Early Cardiac Testing after Emergency-Department ECG: An Observational Target-Trial Emulation

Dans les services d'urgence du monde entier, les médecins sont confrontés à un casse-tête constant et à enjeux élevés : déterminer quels patients souffrant de douleurs thoraciques font une crise cardiaque et lesquels n'en font pas. Pour résoudre cela, ils s'appuient sur des outils tels que l'électrocardiogramme, qui enregistre l'activité électrique du cœur, et des analyses de sang qui détectent des protéines spécifiques libérées lorsque le muscle cardiaque est endommagé. Sur la base de ces indices initiaux, les cliniciens décident si un patient a besoin de tests plus poussés et plus invasifs, comme un test d'effort ou une procédure de cathétérisme pour examiner l'intérieur des artères. Ce processus de prise de décision n'est pas aléatoire ; les médecins choisissent naturellement de tester les patients qui semblent plus malades ou plus en danger. Cela crée une situation délicate pour les chercheurs qui tentent de comprendre la valeur réelle de ces tests. Si l'on compare simplement les résultats de santé des patients testés par rapport à ceux qui ne l'ont pas été, les résultats seront trompeurs. Le groupe testé paraîtra en moins bonne santé, non pas parce que les tests lui ont fait du mal, mais parce qu'il s'agissait déjà des personnes les plus malades de la pièce dès le départ. Ce phénomène, où la raison du traitement est confondue avec le traitement lui-même, rend extrêmement difficile la détermination d'une intervention médicale qui aide réellement ou qui nuit.

Pour dissiper cette confusion, un chercheur nommé Bjørn-Jostein Singstad a mené une étude qui a réimaginé notre façon d'analyser les données médicales réelles. Au lieu d'essayer de prouver que les tests cardiaques causent de meilleurs ou de moins bons résultats, l'étude a posé une question plus spécifique : si nous pouvions comparer magiquement les patients ayant reçu des tests dans les dix jours suivant une visite aux urgences contre ceux qui n'en ont pas reçu, tout en tenant compte soigneusement de leur état de santé initial, quelle serait la différence dans leur état de santé ? Le chercheur a utilisé une méthode appelée l'émulation de l'essai cible (target-trial emulation), qui est une façon de concevoir une étude observationnelle pour imiter la structure d'une expérience randomisée parfaite. En liant les données de plus de 71 000 visites aux urgences d'un grand hôpital entre 2010 et 2015, l'étude s'est concentrée sur 51 158 rencontres où les patients présentaient à la fois un électrocardiogramme et des dossiers médicaux liés. L'objectif était de mesurer le risque d'un mauvais résultat — défini par soit un test de protéine cardiaque positif, soit le décès dans les trente jours — en comparant ceux qui ont subi des tests d'effort ou des cathétérismes dans les dix jours contre ceux qui n'en ont pas subi.

L'examen initial des données a montré une différence marquée et attendue. Les patients ayant reçu des tests cardiaques présentaient un taux de mauvais résultats beaucoup plus élevé, avec près de 29 % subissant un test positif ou décédant, contre seulement 7 % de ceux qui n'ont pas été testés. Cet écart de 22 points de pourcentage est exactement ce que l'on attend lorsque des patients plus malades sont sélectionnés pour les tests. Cependant, l'étude est allée bien plus loin que cette comparaison superficielle. En utilisant des techniques statistiques avancées qui agissent comme un filtre sophistiqué, le chercheur a ajusté des dizaines de facteurs, notamment l'âge, le sexe, la race et les schémas spécifiques observés sur l'électrocardiogramme initial des patients. Ces ajustements étaient destinés à niveler le terrain, créant une comparaison équitable entre les deux groupes comme s'ils avaient commencé avec le même niveau de risque.

