📊 statistics

Marginal and conditional summary measures: transportability and compatibility across studies

Cet article clarifie les interprétations et propriétés distinctes des mesures de synthèse marginales par rapport aux mesures conditionnelles, démontrant que leur non-coïncidence — même pour des mesures collapsibles sous modification d'effet — pose des défis majeurs pour la transférabilité et la synthèse des preuves, conduisant souvent à un biais si des mesures incompatibles sont naïvement regroupées sans accès aux données individuelles des patients.

Auteurs originaux : Antonio Remiro-Azócar, David M. Phillippo, Nicky J. Welton, Sofia Dias, A. E. Ades, Anna Heath, Gianluca Baio

Publié 2026-05-07

📖 6 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Antonio Remiro-Azócar, David M. Phillippo, Nicky J. Welton, Sofia Dias, A. E. Ades, Anna Heath, Gianluca Baio

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 essayez de décider quelle est la meilleure voiture parmi deux modèles différents (Traitement A et Traitement B). Vous ne pouvez pas les tester simultanément, vous examinez donc deux rapports distincts : l'un comparant la Voiture A à une berline standard (Témoin), et l'autre comparant la Voiture B à cette même berline standard. Pour déterminer laquelle est meilleure, vous devez combiner ces rapports.

Ce document est une étiquette d'avertissement pour ce processus. Il soutient que lorsque nous combinons ces rapports, nous commettons souvent une erreur critique : nous comparons des pommes et des oranges sans nous en rendre compte.

Voici la décomposition des points principaux du document à l'aide d'analogies simples.

1. Les deux façons de mesurer le « succès »

Le document explique qu'il existe deux façons principales de mesurer l'efficacité d'un traitement, et qu'elles ne donnent pas toujours le même chiffre.

La « Moyenne de Groupe » (Marginale) : Imaginez que vous preniez une photo de la toute la foule de personnes ayant pris le médicament et que vous demandiez : « En moyenne, combien le groupe s'est-il amélioré ? » Il s'agit d'une mesure Marginale. Elle observe la vue d'ensemble.
Le « Profil Spécifique » (Conditionnel) : Maintenant, imaginez que vous zoomiez sur un type spécifique de personne dans cette foule — disons « les personnes de 30 ans qui fument ». Vous demandez : « Combien ce groupe spécifique s'est-il amélioré ? » Il s'agit d'une mesure Conditionnelle.

Le Problème : Dans le monde réel, ces deux chiffres sont rarement identiques. Le fait que la « personne moyenne » ait progressé de 10 points ne signifie pas que le « fumeur de 30 ans » a progressé de 10 points.

2. L'analogie de la « lentille magique »

Le document introduit un concept appelé Réductibilité. Imaginez cela comme une lentille spéciale à travers laquelle vous regardez pour mesurer l'effet du traitement.

Directement Réductible (La Lentille Claire) : Certaines lentilles (comme la mesure de la simple « Différence de Risque » ou « Différence de Moyenne ») sont claires. Si vous observez les groupes spécifiques puis que vous les moyennez, vous obtenez exactement le même chiffre que si vous observiez la foule entière d'un coup.
- Analogie : Si vous mesurez la taille de chaque élève dans une classe et que vous calculez la moyenne, vous obtenez le même résultat que si vous mesuriez toute la classe ensemble.
Non Réductible (La Lentille Déformante) : D'autres lentilles (comme les « Rapports de Cotes » ou les « Rapports de Risque », souvent utilisés pour la survie ou les résultats binaires) déforment l'image. Même si vous observez des groupes spécifiques, lorsque vous les moyennez, le chiffre change.
- Analogie : Imaginez un miroir de foire. Si vous regardez une personne spécifique, elle paraît grande. Si vous regardez le groupe entier, le miroir déforme la taille moyenne d'une manière qui ne correspond pas à la somme des individus.

