Accounting for uncertainty in the expected treatment effect substantially increases the sample size required for randomised trials: implications for the feasibility of clinical trials in anaesthesia and critical care

Résumé technique : Prendre en compte l'incertitude dans l'estimation des effets de traitement attendus

Énoncé du problème
Les essais randomisés multicentriques en anesthésie et en soins critiques rapportent fréquemment de faibles taux de différences statistiquement significatives. Les auteurs postulent que ce phénomène est en partie attribuable aux méthodes conventionnelles de calcul de la taille de l'échantillon, qui supposent un effet de traitement fixe. Ces méthodes de « puissance conditionnelle » ne parviennent pas à prendre en compte l'incertitude réelle concernant la taille de l'effet attendu — une réalité fondamentale qui motive souvent l'essai en premier lieu. Lorsque les chercheurs surestiment la taille de l'effet plausible (un phénomène courant), la puissance réalisée de l'étude devient inférieure à la puissance de conception, augmentant ainsi le risque d'erreurs de type II et de « malédiction du gagnant » (où les résultats significatifs surestiment l'effet réel). L'article traite de la nécessité de méthodes intégrant cette incertitude pour fournir des estimations de taille d'échantillon plus réalistes.

Méthodologie
L'étude a utilisé des simulations en R pour comparer trois approches d'estimation de la puissance et de la taille de l'échantillon dans des essais randomisés à deux bras avec des résultats binaires (taux d'événements attendu dans le groupe témoin de 50 %) :

1. Puissance (conditionnelle) conventionnelle : Suppose une taille d'effet fixe.
2. Assurance fréquentiste : Utilise une loi a priori de conception pour représenter l'incertitude de l'effet de traitement ($\beta_1$) et calcule la puissance par intégration de Monte Carlo à travers les tailles d'effet plausibles.
3. Assurance bayésienne : Utilise une loi a priori de conception pour le taux d'événements du groupe témoin ($\beta_0$) et l'effet de traitement ($\beta_1$), simulant des données et ajustant des modèles de régression logistique bayésienne pour déterminer la proportion d'essais répondant à un critère de succès (probabilité postérieure de bénéfice > 97,5 %).

Caractéristiques méthodologiques clés :

• Lois a priori de conception : Des distributions normales (gaussiennes) ont été spécifiées pour $\beta_1$ avec un coefficient de variation (CV) constant allant de 0,1 à 2,0. Cela a permis de standardiser le degré d'incertitude de la loi a priori pour différentes tailles d'effet.
• Tailles d'effet : Quatre scénarios ont été testés avec des différences de risque (DR) attendues de -10 %, -5 %, -2 % et -1 %.
• Efficacité computationnelle : Pour rendre l'assurance bayésienne calculablement traitable, les auteurs ont utilisé et validé une approximation normale de la distribution postérieure bayésienne, comparée à l'échantillonnage par chaîne de Markov Monte Carlo (MCMC) sur un sous-ensemble de simulations.
• Dérivation théorique : Les auteurs ont dérivé une limite théorique pour la puissance atteignable ($power_\infty$) lorsque la taille de l'échantillon tend vers l'infini.

Résultats clés

• Inflation de la taille de l'échantillon : L'intégration de l'incertitude via des lois a priori de conception augmente substantiellement la taille d'échantillon requise par rapport aux méthodes conventionnelles. Avec un CV de 0,5 (représentant une incertitude a priori réaliste), les méthodes d'assurance tant fréquentiste que bayésienne nécessitaient des tailles d'échantillon environ 1,5 à 3,5 fois plus grandes que la méthode conventionnelle pour atteindre une puissance de 80 % ou 90 %.
• Limite théorique de puissance : L'étude a dérivé un plafond théorique de puissance défini par l'équation $power_\infty = \Phi(1/CV)$, où $\Phi$ est la fonction de répartition de la loi normale centrée réduite. Cette limite dépend uniquement du CV de la loi a priori de conception et est indépendante de la taille de l'effet ou de la méthodologie inférentielle.
  • Pour un CV de 0,5, la puissance maximale atteignable est de ~98 %.
  • Pour un CV de 1,19, la puissance maximale chute à 80 %.
  • Pour un CV de 2,0, la puissance maximale est de ~69 %.
• Accord méthodologique : Les méthodes d'assurance fréquentiste et bayésienne ont produit des courbes de puissance similaires dans tous les scénarios. Les différences mineures ont été attribuées à la variabilité de l'échantillonnage, à l'effet de régularisation des lois a priori d'analyse peu informatives dans l'approche bayésienne, et au fait que la méthode bayésienne échantillonnait l'incertitude du taux d'événements du groupe témoin ($\beta_0$) tandis que la méthode fréquentiste le traitait comme fixe.
• Validation : L'approximation normale de la distribution postérieure bayésienne correspondait étroitement aux résultats MCMC, réduisant le temps de calcul de plusieurs jours/semaines à moins de 8 heures sur un ordinateur portable standard.

Signification et affirmations
L'article affirme que la prise en compte de l'incertitude clinique dans l'effet de traitement attendu est cruciale pour la faisabilité des essais randomisés en anesthésie et en soins critiques. Les auteurs soutiennent que :

• Implications de faisabilité : L'augmentation substantielle des tailles d'échantillon requises lorsque l'incertitude est prise en compte suggère que de nombreux essais, particulièrement ceux ciblant de petits effets de traitement ou présentant une incertitude a priori élevée (CV élevé), peuvent être irréalisables ou largement sous-dimensionnés s'ils sont conçus à l'aide des méthodes conventionnelles.
• Explication des faibles taux de succès : Le fait de ne pas tenir compte de l'incertitude réelle pourrait expliquer la faible proportion d'essais multicentriques dans ces domaines qui rapportent des différences statistiquement significatives.
• Recommandation pratique : Les auteurs suggèrent un CV d'environ 0,5 comme valeur par défaut raisonnable pour les lois a priori de conception. Cette valeur permet d'accommoder une incertitude réaliste tout en permettant d'atteindre une puissance adéquate (par exemple, 80-90 %).
• Contribution méthodologique : L'étude fournit une approximation normale validée et efficace sur le plan computationnel pour la puissance d'assurance bayésienne, rendant ces méthodes plus accessibles pour la planification d'essais sans le coût prohibitif d'un échantillonnage MCMC complet.

L'article conclut que, bien que les méthodes conventionnelles supposent un effet fixe, les méthodes d'assurance offrent un guide plus réaliste pour l'estimation de la taille de l'échantillon, informant directement les décisions sur la faisabilité de la conduite de protocoles cliniques spécifiques.