Producing treatment hierarchies in network meta-analysis using probabilistic models and treatment-choice criteria

Résumé technique : Production de hiérarchies de traitements dans les méta-analyses en réseau à l'aide de modèles probabilistes et de critères de choix de traitement

Énoncé du problème
La méta-analyse en réseau (MAR) génère des effets de traitement relatifs entre plusieurs interventions, mais l'interprétation de ces résultats pour établir une hiérarchie de traitements reste difficile. Les mesures de classement existantes, telles que la probabilité qu'un traitement soit le meilleur ($p_{BIV}$), les scores P et le SUCRA, manquent souvent d'une interprétation claire et ne parviennent pas à prendre adéquatement en compte l'incertitude. Une critique principale est que ces méthodes peuvent surestimer des différences de tailles de traitements cliniquement non pertinentes, attribuant des rangs distincts à des traitements alors que leurs performances sont statistiquement indiscernables. De plus, de nombreuses mesures n'intègrent pas explicitement un « critère de choix de traitement » (CCT) qui définit ce qui constitue une différence cliniquement importante, conduisant à des classements qui peuvent mal se traduire dans la prise de décision clinique.

Méthodologie
Les auteurs proposent un nouveau cadre qui intègre un CCT prédéfini à un modèle de classement probabiliste pour générer des hiérarchies de traitements. La méthodologie se déroule en deux étapes principales :

1. Définition du critère de choix de traitement (CCT) :
   Les auteurs définissent un CCT basé sur la plus petite différence significative (Smallest Worthable Difference - SWD). Ils construisent une plage d'équivalence (Range of Equivalence - ROE) en utilisant la SWD et son réciproque (ou opposé). Pour toute comparaison par paire entre deux traitements $X$ et $Y$ :

• Une préférence de traitement ($X > Y$ ou $Y > X$) est établie uniquement si l'estimation de la MAR et les bornes de son intervalle de confiance tombent en dehors de la ROE, indiquant un effet cliniquement important.
• Si les preuves tombent à l'intérieur de la ROE, les traitements sont considérés comme équivalents (un « ex æquo »).
• Ce processus transforme les estimations continues des effets de la MAR en données de préférence discrètes (préférence pour $X$, préférence pour $Y$, ou un ex æquo).

2. Modèle de classement probabiliste :
   Pour synthétiser ces données de préférence, les auteurs adaptent le modèle de Bradley-Terry (étendu par Davidson pour inclure les ex æquos) au contexte de la MAR.

• Paramètre latent : Chaque traitement $X$ se voit attribuer un paramètre d'« aptitude » latente ($\psi_X$), représentant sa propension à produire des effets de traitement réels cliniquement importants et bénéfiques par rapport aux autres, étant donné le CCT.
• Formulation du modèle : La probabilité que le traitement $X$ surpasse le traitement $Y$ est modélisée par $\frac{\psi_X}{\psi_X + \psi_Y + \nu\sqrt{\psi_X\psi_Y}}$, où $\nu$ est un paramètre de nuisance représentant la prévalence des ex æquos.
• Estimation : Les paramètres sont estimés à l'aide de l'estimation du maximum de vraisemblance (MLE) dans un cadre fréquentiste. Les erreurs types sont dérivées asymptotiquement de la matrice d'information de Fisher.
• Résultat : Le modèle produit des estimations d'aptitude absolues ($\hat{\psi}_X$) et des probabilités normalisées ($\hat{\pi}_X$), représentant la probabilité qu'un traitement possède la plus haute aptitude réelle parmi tous les traitements.

