Dans cette vidéo, Harlan Krumholz, MD, directeur de la recherche et de l’évaluation des résultats à l’Université de Yale et à l’hôpital Yale New Haven dans le Connecticut, discute d’une innovation qui pourrait contrôler de manière significative les biais et les facteurs de confusion dans études d’observation.
Voici une transcription de ses propos :
Je m’appelle Harlan Krumholz. Je suis professeur de médecine à l’université de Yale et cardiologue.
Je suis ici aujourd’hui pour parler d’une étude qui est sortie récemment — eh bien, une description d’une étude qui est sortie — qui va examiner l’efficacité comparative de différentes approches dans le diabète.
Mais je veux parler un instant des études observationnelles. Études observationnelles : Nous ne pouvons pas vivre avec eux, nous ne pouvons pas vivre sans eux. Écoutez, beaucoup de revues ne nous permettent même pas de faire des inférences causales lorsque nous utilisons des études observationnelles. Ils nous font dire : « Il y a une association, il n’y a pas de causalité associée à cette étude. Nous ne pouvons pas tirer de conclusions définitives. Ils ne doivent pas être utilisés pour prendre des décisions qui doivent être mises en pratique.
Et pourtant, une grande partie de notre compréhension du fonctionnement du monde repose sur des études d’observation. Il n’y a jamais eu d’essai randomisé sur le tabagisme, par exemple, et pourtant nous acceptons comme un fait que le tabagisme peut causer le cancer du poumon.
Le problème est que les études observationnelles sont un grand méli-mélo de méthodes et d’approches et causent toutes sortes de problèmes différents et sont sujettes à de grandes quantités de biais. Nous devons faire la distinction entre de très bonnes études d’observation et des études qui représentent une expédition de pêche qui ne font que publier un résultat qui ne mérite pas vraiment notre confiance dans la découverte.
Donc, un groupe, en matière de divulgation, un groupe dont j’ai eu l’occasion de faire partie, essaie de faire les choses d’une manière différente. Ils ont créé une série d’études appelées LEGEND, tirant parti d’études d’observation à grande échelle dans le monde réel pour fournir des preuves sur les comparaisons directes de médicaments. Et dans ce cas, l’étude dont je vais parler concerne le diabète.
LEGEND fait partie de la communauté Observational Health Data Sciences and Informatics, OHDSI, un groupe de personnes du monde entier qui travaillent ensemble pour améliorer la recherche observationnelle et produire des connaissances qui aideront les gens à avoir de meilleures preuves et ces preuves à générer de meilleurs résultats.
Mais comme je l’ai dit, nous ne pouvons pas vivre sans ces études d’observation. Pourquoi? Parce que nous ne pouvons pas simplement faire assez d’essais randomisés, assez d’expériences, qui vont fournir les preuves dont nous avons besoin dans la pratique clinique. Il y a trop de comparaisons différentes qui sont nécessaires ; il y a trop de types de patients différents que nous voyons.
Maintenant, j’aimerais un monde où nous faisons des ECR [randomized clinical trials] avec plus d’enthousiasme, qu’il y en a beaucoup plus. Nous devons arriver à un monde où il est plus facile de faire ce genre d’expériences et de produire ce genre d’information. Mais je crois qu’il sera toujours nécessaire de compléter ces expériences par des études d’observation, qui nous fourniront des preuves pour combler les lacunes, pour combler les domaines que nous ne connaissons pas.
Honnêtement, en ce moment, ce ne sont même pas des fissures. La grande majorité des décisions qui sont prises dans la pratique clinique sont prises dans des situations où il n’y a pas d’études observationnelles. Nous devons donc passer à la génération de preuves fiables.
L’un des problèmes est que l’approche traditionnelle examine une comparaison à la fois. Ils n’utilisent pas nécessairement les méthodes appropriées pour contrôler les biais, alors ils ne le font pas beaucoup. Et ils modifient la conception, ou le choix des comparateurs, souvent jusqu’à ce qu’ils obtiennent un résultat qui aboutit à quelque chose qui, selon eux, impressionnera les revues et peut-être impressionnera le domaine.
Soit dit en passant, nous avons tous été sensibles à cela. Je ne veux pas calomnier qui que ce soit en particulier. C’est juste pour dire que dans les études d’observation, parce que nous ne les enregistrons pas à l’avance, elles ont tendance à être celles où elles sont faites de manière itérative. Puis, en fin de compte, il y a une approche avec un résultat qui finit par entrer dans le journal.