Après avoir appliqué ces ajustements, l'écart massif dans les résultats a considérablement diminué. La différence de risque est passée de 22 points de pourcentage à environ 6 points de pourcentage. Cela signifie que même en tenant compte du fait que les patients testés étaient plus malades, il restait toujours une petite différence positive de risque en faveur du groupe non testé, suggérant que la stratégie de test pourrait être associée à des résultats légèrement moins bons. Cependant, l'étude ne s'est pas arrêtée là, car le chercheur savait que la manière dont les données étaient organisées pouvait encore cacher des problèmes invisibles. Un problème majeur est ce qu'on appelle le « biais de temps immortel » (immortal time bias), qui survient lorsque la définition d'un groupe exige qu'un patient survive suffisamment longtemps pour être classé dans celui-ci. Dans cette étude, un patient devait rester à l'hôpital ou survivre jusqu'à dix jours pour être comptabilisé dans le groupe « testé ». Si un patient mourait au deuxième jour, il ne pouvait pas être dans le groupe testé, ce qui rendait le groupe testé artificiellement plus sain dans les premiers jours.

Pour tester l'importance de ce problème de calendrier, le chercheur a changé les règles du jeu. Lorsque la fenêtre de définition du « test » a été réduite de dix jours à un seul jour, la différence de risque estimée s'est presque totalement effondrée pour atteindre zéro. Cela suggère que la faible différence de risque observée dans la fenêtre de dix jours pourrait ne pas être un effet réel du test, mais plutôt un artefact de la manière dont les groupes ont été définis au fil du temps. De plus, l'étude a examiné une information spécifique : si un patient avait reçu un diagnostic de crise cardiaque le jour même de sa visite. Ce diagnostic apparaissait chez 43 % des patients testés, mais chez 0 % des patients non testés. Lorsque le chercheur a retiré cette information spécifique de l'analyse, la différence de risque estimée a presque doublé, passant d'environ 6 points de pourcentage à 11 points de pourcentage. Cette conclusion souligne la fragilité des résultats lorsqu'on traite de données où le moment du diagnostic et la décision de tester sont si étroitement liés.

L'étude a également calculé une valeur pour mesurer la force qu'un facteur non mesuré devrait posséder pour expliquer complètement les résultats. Le chiffre obtenu était de 2,66, ce qui implique que si un facteur caché, tel que la gravité des symptômes d'un patient que les médecins ne pouvaient pas enregistrer, était plus de deux fois plus susceptible de provoquer à la fois le test et de mauvais résultats, il pourrait effacer la faible différence trouvée dans l'analyse. Étant donné que les médecins prennent des décisions de test basées sur des indices cliniques subtils qui sont souvent non capturés dans les bases de données, un tel facteur caché est tout à fait plausible. Le chercheur a conclu que, bien que les méthodes statistiques aient réussi à réduire le biais évident causé par la sélection de patients plus malades pour les tests, elles n'ont pas pu éliminer l'incertitude causée par les informations manquantes et la chronologie complexe des décisions médicales réelles.

En fin de compte, ce travail constitue une démonstration puissante des limites des données observationnelles. Il montre que même avec les outils mathématiques les plus sophistiqués et les meilleurs registres disponibles, nous ne pouvons pas reproduire la certitude d'une expérience contrôlée lorsque les données proviennent de la réalité désordonnée de la médecine d'urgence. L'étude n'a pas prouvé que les tests cardiaques sont nocifs, ni qu'ils sont inutiles. Elle a plutôt révélé que les faibles différences observées dans les données sont très sensibles à la manière dont la question est posée et aux pièces d'information qui sont incluses. La leçon est une mise en garde : si les méthodes modernes peuvent nous aider à voir à travers le brouillard de la confusion, elles ne peuvent pas dissiper les ombres du jugement clinique non enregistré ou de la chronologie complexe des décisions de vie ou de mort. Les résultats suggèrent que le lien apparent entre le test et les mauvais résultats est probablement le reflet de la sévérité sous-jacente des patients et des complexités des données, plutôt qu'une simple relation de cause à effet qui peut être facilement corrigée en ajustant quelques chiffres.