traitement en ajustant sur un autre facteur
  • Intérêts Augmenter la précision de lestimation Supprimer leffet des facteurs de confusion
  • Augmenter la précision a b 18 16 14 12 Y 10 8 6 4 y1 y0 1 2 3 4 5 6 Groupe Covariable
  • Augmenter la précision de lestimation Décès / n RR G. p G. traité [IC 95%] contrôle 5 / 200 10 / 200 0,50bon pronostic - 2,5% 5,0% [0,17 ; 1,44]mauvais 6 / 20 12 / 20 0,50 -pronostic 30% 60% [0,23 ; 1,07]Analyse non 11 / 220 22 / 220 0,50 p=ajustée 5% 10% [0,25 ; 1,01] 0,052 0,50 p=Analyse ajustée - - [0,27 ; 0,93] 0,027
  • Supprimer leffet des facteurs de confusion Décès / n RR G. p G. traité [IC 95%] contrôlemauvais 35 / 141 30 / 61 0,50 -pronostique 25% 49% [0,34 ; 0,74] 3 / 59 14 / 138 0,50bon pronostique - 5% 10% [0,15 ; 1,68]Analyse non 38 / 200 44 / 199 0,86 NSajustée 19% 22% [0,58 ; 1,27] 0,50 p<Analyse ajustée - - [0,35 ; 0,73] 0,001
  • Supprimer leffet des facteurs de confusion -stratification Décès / n RR G. p G. traité [IC 95%] contrôle mauvais 37 / 150 74 / 150 0,50 - pronostique 25% 50% [0,36 ; 0,69] 2 / 50 4 / 50 0,50 bon pronostique - 4% 8% [0,10 ; 2,60] Analyse non 39 / 200 78 / 199 0,50 0.0004 ajustée 19% 22% [0,36 ; 0,70] 0,50 p< Analyse ajustée - - [0,35 ; 0,73] 0,001
  • En pratique Risque de sur-ajustement en cas de – ajustement sur les variables déséquilibrées entre les groupes – choix post hoc Ajustement – Sur des variables pronostiques connues – défini a priori
  • ANALYSE DES DONNÉES DE SURVIE
  • Données de survie Objectif : montrer que le traitement recul le moment de survenue du décès (ou de nimporte quel événement) comparaison des temps moyens de survie Nécessite de suivre tous les patients jusquau décès – quasiment impossible A la fin de létude, une proportion variable de sujets sont toujours vivants
  •  Durée moyenne de survie – moyenne des durées de survie de chaque patient de léchantillon Exemple – n = 4 : 6 mois, 2 ans, 3 ans, 10 ans – moyenne = 3,9 ans – analyse impossible avant 10 ans !!! – Moyenne des données partielles est fausse (sous estime) • Calcul à 3 ans (3 décès / 4) = 1.83 ans
  • Calcul de la fréquence des décès Durées de suivi variables Les patients sont suivis + ou - longtemps Calcul de la fréquence des décès à un temps donné problématique – sous estime la mortalité Solution partielle – raisonnement en patients années – sous entend que le nombre de décès est proportionnel au temps dobservation --> Faux
  •  En pratique – suivi des patients sur une certaine période calendaire – arrêt du suivi à une date de point – détermination de létat (VV ou DCD) à la date de point – 2 types de données • patients DCD avant la date de point : durée de survie • patients toujours vivant à la date de point Censure du suivi – patient VV à la date de point – suivi censuré avant la survenue du décès
  • Référentiel initial des données Temps calendaire DC VV DC VV Calendrier 2001 2002 Date de point – les durées de suivi des censurés dépendent du recul (inclusion du patient - date de point)
  • Temps de survie Abscisse = temps de survie après inclusion DC VV DC VV Temps t=0 – pour chaque patient : durée de suivie ou de survie à partir de son t = 0 (inclusion)
  •  Autre source de censure : les perdus de vue – patients impossibles à contacter à la date de point – état à la date de point inconnu – date de dernières nouvelles (< date de point) • censure à cette date
  • Les différents types de censures 3 DC 2 DC 1 DC temps Période de suivi Fin du suivi
  • Courbe de survie Estimation suivant la méthode de Kaplan Meier – prise en compte des suivis censurés pour la période de temps où ils sont informatifs – le nb de patients pris en compte diminue au cours du temps au fur et à mesure des censures
  • Estimateur de Kaplan Meier 0.8 Survie S(t) 0.4 0.0 0 2 4 6 8 10 12 Temps (an)
  •  Courbe en escalier – la survie ne change que lorsque survient un décès S(t) Décès 100% Censure 90% t