La Grande Surprise du Document : La plupart des gens pensent que cette distorsion ne se produit qu'avec les « miroirs de foire » (mesures non réductibles). Le document soutient que même avec des lentilles claires, si le traitement agit différemment sur différents types de personnes (modification de l'effet), la « Moyenne de Groupe » et le « Profil Spécifique » resteront en désaccord.

3. Le piège de la « Personne Moyenne »

Le document met en évidence un terme confus souvent utilisé en statistiques : « À la Moyenne ».

Imaginez une étude où les personnes sont mesurées par leur « statut de fumeur » (Oui/Non).
Le fumeur « moyen » pourrait être 0,5 (demi-personne qui fume).
Le document met en garde contre le fait de calculer l'effet pour cette « personne de 0,5 », ce qui est absurde. C'est comme essayer de calculer la consommation de carburant d'une voiture qui est à moitié berline et à moitié camion. Elle n'existe pas.
Le document insiste sur le fait que nous devons faire attention à ne pas confondre l'effet pour la « Personne Moyenne » (qui n'existe pas) avec l'« Effet Moyen » à travers toutes les personnes réelles.

4. La catastrophe de la « Comparaison Indirecte »

C'est ici que le document devient pratique. Dans le domaine de la santé, nous devons souvent comparer le Traitement A au Traitement B, mais nous n'avons que des données pour A vs Témoin et B vs Témoin. Nous devons effectuer une « Comparaison Indirecte des Traitements ».

Le document déclare : Si vous mélangez les mauvais types de mesures, votre conclusion sera biaisée.

Scénario : L'Étude 1 (A vs Témoin) rapporte un résultat de « Moyenne de Groupe ». L'Étude 2 (B vs Témoin) rapporte un résultat de « Profil Spécifique » (ajusté pour l'âge, le sexe, etc.).
L'Erreur : Si vous soustrayez simplement le chiffre de l'Étude 2 de celui de l'Étude 1 pour comparer A et B, vous mélangez des pommes et des oranges.
La Conséquence : Vous pourriez conclure que le Traitement A est meilleur alors qu'il est en réalité pire, ou inversement, simplement parce que les mathématiques ne correspondent pas.

5. La Solution : Accès Complet ou Mathématiques Prudentes

Le document suggère deux façons de résoudre ce problème :

L'Étalon Or : Avoir accès aux données brutes de chaque patient dans chaque étude (Données Individuelles des Patients). Cela permet aux statisticiens de tout recalculer pour correspondre parfaitement.
L'Approche Prudente : Si vous n'avez que des chiffres résumés (comme « 100 personnes ont pris le médicament, 20 se sont améliorées »), vous devez utiliser des méthodes mathématiques très spécifiques (comme ML-NMR) qui savent comment traduire entre les « Moyennes de Groupe » et les « Profils Spécifiques » sans briser les mathématiques.

Résumé

Le document est un appel à cesser d'être paresseux avec les statistiques. Lors de la comparaison de traitements médicaux :

Ne supposez pas qu'un effet moyen est identique à un effet spécifique.
Ne supposez pas que différentes études rapportent la même chose simplement parce qu'elles mesurent la même maladie.
Vérifiez vos lentilles : Assurez-vous de comparer les « Moyennes de Groupe » aux « Moyennes de Groupe », et les « Profils Spécifiques » aux « Profils Spécifiques ». Si vous les mélangez, vos décisions médicales pourraient être erronées.

Les auteurs ne disent pas qu'un type de mesure est « meilleur » que l'autre ; ils disent que vous devez savoir exactement lequel vous utilisez et veiller à ne pas les mélanger par accident.

Résumé technique : Mesures de synthèse marginales et conditionnelles : transférabilité et compatibilité entre études

Énoncé du problème
L'article traite d'une source critique, souvent négligée, d'hétérogénéité dans la synthèse des preuves : l'incompatibilité entre les mesures de synthèse marginales (inconditionnelles) et conditionnelles. Bien qu'il soit bien établi que les mesures non collapsibles (par exemple, les rapports de cotes, les rapports de risques instantanés) ne coïncident pas avec leurs contreparties marginales même en l'absence d'interaction, ce travail soutient que le problème s'étend aux mesures collapsibles (par exemple, les rapports de risques) lorsque l'interaction est présente.

