📊 statistics

Orthogonal factorial designs for trials of therapist-delivered interventions: Randomising intervention-therapist combinations to patients

Cet article propose et évalue une famille de plans factoriels orthogonaux qui randomisent les combinaisons thérapeute-intervention aux patients, permettant la séparation statistique des effets du thérapeute des effets de l'intervention dans les essais de traitements administrés par un thérapeute.

Auteurs originaux : Rebecca EA Walwyn, Rosemary A Bailey, Arpan Singh, Neil Corrigan, Steven G Gilmour

Publié 2026-02-03

📖 5 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Rebecca EA Walwyn, Rosemary A Bailey, Arpan Singh, Neil Corrigan, Steven G Gilmour

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 déterminer laquelle de deux différentes recettes de cuisine (Intervention A vs Intervention B) fait la meilleure soupe. Dans une expérience typique, vous pourriez engager deux chefs célèbres (Thérapeutes) et demander au Chef 1 de cuisiner uniquement la Recette A et au Chef 2 de cuisiner uniquement la Recette B. Si la soupe du Chef 1 est meilleure, vous ne saurez pas si c'est parce que la recette est supérieure ou simplement parce que le Chef 1 est un meilleur cuisinier.

Cet article s'attaque à ce problème exact dans le monde des essais thérapeutiques. Il propose une nouvelle façon plus rigoureuse d'organiser ces expériences afin que nous puissions faire la différence entre une « bonne recette » et un « bon chef ».

Voici la décomposition de leurs idées en utilisant des analogies simples :

1. Le problème central : La confusion « Chef vs Recette »

Dans de nombreuses études thérapeutiques, les chercheurs traitent la thérapie (la recette) comme l'élément principal que l'on teste, mais ils traitent le thérapeute (le chef) comme un simple détail de fond. L'article soutient que les thérapeutes sont en réalité une partie majeure du « traitement ». Si vous ne les prenez pas en compte correctement, vos résultats seront flous.

2. La solution proposée : La « Cuisine Croisée »

Les auteurs suggèrent un design où chaque chef essaie chaque recette.

L'ancienne méthode : Le Chef A ne prépare que la Recette A ; le Chef B ne prépare que la Recette B.
La nouvelle méthode : Le Chef A prépare à la fois la Recette A et la Recette B. Le Chef B prépare également à la fois la Recette A et la Recette B.

En faisant en sorte que chaque chef essaie chaque recette, vous pouvez mathématiquement séparer l'« Effet Chef » (à quel point la personne est douée) de l'« Effet Recette » (à quel point la thérapie est bonne). C'est ce qu'on appelle un Design Factoriel Croisé.

3. Les trois configurations de cuisine (Les Designs)

L'article présente trois façons d'organiser cette « Cuisine Croisée » selon la complexité de l'essai :

La Cuisine Simple (Complètement Randomisée) : Imaginez une grande cuisine sans changements de service. Vous avez une liste de toutes les combinaisons possibles « Chef + Recette ». Vous les distribuez aux patients de manière complètement aléatoire. C'est comme mélanger un jeu de cartes et distribuer les cartes.
La Cuisine par Équipes (Blocs Randomisés) : Dans la réalité, les chefs ne travaillent pas 24h/24 ; ils travaillent par roulements (ou « lots »). Peut-être que le Chef A n'est disponible que le matin, et le Chef B l'après-midi. L'article suggère d'organiser l'essai par blocs de temps. Vous vous assurez qu'au sein de chaque roulement, chaque chef a la chance de cuisiner chaque recette. Cela permet de tenir compte du fait qu'un chef peut être fatigué à la fin de la journée ou en phase d'apprentissage.
La Cuisine Multi-sites (Blocs Randomisés Multicentriques) : Maintenant, imaginez que l'essai se déroule dans plusieurs villes (Centres). Dans chaque ville, il y a des chefs locaux qui ne peuvent pas voyager dans d'autres villes. Le design garantit que, dans chaque ville et dans chaque roulement de temps, les combinaisons « Chef + Recette » sont toujours mélangées équitablement.

4. Les Mathématiques : Comment goûter la soupe (Analyse)

Une fois les données collectées, vous ne pouvez pas simplement utiliser une calculatrice standard pour voir qui a gagné. Parce que le design est aussi spécifique, les mathématiques doivent l'être tout autant.

Le « Diagramme de Hasse » : Les auteurs utilisent des organigrammes spéciaux (diagrammes de Hasse) pour cartographier précisément comment les chefs, les recettes, le temps et les lieux s'articulent. Voyez cela comme un plan pour la cuisine afin de s'assurer qu'aucun ingrédient n'est compté deux fois.
L'ajustement « Satterthwaite » : Lorsque vous mélangez autant de variables (chefs, recettes, temps, lieux), les règles standards pour calculer la « signification statistique » (les probabilités que le résultat soit dû au hasard) deviennent complexes. L'article recommande d'utiliser un ajustement mathématique spécifique (la méthode de Satterthwaite) pour s'assurer que le verdict final est précis.