Cette notion de génération de preuves à grande échelle à travers un réseau de bases de données est quelque chose de différent, où tout doit être pré-spécifié. Il y a une conception fixe et la diffusion des résultats. Il y a une promesse que peu importe ce qui est trouvé, ça va être expulsé. Toutes les questions de recherche sont clairement articulées. Le code est partagé. Les données sont claires et transparentes, et chaque comparaison est examinée. Il n’y a donc aucune chance pour les gens de — nous parlons de p-hacking, où les gens regardent différentes comparaisons et l’une d’entre elles s’avère assez intéressante et intrigante, et cela devient le centre de l’étude. Dans ce cas, nous parlons simplement de montrer à tout le monde tous les résultats. Donc, s’il peut y avoir 120 comparaisons différentes, montrez-les toutes. Ce n’est pas de la pêche. Ce n’est pas de la pêche si tous les résultats sont affichés. Chacun peut voir par lui-même ce qui s’y trouve.
Ensuite, il s’agit essentiellement d’utiliser les meilleures pratiques pour essayer d’atténuer toutes les sources de confusion, toutes les sources de biais, et d’essayer de faire en sorte que cela fonctionne. Et puis même des contrôles négatifs, donc vous choisissez des résultats qui, selon vous, ne seraient pas affectés par la question de recherche et voyez, dans tous ces cas, c’est positif. Est-ce que cela vous montre que peut-être ce que vous avez trouvé a été trouvé par hasard ? C’est donc une sorte de nouvelle façon de faire de la recherche observationnelle : plus de discipline, pré-spécifiée, plus ouverte, et un engagement à partager toutes les comparaisons.
Encore une fois, beaucoup d’entre nous pensent que cela va représenter une grande avancée. Rohan Khera a publié un document de protocole qui, je pense, mérite votre attention, car il présente cela pour une étude d’un réseau de bases de données pour les comparaisons de diabète de type 2. Il s’agira d’une comparaison multinationale avec de grandes données pour faire des comparaisons, en particulier entre les inhibiteurs du SGLT2 et les agonistes du GLP1, ainsi que plusieurs autres traitements traditionnels, afin de déterminer si, dans le monde réel, il existe des preuves d’avantages que nous avons vus reflété dans les épreuves. Qu’en est-il des populations qui vont au-delà de ce qui est dans les essais ? Qu’en est-il de la sécurité lorsqu’il est utilisé dans le monde réel ?
Il va utiliser toutes ces différentes méthodes pour vraiment renforcer les études d’observation et minimiser les biais. Il va examiner toute une gamme d’agents au sein de la classe. Très souvent, nous ne regardons qu’un seul médicament dans une classe et essayons de faire une généralisation à travers toute la classe. Ce sera très clair sur l’éligibilité, l’exposition, le type d’ajustements apportés dans le cadre de cette étude.
C’est dedans BMJ ouvert. Si vous vérifiez cela, vous verrez le large éventail de bases de données qui seront employées et utilisées, encore une fois, pour voir s’il y a cohérence entre ces bases de données, et un grand nombre de stratégies pour contrôler et organiser les données. Ensuite, les résultats seront importants.
Encore une fois, certaines personnes diront : “Eh bien, n’êtes-vous pas en train de pêcher ? N’êtes-vous pas simplement à la recherche du résultat positif ?” Ce n’est pas de la pêche si tous les résultats vont être partagés. Vous allez voir, s’il n’y a qu’un seul résultat qui est impressionnant, mais qu’aucun des autres ne l’est et qu’ils ne sont pas cohérents d’un bout à l’autre, vous le verrez. Parfois, dans une étude habituelle, les gens prendront ce résultat et ce sera la pièce maîtresse de l’étude. Dans des études comme celle-ci, il y a un engagement à partager toutes les informations.
Donc, je pense que nous sommes à l’aube d’une ère différente dans les études observationnelles. Et je dis, si vous allez lire une étude d’observation, lire les méthodes et faire la différence entre une expédition de pêche et quelque chose qui n’a pas vraiment minimisé les biais, ou quelque chose qui adopte une approche systématique et globale, qui va partager toutes les données est très, très différent.
Nous ne devrions pas penser aux études d’observation avec un pinceau large, mais ce que nous devrions faire, c’est différencier, déterminer celles qui méritent notre attention et celles qui ne le sont pas. Puis disant, quelle est la force de cette preuve? Certaines preuves seront très solides. Certains seront très faibles.
Ensuite, en fin de compte, nous devons être en mesure de le faire pour combler les domaines où nous n’avons pas d’ECR. Et nous avons besoin du type de preuves issues d’études observationnelles pour nous assurer que nous pouvons mettre en pratique des preuves scientifiquement fondées, qui s’appuient sur les meilleures preuves possibles, que nous pouvons partager cela avec nos patients et, ensemble, nous pouvons prendre les meilleures décisions possibles.