Le problème fondamental réside dans le fait que les paramètres cibles marginaux et conditionnels correspondent à des questions décisionnelles différentes et possèdent des interprétations distinctes. Dans la synthèse des preuves, en particulier dans les comparaisons indirectes de traitements (CIT) et les méta-analyses, le « regroupement naïf » de ces mesures incompatibles peut introduire un biais. Cela est exacerbé lorsque les études rapportent différentes mesures de synthèse ou lorsque des méthodes d'ajustement sur les covariables sont appliquées pour transférer les effets du traitement d'une population d'essai vers une population cible. Un écart spécifique identifié est que les covariables non conventionnellement décrites comme des facteurs d'interaction (covariables purement pronostiques) peuvent tout de même modifier les effets du traitement au niveau de la population pour les mesures non collapsibles, compromettant ainsi la transférabilité.

Méthodologie
Les auteurs utilisent un cadre théorique basé sur la notation des résultats potentiels et la définition du paramètre cible de l'ICH E9 (R1). Ils ne présentent pas de nouvelles données empiriques, mais clarifient plutôt les propriétés mathématiques et les interprétations de divers paramètres cibles sous différents mécanismes hypothétiques de génération de résultats.

La méthodologie comprend :

Définitions formelles : Définition de quatre paramètres cibles clés :
- Effet marginal du traitement (MTE) : Un contraste de fonctions des espérances marginales des résultats ( $E[Y^1] - E[Y^0]$ ).
- Effet conditionnel du traitement (CTEX) : Un contraste d'espérances conditionnelles étant donné des valeurs spécifiques de covariables ( $E[Y^1|X=x] - E[Y^0|X=x]$ ).
- Effet conditionnel du traitement aux moyennes (CTEM) : Le CTEX évalué à la valeur moyenne des covariables ( $\bar{X}$ ).
- Effet conditionnel moyen du traitement dans la population (PACTE) : La moyenne du CTEX sur la distribution des covariables dans la population ( $E_X[CTEX]$ ).
Modélisation générative : Les auteurs analysent ces paramètres cibles sous trois modèles paramétriques hypothétiques de génération de résultats dans le cadre d'un modèle linéaire généralisé (GLM) :
- CTEX homogène : Les effets du traitement sont constants entre les individus (pas d'interaction).
- CTEX hétérogène linéaire : Les effets du traitement varient linéairement avec une covariable (interaction présente).
- CTEX hétérogène non linéaire (quadratique) : Les effets du traitement varient de manière non linéaire (quadratique) avec une covariable.
Analyse de la collapsibilité : L'article examine comment l'ordre des opérations (moyenne avant ou après l'application de la fonction de lien $g(\cdot)$ ) affecte l'équivalence des paramètres cibles, en distinguant les mesures directement collapsibles (différence de moyennes, différence de risques), les mesures collapsibles mais non directement collapsibles (rapport de risques) et les mesures non collapsibles (rapport de cotes, rapport de risques instantanés).
Application aux CIT : Les résultats théoriques sont appliqués au contexte des méthodes d'ajustement sur les covariables utilisées dans les comparaisons indirectes de traitements (par exemple, MAIC, STC, ML-NMR), en associant des méthodes spécifiques aux paramètres cibles qu'elles produisent.