5. La Simulation : Un « Essai à blanc »

Avant de dire aux médecins comment changer la façon dont ils mènent leurs essais, les auteurs ont réalisé une simulation informatique (un « essai à blanc ») avec 10 000 faux essais. Ils ont testé leur nouvelle méthode contre les anciennes méthodes désordonnées.

Ce qu'ils ont trouvé :

Équité : Lorsqu'ils assignaient les combinaisons « Chef + Recette » de manière aléatoire, ils pouvaient mesurer avec précision quelle part du résultat était due au chef et quelle part était due à la recette.
Le danger de la supposition : S'ils essayaient d'assigner les chefs aux recettes après avoir vu quelle recette le patient avait reçue (ou s'ils n'avaient pas caché la recette au chef), les résultats étaient biaisés. C'était comme si un chef goûtait la soupe avant de la servir et modifiait la recette pour correspondre à l'humeur du client. Cela rendait l'étude peu fiable.
Le Verdict : La nouvelle méthode consistant à randomiser la combinaison du thérapeute et de l'intervention ensemble est la plus fiable pour obtenir une véritable réponse.

Résumé

L'article soutient que pour savoir réellement si une thérapie fonctionne, nous devons cesser de traiter les thérapeutes comme un simple bruit de fond invisible. Au lieu de cela, nous devons les traiter comme un ingrédient clé de la recette. En concevant des essais où chaque thérapeute essaie chaque thérapie, et en utilisant des outils mathématiques spécifiques pour analyser les résultats, nous pouvons obtenir une image plus claire et plus juste de ce qui aide réellement les patients.

L'essentiel : Ne testez pas seulement la thérapie ; testez l'équipe (thérapeute + thérapie) ensemble, et utilisez les bons calculs pour déterminer qui a fait quoi.

Résumé technique : Plans factoriels orthogonaux pour les essais d'interventions délivrées par des thérapeutes

Énoncé du problème
Dans les essais parallèles à groupes parallèles avec randomisation individuelle évaluant des interventions délivrées par des thérapeutes (par exemple, la psychothérapie), le regroupement lié au traitement est un problème reconnu où les résultats des patients sont corrélés au sein des thérapeutes. Bien que la pratique courante reconnaisse ce regroupement pour la taille de l'échantillon et l'analyse, l'objectif principal reste l'estimation des effets de l'intervention, traitant les thérapeutes simplement comme une source de variance plutôt que comme un facteur de traitement. Dissocier les effets spécifiques des thérapeutes des effets des interventions reste un défi. La littérature existante traite souvent de conceptions emboîtées ou partiellement emboîtées (où les thérapeutes ne délivrent qu'une seule intervention), mais a laissé le domaine des conceptions « croisées » (où chaque thérapeute délivre toutes les interventions) relativement sous-développé. De plus, il existe un décalage entre la littérature sur la conception d'expériences (DoE), qui suppose généralement des facteurs de traitement fixes, et la méthodologie des essais cliniques, qui traite souvent les thérapeutes comme des effets aléatoires.

Méthodologie
Les auteurs proposent une famille de plans expérimentaux factoriels orthogonaux qui traitent à la fois l'intervention et le thérapeute comme des facteurs de traitement. Dans ce cadre, la combinaison d'un thérapeute spécifique et d'une intervention spécifique constitue le « traitement », qui est randomisé aux patients. L'article adapte l'approche classique de la DoE décrite par Bailey [42] pour accommoder le thérapeute en tant que facteur de traitement aléatoire.

Les auteurs décrivent trois structures de plan spécifiques :

Plan factoriel complètement randomisé : Un essai monocentrique où les interventions et les thérapeutes sont constants dans le temps. Les patients sont randomisés à toutes les combinaisons d'interventions et de thérapeutes.
Plan factoriel par blocs randomisés : Prend en compte l'« apprentissage du thérapeute » ou les effets temporels en introduisant un facteur de blocage, les « lots » (périodes de temps). Les traitements sont randomisés aux patients au sein de chaque lot.
Plan factoriel par blocs randomisés multicentrique : Étend le plan précédent à plusieurs centres, où les thérapeutes sont emboîtés dans les centres, et les lots sont croisés avec les centres.