Principales contributions

• Intégration de la pertinence clinique : Le cadre intègre explicitement un CCT cliniquement pertinent (via la SWD) avant le classement, garantissant que seuls les effets justifiant une préférence influencent la hiérarchie.
• Gestion de l'incertitude et des ex æquos : En convertissant les estimations de la MAR en données de préférence/ex æquo basées sur les intervalles de confiance, la méthode rend compte naturellement de l'incertitude. Les traitements dont les intervalles de confiance se chevauchent par rapport à la SWD sont traités comme des ex æquos, évitant la séparation artificielle de traitements présentant des différences négligeables.
• Interprétation probabiliste avec mesures d'incertitude : Contrairement à certaines mesures existantes, cette approche fournit des erreurs types pour les estimations d'aptitude, permettant de quantifier l'incertitude autour des positions de classement.
• Mise en œuvre logicielle : Les auteurs ont développé et publié le package R mtrank pour faciliter l'application de cette méthode.

Résultats
Les auteurs ont validé la méthode à travers deux études de cas cliniques et une investigation empirique de 153 réseaux publiés :

1. Antidépresseurs pour la dépression majeure (18 traitements) :

• Dans ce réseau, le traitement ayant la plus grande taille d'effet (Vortioxetine) présentait l'erreur type la plus élevée.
• Les mesures traditionnelles ($p_{BIV}$, scores P) classaient la Vortioxetine en premier.
• La méthode proposée, appliquant une SWD de 1,20, a abouti à une hiérarchie plus conservatrice où l'Escitalopram était classé premier, la Vortioxetine étant ex æquo en deuxième position. Cela reflétait l'incertitude de l'estimation de la Vortioxetine par rapport à la SWD.
• L'analyse de sensibilité a montré qu'à mesure que la SWD augmentait (exigeant des effets plus importants), la capacité de la Vortioxetine à être classée première augmentait, démontrant la réactivité de la méthode aux seuils cliniques.

2. Antihypertenseurs et incidence du diabète (6 traitements) :

• Ce réseau présentait une grande précision (erreurs types faibles).
• La méthode proposée a montré une parfaite concordance avec les mesures existantes (scores P, PReTA, $p_{BIV}$), classant l'ARB en premier et l'ACE en second.
• Ceci a confirmé que lorsque les estimations de la MAR sont précises et que les variances sont similaires, la méthode proposée s'aligne sur les approches établies.

3. Étude empirique (153 réseaux) :

• La mesure basée sur l'aptitude proposée a montré une forte corrélation (médiane > 0,90) avec les scores P, les scores P (ajustés à la SWD) et le PReTA.
• La corrélation avec $p_{BIV}$ était modérée (médiane ~ 0,65).
• Impact de l'incertitude : La concordance entre la méthode proposée et les autres était la plus élevée dans les réseaux présentant une haute précision et de faibles plages de variance. À mesure que la variance moyenne des estimations de la MAR augmentait, la corrélation diminuait, soulignant que la méthode proposée diverge des autres spécifiquement lorsque l'incertitude est élevée et que les différences sont faibles.

Signification et revendications
L'article prétend offrir une alternative précieuse pour le classement des traitements en MAR qui atténue la surinterprétation des différences mineures. En exigeant un CCT prédéfini, le cadre force les chercheurs à considérer explicitement ce qui constitue un « meilleur » traitement dans un contexte clinique spécifique avant de générer une hiérarchie. Les auteurs soulignent que leur méthode n'est pas un substitut au rapport des effets relatifs de la MAR, mais sert d'outil pour assister la prise de décision.

La signification réside dans la production de hiérarchies qui sont :

1. Cliniquement significatives : Basées sur le fait que les effets dépassent un seuil d'importance.
2. Robustes : Moins susceptibles d'attribuer des rangs distincts à des traitements ayant des intervalles de confiance qui se chevauchent.
3. Transparentes : Accompagnées d'erreurs types pour quantifier l'incertitude du classement lui-même.

Les auteurs concluent que bien que la définition de la SWD comporte une part de subjectivité, le cadre permet des analyses de sensibilité à travers différentes valeurs de SWD, permettant une compréhension plus nuancée des hiérarchies de traitement sous diverses hypothèses cliniques. Ils positionnent cette approche comme particulièrement utile pour les réseaux présentant une incertitude accrue ou lorsqu'une règle de décision clinique spécifique est primordiale.