  • Précision de lestimation 0.0 0.2 0.4 0.6 0.8 1.0 Intervalle de confiance à 95% S urvie S (t) 0 1 2 3 4 5 Tem ps (an)
  • Conséquence des censures Diminution de la quantité dinformation – une censure est non informative pour la durée de survie – mais il est partiellement informatif • (durée de survie au moins égale à x) – Perte de précision • la précision diminue au fur et à mesure de laccumulation des censures Biais – Les différents types de censure • perdus de vue • censures à la date de point – ne vont pas avoir les mêmes conséquences sur lestimation en terme de biais
  • Essai à durée de suivi fixe Premier patient 1 an de suivi Dernier patient Période dinclusion 1 an de suivi temps
  • Essai à date de point Date de fin Premier patient Dernier patient Période dinclusion temps
  • Cas mixte Date de fin Premier patient Dernier patient Période dinclusion temps
  • Essai à durée de suivi fixe (ou mixte) Censures sont liées à la 1.0 fin de lessai Létalement des 0.8 Survie S(t) censures correspond à 0.6 létalement des inclusions elles ne faussent pas la 0.4 partie de la courbe où il 0.2 n’y a pas de censure 0 5 10 15 Temps (mois)
  • Essai à date de point Censures 0 .2 0 .4 0 .6 0 .8 1 .0 représentent létalement des S urvi e S (t) inclusions Signification de la durée moyenne de suivi ? 0 5 10 15 T e m p s (m o i s )
  • Durée moyenne de suivi Courbe de survie représentée jusquà 12 mois, – mais seulement 30% des sujets ont été suivis aussi longtemps Valeur de la lestimation à 1 mois ? Il faut : – la durée de suivi durant laquelle tous les patients ont été suivis – la durée moyenne ou médiane – l’estimation de la survie n’est vraiment informative qu’à la médianne de survie
  • Censures non aléatoires Correspondent à des 1.0 perdus de vue ou à des sorties dessais 0.8 Survie S(t) Non indépendantes du 0.6 traitement ou de létat du patient 0.4 Biais dans lestimation de la courbe 0.2 0 5 10 15 Temps (mois)
  • Enox 40mg t0 : n=360 t100 : n=73 360-73 = 287 287/360 = 80%
  • Lecture verticale des courbes de survie Essai thérapeutique en cancero, nouvelle100% chimio comparée à chimio standard50% 51% Nouvelle chimio 25% Chimio standard 0% 3 ans Lecture verticale – comparaison à un temps donné des taux de survie ou du taux de décès – idem analyse à un temps de suivi donné
  • Lecture horizontale 100% 50% Nouvelle chimio Chimio standard 0% 10 mois 30 mois Le temps t50 pour lequel la survie est de 50% = médiane des temps de survie – 50% des sujets sont DCD, donc ont une durée de survie < t50 – 50% sont VV, donc ont une durée de survie > t50 Lecture horizontale – augmentation de la médiane de survie liée au traitement
  • Comparaison de 2 courbes Test du Logrank – hypothèse nulle : les 2 courbes sont superposées – test "globalement" si les 2 courbes sont différentes – peut être significatif même si la lecture horizontale ou verticale ne lest pas Modèle de Cox – ajustement multivarié
  • Modèle de Cox Méthode multivariée danalyse des données de survie Permet de faire des ajustements coefficients – exp(coeff.) = risque relatif instantané – facteur multiplicatif de la probabilité de décéder à un instant t test H0: coeff.=0 (RR instantané = 1) – le facteur modifie t-il la survie ?
  • Quantification de leffet traitement Rapport des risques instantanés – HR (hazard ratio) – assimilable à un risque relatif Estimable avec – le logrank – le modèle de Cox
  •  The median overall survival was 12.3 months in the paclitaxel– carboplatin–bevacizumab group, as compared with 10.3 months in the paclitaxel–carboplatin group (hazard ratio for death, 0.79; 95% CI, 0.67 to 0.92; P = 0.003) (Fig. 2A). Survival rates were 51% in the paclitaxel–carboplatin–bevacizumab group, as compared with 44% in the paclitaxel–carboplatin group, at 1 year and 23%, as compared with 15%, respectively, at 2 years.