Pour chaque plan, les auteurs fournissent :

Diagrammes de Hasse : Pour visualiser les relations entre les facteurs d'unité et de traitement, en distinguant les effets fixes et aléatoires.
Analyse de la variance (ANOVA) : Des tableaux détaillés définissant les strates, les sources de variation, les degrés de liberté et les carrés moyens attendus. Les auteurs notent que dans les plans en blocs, la structure n'est pas strictement orthogonale selon les définitions standards en raison des « effets aléatoires dépendants » (où la borne supérieure des facteurs aléatoires se confond avec les facteurs fixes). Par conséquent, ils proposent d'utiliser des combinaisons linéaires de carrés moyens et l'approximation de Satterthwaite pour estimer les degrés de liberté résiduels appropriés pour tester les effets fixes de l'intervention.
Modèles de régression : Des modèles linéaires équivalents (modèles à coefficients aléatoires) sont présentés pour chaque plan, liant les composantes de la variance (variance entre les thérapeutes, variance de l'effet de l'intervention entre les thérapeutes et erreur au niveau du patient) aux valeurs propres de l'ANOVA.
Mise en œuvre : Un code R spécifique utilisant aov et lmer est fourni pour exécuter ces analyses.

Étude de simulation
Une étude de simulation a été menée pour évaluer la performance de cinq méthodes de randomisation à travers les plans proposés :

Assignation non aléatoire du thérapeute après la randomisation de l'intervention.
Assignation non aléatoire du thérapeute avant la randomisation de l'intervention.
Randomisation de l'intervention par blocage par thérapeute.
Méthode proposée : Randomisation de la combinaison thérapeute-intervention aux patients.
Randomisation des interventions, puis randomisation des thérapeutes aux patients (bloquée par l'intervention).

L'étude a fait varier les covariables de base prédictives des résultats pour simuler des scénarios où l'assignation du thérapeute pourrait être influencée par les caractéristiques des patients ou la connaissance de l'intervention.

Résultats clés

Biais et estimation de la variance : L'effet de l'intervention ( $\delta_1$ $δ_{1}$ ) a été estimé sans biais pour toutes les méthodes. Cependant, l'estimation des composantes de la variance était très sensible à la méthode de randomisation.
- L'assignation non aléatoire des thérapeutes (Méthodes 1–3) a conduit à une surestimation substantielle de la variance entre les thérapeutes ( $\sigma^2_{u1}$ ) et de la variance de l'effet de l'intervention entre les thérapeutes ( $\sigma^2_{v1}$ ) lorsque les covariables étaient déséquilibrées.
- La randomisation des combinaisons thérapeute-intervention (Méthode 4) ou la randomisation des thérapeutes aux patients (Méthode 5) a permis une estimation impartiale de ces composantes de variance.
Erreur type et puissance : Lorsque l'assignation non aléatoire causait une inflation de l'estimation de la variance de l'effet de l'intervention entre les thérapeutes, l'erreur type de l'effet de l'intervention augmentait, entraînant une hausse substantielle de l'erreur de type II (réduction de la puissance).
Erreur de type I : Le taux d'erreur de type I est resté à 5 % pour la plupart des méthodes. Cependant, un scénario spécifique (Méthode 5, où les thérapeutes ont été randomisés après les interventions) a montré une inflation de l'erreur de type I lorsqu'une covariable influençait l'assignation du thérapeute. Cela s'est produit parce que l'équilibrage a posteriori de la covariable a créé un déséquilibre dans le nombre de patients par combinaison de traitement, lequel n'a pas été ajusté dans l'analyse.
Estimations aux limites : L'étude a noté que les composantes de la variance étaient fréquemment estimées à zéro (estimations limites), ce qui affecte les degrés de liberté disponibles pour tester l'effet de l'intervention.

Signification et revendications
L'article affirme être le premier à appliquer une approche formelle de la conception d'expériences (DoE) à la conception d'essais pour les interventions délivrées par des thérapeutes où le thérapeute est traité comme un facteur de traitement aléatoire dans une conception croisée. Les auteurs soutiennent que cette approche :

Fournit un cadre rigoureux pour séparer les effets des thérapeutes des effets des interventions.
Offre une famille de conceptions orthogonales qui permettent l'estimation de l'apprentissage du thérapeute (via le blocage) et des effets de centre.
Démontre, par simulation, que la randomisation intentionnelle des combinaisons thérapeute-intervention est supérieure à l'assignation séquentielle ou non aléatoire pour une estimation impartiale de la variance et le maintien de la puissance statistique.
Souligne la nécessité d'utiliser l'approximation de Satterthwaite pour les degrés de liberté et suggère qu'une analyse basée sur l'ANOVA peut être préférable à la régression standard pour éviter les conséquences involontaires des estimations limites sur les degrés de liberté.

Les auteurs concluent que, bien que leurs conceptions proposées soient théoriquement idéales, les contraintes pratiques (telles que la disponibilité et le roulement des thérapeutes) nécessitent des recherches méthodologiques supplémentaires pour développer des méthodes de randomisation flexibles. Ils insistent sur le fait qu'une conception d'essai plus intentionnelle a le potentiel de générer de meilleures preuves pour les interventions complexes en psychothérapie, physiothérapie, réadaptation et chirurgie.