Remote, bivariate expert elicitation to determine the prior probability distribution for sample size calculation in a Bayesian non-inferiority multicenter randomized controlled trial (Croup Dosing Trial)

Cette étude démontre la faisabilité d'une élicitation d'experts à distance et bivarée pour définir une distribution a priori et calculer la taille d'échantillon d'un essai clinique bayésien non-inférieur sur le traitement du croup par dexaméthasone.

L'essentiel

Imaginez que vous êtes le capitaine d'un grand navire (une étude médicale) qui doit traverser une mer parfois orageuse (la maladie appelée le croup chez les enfants). Votre mission est de décider si un petit moteur (une faible dose de médicament) fonctionne aussi bien qu'un gros moteur (la dose standard) pour faire avancer le bateau sans s'échouer.

Mais avant de lever l'ancre, vous devez savoir combien d'équipiers (patients) vous devez emmener pour être sûr de réussir le voyage. C'est là que cette étude intervient.

Voici l'histoire de comment les chercheurs ont trouvé la réponse, racontée simplement :

1. Le Problème : On ne connaît pas encore la carte

Dans le monde médical, on utilise souvent des données du passé pour prédire l'avenir. Mais ici, il y avait un petit problème : il n'y avait pas assez de preuves solides pour dire avec certitude si la petite dose de dexaméthasone (le médicament) était aussi efficace que la grosse dose pour éviter que les enfants ne reviennent aux urgences.

C'est comme si vous deviez construire un pont, mais vous n'aviez pas les mesures exactes du fleuve. Vous ne pouvez pas juste deviner au hasard, sinon le pont pourrait s'effondrer.

2. La Solution : Demander aux "Sages" du village

Au lieu de deviner, les chercheurs ont eu une idée brillante : demander aux experts. Ils ont réuni 12 médecins experts en urgences pédiatriques venant du Canada, des États-Unis, de l'Australie et de la Nouvelle-Zélande.

Imaginez que vous organisez une grande réunion de sages dans un village. Au lieu de les faire voyager (ce qui coûte cher et prend du temps), vous les avez réunis à distance, via un écran, comme une réunion Zoom géante.

3. L'Outil : Un jeu de devinettes interactif

Pour obtenir leurs avis, les chercheurs n'ont pas juste posé une question simple. Ils ont créé un outil numérique interactif (comme un jeu vidéo sérieux).

Voici comment ça s'est passé, étape par étape :

• Le Scénario : On a montré aux médecins une histoire d'un enfant malade (un cas type).
• Le Premier Tour (Le Devin) : Chaque médecin a dû dire, à lui seul : "Sur 100 enfants comme celui-ci, combien reviendront aux urgences si on donne la petite dose ? Et combien avec la grosse dose ?". Ils ont dessiné leur propre "nuage de probabilité" (une courbe qui montre ce qu'ils pensent probable).
• La Discussion (Le Conseil) : Ensuite, on a montré à tout le monde les réponses des autres, mais sans dire qui avait répondu quoi (comme un tableau noir avec des points de couleur). Les médecins ont discuté : "Ah, toi tu penses que c'est plus risqué ? Pourquoi ?" Ils ont échangé leurs idées sur la saison, la virulence du virus, etc.
• Le Deuxième Tour (L'Ajustement) : Après avoir entendu les autres, les médecins ont pu changer leur réponse. C'est comme si, après avoir discuté avec vos amis, vous ajustiez votre estimation de la météo pour le week-end.

4. Le Résultat : Une boussole précise

Grâce à cette discussion, les avis des médecins se sont rapprochés. Ils ont fini par s'accorder sur une estimation moyenne :

• Avec la grosse dose, environ 6 % des enfants reviendraient aux urgences.
• Avec la petite dose, environ 8 % reviendraient.

C'est une différence très faible, mais importante. Les chercheurs ont utilisé ces chiffres pour calculer la taille exacte de l'équipage nécessaire pour l'étude : 1 850 enfants.

Pourquoi c'est génial ?