  • MULTIPLICITÉ DES COMPARAISONS
  • Répétition des tests Plusieurs tests réalisés pour répondre à une même question – par exemple plusieurs critère de jugement Conclusion à un effet à partir du moment où il existe au moins un test significatif Le risque de la conclusion est bien supérieure à 5% = Inflation du risque alpha Rappel, avec un ttt. sans effet, – sur 100 tests, il y en aura 5 significatifs (en moyenne)
  • Contrôle parfait du risque 1 test Conclusion alpha (5%)(seuil de 5%) Test 1 Test 2 Le risque de conclure à tort est Conclusion > à 5% Test 3 A partir du moment où au Test 4 moins 1 test est significatif
  • Comparaisons multiples Avec un traitement sans efficacité en faisant 10 tests statistiques (p.e. 10 essais) nous avons 40% de risque de faire au moins une conclusion (à tort) Nb de tests Risque alpha global k 5 0.23 global 1 1 10 0.40 20 0.64 50 0.92
  • Inflation risque alpha Situations d’inflation du risque par répétition des comparaisons : – Essai multi-bras (multi doses par exemples) – Absence de critère principal – Analyses en sous groupes – Analyses intermédiaires « non protégées » – Recherche de l’effet répété dans le temps
  • N Engl J Med 2008;358:1663-71.
  • The significance level used in the pairwise comparisonsbetween the groups receiving experimental treatment and thegroup receiving standard treatment was 0.017 on the basis ofthe Bonferroni correction for multiple comparisons,corresponding to an overall type I error rate of 0.05. N Engl J Med 2008;358:1663-71.
  • Critère de jugement principal• Décès de toute cause Critère principal• Décès cardiovasculaire • Décès de toute cause• Mort subite Critères secondaires• Infarctus • Décès cardiovasculaire• Accident vasculaire cérébraux • Mort subite• Chirurgie • Infarctus • Accident vasculaire cérébraux • Chirurgie Définition a priori Pas de définition d ’un critère principal de critère principal Un seul test statistique 6 tests statistiques Risque de conclure à Risque de conclure à tort à l ’efficacité du tort à l ’efficacité du traitement = 30% traitement = 5%
  • Critère principal Conclusion que si le critère principal est significatif Critères secondaires : explicatifs
  • Multiplicité des comparaisons - Exemple In women, however (Table 2), a positive effect on BMD was observed at several sites (mostly trabecular bone zones), namely the femoral neck and the Ward’s triangle in the 60–69 y group, and upper and total radius in the 70–79 y group.
  • Critère principal Conclusion que si le critère principal est significatif Critères secondaires : explicatifs
  • Méthode séquentielle hiérarchique  Permet de faire plusieurs tests Test 1 NS stop statistiques – sans inflation du risque alpha P<0.05  Une conclusion est possible pour chaque test effectué NS Test 2 stop  Pour cela – les tests sont hiérarchisés a priori P<0.05 – Ils sont effectués ensuite de manière séquentielle NS • Le test suivant n’est autorisé que si le Test 3 stop précédent a été significatif • On s’arrête au 1er de la hiérarchie P<0.05 non significative  Les tests peuvent concerner des NS critères de jugement ou des sous Test 4 stop groupes
  • Exemple : PLATO To address the issue of multiple testing, a hierarchical test sequence was planned. The secondary composite efficacy end points were tested individually, in the order in which they are listed above, until the first nonsignificant difference was found between the two treatment groups. Other treatment comparisons were examined in an exploratory manner.
