Essais randomisés en grappes: le temps de l’amélioration

Les essais randomisés en grappes, où des groupes de patients plutôt que des individus sont randomisés, sont de plus en plus utilisés dans la recherche sur les services de santé. La randomisation par individu est inappropriée pour évaluer certaines interventions, telles que les changements organisationnels, où il peut ne pas être possible de randomiser au niveau du patient. Dans de tels cas, la randomisation en grappes au niveau du professionnel de la santé ou de l’organisation est nécessaire. Une telle randomisation peut également minimiser le potentiel de contamination entre les traitements lorsque les patients de l’essai sont pris en charge dans le même contexte. La principale conséquence de l’adoption d’une classification est que le résultat pour chaque patient ne peut plus être indépendant de celui d’un autre patient (ce qui est le cas dans un essai randomisé individuellement). Les patients d’un même groupe sont plus susceptibles d’avoir des résultats similaires. Par exemple, la gestion des patients au sein d’une même pratique générale est plus susceptible d’être cohérente que la prise en charge de plusieurs pratiques. Ce manque d’indépendance a des implications pour la conception et l’analyse de ces essais.1 La puissance statistique d’un essai randomisé en grappe réduit par rapport à un essai randomisé de taille similaire. Par conséquent, les estimations de taille d’échantillon standard doivent être gonflées pour tenir compte de la conception de la grappe. L’impact sur la taille de l’échantillon peut être important et dépend de la taille de l’effet de regroupement et du nombre de grappes disponibles. L’effet de regroupement serait élevé si, par exemple, la prise en charge des patients dans les hôpitaux individuels était très homogène, mais il y avait de grandes variations entre les hôpitaux. Envisager un essai d’intervention éducative pour mettre en œuvre une ligne directrice clinique. Un essai randomisé sur un patient nécessiterait 194 patients pour détecter un changement de 40 % à 60 % dans la proportion de patients qui sont gérés de manière appropriée (avec 80 % puissance et 5 % signification). Cependant, cette conception serait inappropriée en raison du risque de contamination. Pour un essai randomisé en grappes avec un effet modérateur modéré et 10 patients disponibles par grappe, la taille d’échantillon équivalente ajustée pour le regroupement est de 38 grappes ou de 380 patients, soit presque le double.1 L’analyse des essais randomisés en grappes doit également prendre en compte la nature groupée des données. Les techniques statistiques standard ne sont plus appropriées, sauf si une analyse agrégée est effectuée au niveau du cluster, 2 car elles nécessitent des données pour être indépendantes. Si l’effet de clustering est ignoré, les valeurs P seront artificiellement extrêmes, et les intervalles de confiance seront trop étroits, augmentant les chances de résultats faussement significatifs et de conclusions trompeuses. Bien qu’une analyse agrégée puisse être effectuée au niveau cluster à l’aide de tests statistiques standard, approche est statistiquement inefficace. De plus, il ne permet pas d’explorer la variation au niveau du patient &#x02014, par exemple, il ne peut pas prendre en compte les caractéristiques du patient telles que la gravité de la maladie. Des techniques plus avancées ont maintenant été développées pour analyser les données au niveau des patients provenant d’une conception en grappes, ce qui permet de modéliser correctement la nature hiérarchique des données.3 Elles permettent essentiellement de modéliser la variation à chaque niveau de la donnée — , en pratique et au niveau du patient. Malgré l’utilisation accrue des essais randomisés en grappes, les implications de l’adoption d’un tel modèle continuent d’être largement ignorées. Par exemple, une revue par Devine et al. Qui a examiné les études de médecins ’ les pratiques de soins aux patients ont observé que 70 % des études identifiées ne tenaient pas suffisamment compte de la nature regroupée de leurs données d’étude. De nombreux essais ne prennent pas en compte la randomisation des clusters lors du calcul de la taille d’échantillon requise, ce qui aboutit à des études moins puissantes. Ceci peut s’expliquer en partie par le manque d’informations publiées sur la taille probable de l’effet de regroupement, connu sous le nom de coefficient de corrélation intracluster.5 Des estimations fiables de ce coefficient sont nécessaires pour assurer des calculs robustes de la taille des échantillons, tout en publiant une corrélation intracluster Les coefficients dans les rapports d’essai sont rares. Nous avons besoin d’une approche standardisée pour la déclaration de tous les aspects des essais randomisés en grappes, y compris les coefficients de corrélation intracluster. L’énoncé CONSORT pour les normes de déclaration des essais randomisés auprès des patients6 a amélioré la déclaration de ces essais, et une approche similaire pour la déclaration des essais randomisés en grappes serait bénéfique. Une lettre adressée au BMJ a souligné la nécessité d’une telle approche 7, et une proposition de modification de la déclaration CONSORT est en cours de formulation. Nous pensons que cela facilitera l’évaluation des rapports d’essais publiés et la planification des recherches futures. Il mérite le plein appui de la communauté de la recherche médicale.