• La Télépathie à distance : Ils ont prouvé qu'on peut faire un travail de précision très élevé sans que les experts aient besoin de se serrer la main physiquement. C'est comme si on pouvait faire un grand dîner de famille sans que personne ait besoin de conduire.
• La Sagesse collective : En mélangeant l'expérience de médecins de différents pays, ils ont créé une "boussole" plus fiable que n'importe quel médecin seul.
• L'Équilibre : Ils ont combiné les données scientifiques existantes (les cartes anciennes) avec l'intuition des médecins (la connaissance du terrain actuel) pour créer une prédiction très solide.

En résumé :
Cette étude est comme une recette de cuisine améliorée. Au lieu de suivre aveuglément un vieux livre de cuisine (les anciennes études), les chefs (les médecins) ont goûté, discuté, ajusté les épices ensemble à distance, et ont finalement trouvé la quantité parfaite d'ingrédients (la taille de l'étude) pour réussir le plat (le traitement du croup) sans gaspiller de nourriture ni risquer la santé des convives.

Résumé technique

Titre de l'étude

Élicitation d'experts bivariate et à distance pour déterminer la distribution a priori de probabilité pour le calcul de la taille d'échantillon dans un essai contrôlé randomisé multicentrique bayésien de non-infériorité : Le dosage de la dexaméthasone pour le traitement du croup (Croup Dosing Trial).

---

1. Problématique

Les essais cliniques utilisant des méthodes bayésiennes nécessitent la spécification de distributions a priori pour les paramètres d'intérêt. Lorsque les preuves existantes sont limitées ou non concluantes, l'élicitation d'experts est une méthode valide pour construire ces distributions. Cependant, les approches d'élicitation conventionnelles reposent souvent sur des interactions en face à face et un entraînement pré-élicitation intensif, ce qui les rend coûteuses et difficilement réalisables, notamment pour des essais internationaux impliquant des experts de différents fuseaux horaires.

L'objectif de cette étude était de concevoir et de mettre en œuvre une élicitation d'experts à distance pour le « Croup Dosing Trial ». Cet essai vise à évaluer la non-infériorité d'une dose faible de dexaméthasone (0,15 mg/kg) par rapport à la dose standard (0,60 mg/kg) pour le traitement du croup chez l'enfant, en mesurant le nombre de retours aux urgences sous 7 jours. Le défi technique consistait à obtenir une distribution a priori bivariée (capturant la dépendance entre les deux bras de traitement) sans interaction physique, tout en intégrant les incertitudes des experts.

2. Méthodologie

Conception de l'essai et paramètres clés :

• Essai : Essai contrôlé randomisé de non-infériorité, en double aveugle, multicentrique (Canada, USA, Nouvelle-Zélande, Australie).
• Paramètres élicités : Probabilités de retour aux urgences sous 7 jours pour la dose standard ($p_1$) et la dose faible ($p_2$).
• Modélisation : Les probabilités sont modélisées par des distributions de Beta. Contrairement aux approches précédentes qui supposaient l'indépendance entre les bras, cette étude utilise une distribution a priori bivariée pour chaque expert pour capturer la corrélation (ancrage) entre les estimations des deux doses.

Protocole d'élicitation (Adaptation du protocole IDEA) :

• Participants : 12 médecins urgentistes pédiatriques (8 au Canada, 4 aux USA) sélectionnés pour leur expertise et leur expérience avec le croup.
• Format : Trois ateliers virtuels de 90 minutes sur Zoom, adaptés aux fuseaux horaires.
• Outil : Un outil interactif développé en R (package Shiny) permettant aux experts de visualiser leurs distributions en temps réel. Les experts fournissaient des valeurs plausibles inférieure et supérieure (intervalle crédible à 95 %) et la valeur la plus plausible (mode).
• Déroulement :
  1. Pré-atelier : Revue de la littérature (un essai clinique et une méta-analyse).
  2. Tour 1 : Estimation individuelle des probabilités.
  3. Discussion de groupe : Présentation de boîtes à moustaches anonymisées des réponses du Tour 1 pour stimuler le débat critique.
  4. Tour 2 : Réestimation individuelle après réflexion.
• Agrégation : Utilisation de la méthode de Thall et al. pour agréger les distributions. Cela implique la construction de distributions marginales pour chaque expert, l'ajustement de covariables d'expérience professionnelle, et l'introduction d'effets latents spécifiques à l'expert pour modéliser la corrélation entre $p_1$ et $p_2$.
• Calcul de la taille d'échantillon : Détermination basée sur l'assurance (assurance relative de 80 % et assurance nulle de 5 %) via des simulations en R (INLA), en utilisant la distribution agrégée finale et une marge de non-infériorité de 4 % (déterminée par une enquête auprès des investigateurs).