Contributions et résultats clés
L'article fournit une taxonomie des paramètres cibles marginaux et clarifie les conditions dans lesquelles différentes mesures de synthèse coïncident ou divergent :

Non-équivalence des estimateurs : Les auteurs démontrent que le MTE, le CTEM et le PACTE sont généralement distincts.
- Dans les modèles homogènes, le MTE est égal au CTEM et au PACTE pour les mesures directement collapsibles (lien identité) mais diverge pour les mesures non collapsibles (lien logit), où le MTE dépend de la distribution conjointe complète des covariables pronostiques.
- Dans les modèles hétérogènes linéaires, le MTE est égal au CTEM et au PACTE pour les mesures directement collapsibles. Cependant, pour les mesures non directement collapsibles (par exemple, le logarithme du rapport de risques), le MTE ne peut pas être exprimé comme une fonction simple des coefficients du modèle et des moyennes des covariables ; il nécessite la distribution conjointe complète des facteurs d'interaction et des covariables pronostiques.
- Dans les modèles hétérogènes non linéaires, le CTEM et le PACTE sont fondamentalement distincts. En raison de l'inégalité de Jensen, le PACTE (moyenne de fonctions non linéaires) n'est pas égal au CTEM (fonction de la moyenne). Le MTE coïncide avec le PACTE pour le lien identité mais diverge pour les liens non linéaires.
Rôle des covariables pronostiques : Une découverte significative est que les covariables purement pronostiques (celes qui n'interagissent pas avec le traitement) peuvent modifier l'effet marginal du traitement pour les mesures non collapsibles. Par conséquent, la transférabilité est menacée non seulement par des différences dans les facteurs d'interaction, mais aussi par des différences dans la distribution des facteurs pronostiques.
Paramètres cibles spécifiques aux méthodes : L'article associe les méthodes existantes d'ajustement sur les covariables à leurs paramètres cibles visés :
- MAIC et STC-G estiment le MTE.
- STC-P, NMI et cross-NMR estiment le CTEM.
- ML-NMR peut estimer le PACTE ou le MTE.
Risques d'incompatibilité : L'analyse met en évidence que la combinaison d'estimations provenant de différentes méthodes (par exemple, un MTE issu de MAIC avec un CTEM issu de STC-P) dans une comparaison indirecte conduit à une incompatibilité des paramètres cibles et à un biais potentiel. Cela est particulièrement aigu lorsque les essais rapportent des estimations conditionnelles basées sur différents ensembles de covariables.

Importance et affirmations
L'article affirme que le choix de la mesure de synthèse est un composant fondamental de la question de recherche, pourtant il est souvent traité comme une considération secondaire dans des cadres tels que PICO. Les auteurs soutiennent que :

Clarification de la terminologie : L'article établit une terminologie précise pour distinguer les paramètres cibles marginaux et conditionnels, évitant la confusion souvent présente dans la littérature où des termes comme « effets marginaux » sont utilisés de manière ambiguë (par exemple, en confondant le CTEM avec le PACTE).
Mise en garde contre le regroupement naïf : Les auteurs soulignent que le regroupement naïf de mesures marginales et conditionnelles dans la synthèse des preuves produit un biais. Ils affirment qu'il faut veiller à ce que les méthodes de synthèse combinent des mesures de synthèse compatibles.
Besoin de données individuelles des patients (DIP) : L'article suggère que la résolution de l'incompatibilité des paramètres cibles est considérablement plus facile avec un accès complet aux données individuelles des patients. Les DIP permettent l'utilisation de méthodes telles que le ML-NMR ou la méta-régression sur DIP, qui peuvent produire toute mesure de synthèse marginale ou conditionnelle souhaitée sans problèmes d'incompatibilité et peuvent ajuster les distributions de covariables pour n'importe quelle population cible.
Réévaluation de la transférabilité : Ce travail remet en question la vision conventionnelle selon laquelle seuls les facteurs d'interaction affectent la transférabilité, montrant que les covariables pronostiques peuvent modifier les effets marginaux pour les mesures non collapsibles.

En conclusion, l'article sert de guide méthodologique pour la synthèse des preuves, exhortant les chercheurs à définir explicitement et à aligner les paramètres cibles entre les études afin d'assurer une transférabilité et une compatibilité valides, en particulier dans le contexte des comparaisons indirectes de traitements et des évaluations des technologies de santé.