  • Hiérarchie des critères Primary endpoint principal secondary efficacy endpoint = primary efficacy endpoint in the subgroup of invasive management composite of death from any cause, myocardial Liste critère dans le protocole infarction, or stroke; composite of death from vascular causes, myocardial infarction, stroke, severe recurrent cardiac ischemia, recurrent cardiac ischemia, transient ischemic attack, or other arterial thrombotic events; myocardial infarction alone; death from cardiovascular causes alone; stroke alone; death from any cause
  • Résultat de la démarche hiérarchique de test 1. Primary endpoint 2. principal secondary efficacy 1 endpoint = primary efficacy endpoint in the subgroup of invasive management 3 3. composite of death from any cause, 4 myocardial infarction, or stroke; 4. composite of death from vascular 5 causes, myocardial infarction, stroke, 6 severe recurrent cardiac ischemia, 7 recurrent cardiac ischemia, transient ischemic attack, or other arterial thrombotic events; 5. myocardial infarction alone; 6. death from cardiovascular causes alone; 7. stroke alone; 8. death from any cause 2
  • Autres situations de répétition des tests mesures répétées au cours du temps
  • Ajustement pour les critères secondaires Essai 1 Essai 2 Infarctus mortels et non mortels p=0.03 p=0.001 infarctus non mortels p=0.05 p=0.010 décès par infarctus p=0.02 p=0.010 décès de toute cause p=0.06 p=0.03 Conclusion essai 1 – pas de démonstration de lefficacité Conclusion essai 2 – démonstration de lefficacité de manière statistiquement significative (p<0.05) – sur les 3 premiers critères de jugement
  • SOUS GROUPE
  • On a comparé sur 2 groupes de 120 malades un oxygénateurcérébral à un placebo.Le critère d’évaluation principal était évalué par l’échelled’appréciation clinique en gériatrie (EACG).Globalement les résultats ne montraient pas de différencesignificative.Cependant, si l’on éliminait les gens trop anxieux (scored’Hamilton >18), en ne prenant en compte que les femmes (leshommes semblent moins répondeurs), la différence devienthautement significative sur la tranche d’âge 70 à 80 ans, ce quimontre bien l’activité du produit chez les gens âgés.
  • Analyse en sous-groupes - Essai non concluant Essai 0.92 NS 1 Age<75 0.92 NS 2 Age>75 0.95 NS 3 Hommes 0.92 NS 4 Femmes 0.99 NS 5 Antécédents dinfarctus 0.87 NS 6 Pas dantécédents dinfarctus 1.03 NS 7 Prise daspirine 0.78 p<0.05 8 Pas daspirine 1.09 NS
  • Limites- Multiplicité des tests1 Age<75 test 1 risque erreur 5%2 Age>75 test 2 risque erreur 5%3 Hommes test 3 risque erreur 5%4 Femmes test 4 risque erreur 5%5 Antécédents dinfarctus test 5 risque erreur 5%6 Pas dATCD dinfarctus test 6 risque erreur 5%7 Prise daspirine test 7 risque erreur 5%8 Pas daspirine test 8 risque erreur 5%
  • Analyses en sous groupes - Essai concluant Essai 0.78 p<0.05 1 Age<75 0.65 p<0.01 2 Age>75 0.90 NS 3 Hommes 0.76 p<0.05 4 Femmes 0.78 p<0.05 5 Antécédent dinfarctus 0.97 NS 6 Pas dantécédent dinfarctus 0.70 p<0.01 7 Diabétique 0.50 p<0.001 8 Non diabétique 0.91 p<0.05
  • Limites des sous groupes - 1 Lancet 2005; 365: 176–86
  • Utilisation correcte des sous groupes
  • Analyses en sous groupes Résultat de nature exploratoire – hypothèse non formulée a priori – aucune conclusion définitive possible – inflation risque alpha et bêta
  • Sous groupes (suite) Résultat global négatif – recherche du sous groupe dans lequel le traitement marche – comparaisons multiples : inflation du risque alpha – approche post hoc • lhypothèse est testée sur les données qui ont permis de la générer Résultats global positif – recherche des patients chez lequel le traitement ne marche pas – inflation risque bêta – hypothèse dabsence deffet • donc limite de non infériorité
  • Hétérogénéité Utilisation des sous groupes pour vérifier la stabilité de leffet Test dinteraction – RRsg1<>RRsg2 Aspect cognitif (non décisionnel) Génération de nouvelles hypothèses
  • Elite 2 Losartan vs captopril Insuffisance cardiaque (NYHA 2-4 et FE<40%)Bertram Pitt,Lancet 2000; 355: 1582–87
  • CHARM candesartan vs placebo on top IEC insuffisance cardiaque (NYHA 2-4 et FE<40%)
  • Exemple The objective was to test whether an adequate and well- balanced intake of antioxidant nutrients reduces the incidence of cancers and ischemic CVD in a middle-aged general population. A total of 13017 French adults (7876 women aged 35-60 years and 5141 men aged 45-60 years) were included. Conclusion : After 7.5 years, low-dose antioxidant supplementation lowered total cancer incidence and all-cause mortality in men but not in women. Arch Intern Med. 2004; 164:2335-2342