3. Résultats Clés

Caractéristiques des experts :

• 12 participants avec 11 à 38 ans d'expérience.
• Tous avaient prescrit la dose standard (0,60 mg/kg) au cours de l'année précédente, mais seulement 2 avaient prescrit la dose faible (0,15 mg/kg).

Distributions a priori obtenues :

• Réduction de la variabilité : La variabilité des réponses a diminué entre le Tour 1 et le Tour 2, indiquant un effet de calibration grâce à la discussion.
• Estimations agrégées (Tour 2) :
  • Dose standard (0,60 mg/kg, $p_1$) : Médiane de 6,44 % (Moyenne : 8,01 %).
  • Dose faible (0,15 mg/kg, $p_2$) : Médiane de 8,19 % (Moyenne : 1,00 % - Note : Il semble y avoir une erreur de frappe dans le tableau 3 du texte original pour la moyenne de p2, qui est listée comme 1,00% alors que la médiane est 8,19% et les données individuelles suggèrent une valeur proche de 8-9%. Le texte résume la distribution agrégée comme étant centrée autour de 8% pour la dose faible dans le résumé et la discussion).
  • Différence de risque ($p_2 - p_1$) : Médiane de 1,52 % (Moyenne : 1,98 %).
• Corrélation : Une corrélation positive modérée de 0,40 a été observée entre les deux estimations, confirmant la nécessité d'une approche bivariée pour éviter l'ancrage non contrôlé.

Taille de l'échantillon :

• Basée sur une marge de non-infériorité de 4 %.
• La taille d'échantillon calculée pour atteindre les critères d'assurance est de 1 850 patients.

4. Contributions Principales

1. Faisabilité de l'élicitation à distance : L'étude démontre qu'il est possible de mener une élicitation d'experts rigoureuse et multinationale à distance, en utilisant des outils numériques interactifs et des ateliers synchrones, sans compromettre la qualité des données.
2. Modélisation Bivariée : L'application réussie d'une distribution a priori bivariée avec effets latents permet de capturer la dépendance naturelle entre les estimations des bras de traitement (ancrage), une amélioration par rapport aux méthodes précédentes qui traitaient les bras comme indépendants.
3. Intégration de l'expertise clinique et des données : La méthode combine efficacement les preuves empiriques (littérature) avec le jugement clinique nuancé des experts, tenant compte de facteurs contextuels (saison, accès aux soins primaires) que les méta-analyses seules ne capturent pas.
4. Validation du protocole IDEA : L'adaptation du protocole IDEA (Investigate, Discuss, Estimate, Aggregate) en format virtuel a permis de réduire la variabilité des estimations et d'améliorer la cohérence des jugements experts.

5. Signification et Implications

• Pour le Croup Dosing Trial : La distribution a priori générée est cohérente avec les données historiques (comparaison avec les travaux de Parker et Cooper), validant ainsi la robustesse de la conception de l'essai. Elle servira de base pour le calcul de la taille de l'échantillon et l'analyse finale des données.
• Pour la recherche clinique : Cette étude fournit un modèle reproductible pour la conception d'essais bayésiens dans des contextes où les données sont rares ou hétérogènes. Elle surmonte les barrières logistiques et financières des élicitations en personne, permettant d'inclure une diversité géographique d'experts (Canada, USA, Australie, NZ).
• Limites et Perspectives : Les auteurs notent que la durée limitée des ateliers (90 min) a restreint la formation des experts sur les biais cognitifs. De futures études devraient inclure une formation plus approfondie et documenter les raisonnements des experts pour mieux comprendre les changements d'opinion et éviter le « groupthink ».

En conclusion, cette recherche valide une approche méthodologique avancée pour la conception d'essais cliniques, prouvant que l'élicitation d'experts à distance, couplée à une modélisation statistique sophistiquée (bivariée), est une alternative viable et efficace aux méthodes traditionnelles.