What is estimated in cluster randomized crossover trials with informative sizes? -- A survey of estimands and common estimators
Cet article définit et évalue la cohérence de divers estimateurs pour les estimands d'effets de traitement multiples dans les essais croisés randomisés par grappes à deux périodes avec des tailles informatives, démontrant que si les équations d'estimation d'indépendance non pondérées et pondérées (ainsi que certains modèles fixes ou échangeables spécifiques) produisent des résultats non biaisés, les modèles à effets mixtes imbriqués échangeables, qu'ils soient non pondérés ou pondérés, sont incohérents et sujets au biais.
Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète
Imaginez que vous êtes un détective essayant de résoudre un mystère concernant un nouveau médicament. Vous ne pouvez pas tester ce médicament sur une seule personne ; vous devez le tester sur des groupes entiers, comme différentes écoles, hôpitaux ou quartiers. C'est ce qu'on appelle un « essai randomisé en grappes » (cluster randomized trial). C'est comme tester un nouveau menu de cafétéria en changeant toute la file d'attente du déjeuner de l'École A pour la nouvelle nourriture, tandis que l'École B conserve l'ancienne nourriture, puis en inversant les rôles la semaine suivante. C'est un plan de type « crossover » car les groupes échangent leurs rôles.
Mais voici la partie délicate : et si les écoles n'étaient pas de la même taille ? Et si l'École A comptait 500 élèves et l'École B seulement 50 ? Si la nouvelle nourriture fonctionne très bien pour la grande école mais mal pour la petite, comment comptez-vous les résultats ? Vous souciez-vous de l'élève moyen (la vue « individuelle ») ou de l'école moyenne (la vue « en grappe ») ? Dans le monde des statistiques, on appelle cela des « estimands » : la cible spécifique que vous essayez d'atteindre. Lorsque la taille des groupes varie d'une manière qui est liée à l'efficacité du traitement, les statisticiens appellent cela des « tailles informatives ». C'est comme si les plus grandes écoles se trouvaient être celles où la nouvelle nourriture avait le meilleur goût par pur hasard ; si vous ne tenez pas compte de cela, votre calcul pourrait vous mentir.
Ce document est un guide pour les détectives (chercheurs) qui résolvent ces mystères dans les essais crossover multi-périodes. Les auteurs, une équipe de statisticiens provenant d'universités des États-Unis, du Royaume-Uni, d'Australie et de Nouvelle-Zélande, ont voulu déterminer quels outils mathématiques (estimateurs) donnent la bonne réponse lorsque les tailles de groupe sont « informatives ». Ils ont examiné quatre principaux types d'outils : les moyennes simples (Équations d'Estimation d'Indépendance - IEE), les modèles qui traitent les groupes comme des échantillons aléatoires (Effets Mixtes), et les modèles qui traitent les groupes comme des faits fixes (Effets Fixes). Ils ont également examiné ce qui se passe lorsque l'on tente de « pondérer » les données pour que les grands et les petits groupes comptent de la même manière.
Les auteurs ont lancé des milliers de simulations informatiques pour tester ces outils. Ils ont découvert que certains outils populaires, spécifiquement les modèles à « effets mixtes échangeables imbriqués », se trompent souvent dans les calculs lorsque les tailles de groupe sont informatives. C'est comme utiliser une balance qui ajoute automatiquement du poids aux boîtes lourdes ; si vous ne savez pas que les boîtes sont lourdes, votre poids final est faux. Ces modèles peuvent produire des résultats qui semblent réels mais qui ciblent en réalité un nombre confus et ininterprétable qui n'est ni l'élève moyen, ni l'école moyenne.
Cependant, la bonne nouvelle est que les outils d'« Équation d'Estimation d'Indépendance » (IEE), surtout lorsqu'ils sont utilisés avec les bons poids, sont comme une balance fiable et inébranlable. Ils atteignent systématiquement la bonne cible, que vous vouliez connaître l'effet sur un individu ou sur un groupe entier, même lorsque les tailles sont désordonnées. Le document a également révélé que les modèles à « Effets Fixes » peuvent être délicats ; ils ciblent parfois accidentellement la mauvaise chose (comme la période moyenne au lieu du groupe moyen) si les tailles changent d'une manière spécifique.
Dans un test en conditions réelles, les auteurs ont réanalysé une étude sur des médicaments contre les ulcères gastriques pour les patients sous ventilateur. Ils ont constaté que les différents outils donnaient des réponses légèrement différentes, suggérant que la taille des hôpitaux aurait pu être « informative ». L'étude conclut que lorsqu'on traite ces essais complexes multi-périodes, les chercheurs doivent être très prudents quant à l'outil qu'ils choisissent. S'ils veulent être sûrs de ne pas être induits en erreur par la taille des groupes, les outils IEE simples et pondérés sont le choix le plus sûr, tandis que les modèles imbriqués plus complexes doivent être utilisés avec prudence ou évités si les tailles de groupe varient d'une manière qui importe.
Noyé(e) sous les articles dans votre domaine ?
Recevez des digests quotidiens des articles les plus récents correspondant à vos mots-clés de recherche — avec des résumés techniques, dans votre langue.