Un score de propension est utile lorsqu’on utilise des données d’observation pour estimer l’effet d’un traitement sur un résultat et lorsqu’il est probable qu’il y ait un biais de sélection parce que le traitement n’a pas été administré au hasard. Elle est de plus en plus utilisée dans la recherche cardiovasculaire et a été utilisée pour éliminer les biais dans les études d’observation dans divers domaines.
Depuis sa publication initiale en 1983, ces scores sont largement utilisés pour étayer la causalité dans les recherches qui ne peuvent pas recourir à l’assignation aléatoire. Les concepts qui sous-tendent l’utilisation de ces méthodologies sont complexes, même si leur utilité est importante.
Dans ce blog, nous expliquerons les techniques de construction et d’évaluation du score de propension.
Qu’est-ce qu’un score de propension ?
Le score de propension est la probabilité qu’un traitement soit attribué en fonction des caractéristiques de base observées. Il s’agit d’un score d’équilibre puisqu’il détermine si la distribution des covariables de base enregistrées est égale entre les participants traités et non traités. Une étude d’observation non randomisée peut être conçue et analysée à l’aide du score de propension pour ressembler à certaines des caractéristiques uniques d’un essai contrôlé randomisé.
Lorsque l’affectation aléatoire à une condition n’est pas pratique, les scores offrent une alternative pour tenir compte des facteurs de confusion. En raison des déséquilibres entre les groupes de traitement et de contrôle lorsque l’affectation aléatoire ne peut être utilisée, l’effet de la condition de traitement (également appelée variable de regroupement) sur le résultat est biaisé.
Les scores de propension sont couramment utilisés dans la recherche cardiovasculaire et ont été utilisés pour éliminer les biais dans les études d’observation dans divers domaines.
Techniques de construction et d’évaluation des scores de propension
- Choix des variables pour le score de propension
Les notations de propension incluent les variables de traitement et de résultat afin de réduire les risques de confusion. La première étape de la création d’un score de propension consiste à utiliser une analyse de régression logit ou probit avec le traitement comme variable de résultat et les facteurs de confusion potentiels comme variables explicatives.
La sélection des covariables permet d’équilibrer le biais et l’efficacité. Le score de propension devrait réduire le biais si une variable est liée au résultat mais pas au traitement, car une variable liée au traitement peut affecter le résultat.
Attention : Exclure les variables liées au traitement. Un score de propension affecté par le traitement cache une partie de l’impact du traitement. Exclure les covariables qui prédisent parfaitement l’état du traitement, car les distributions des covariables du groupe de traitement et du groupe témoin doivent se chevaucher.
- Équilibre du score de propension entre le groupe de comparaison et le groupe de traitement
Après avoir calculé le score de chaque observation, il faut s’assurer que les scores des groupes de traitement et de comparaison se chevauchent.
Les effets du traitement ne peuvent être déduits pour un individu traité sans un score de propension comparable. Le soutien standard est jugé subjectivement à l’aide d’un graphique des scores de propension entre les groupes de traitement et de comparaison.
Attention : Les scores de propension équilibrent les facteurs mesurés et non les facteurs non mesurés. Les variables non mesurées peuvent fausser les estimations de l’effet du traitement. Au fur et à mesure que les facteurs mesurés et non mesurés se rapprochent, ce biais peut augmenter.
- Équilibre des covariables entre les groupes de traitement et de contrôle au sein des blocs du score de propension
L’équilibrage par score de propension n’a pas de technique idéale. Après avoir équilibré le score entre les blocs entre les groupes de traitement et de comparaison, vérifiez l’équilibre des covariables à l’intérieur des blocs. Cela garantit que le score de propension est défini correctement et distribué de manière similaire entre les groupes au sein de chaque bloc.
L’équilibre dans la moyenne ne suggère pas l’équilibre dans les moments d’ordre supérieur, mais un déséquilibre dans la moyenne nécessite de respécifier le score de propension. Au lieu de cela, calculez les différences standardisées.
Attention : Ne pas utiliser la statistique c ou l’AUC pour évaluer la performance. Ces mesures sont problématiques car elles sont censées réduire les facteurs de confusion et non les prédire.
- Choix des stratégies d’appariement et de pondération
Après avoir développé un score de propension équilibré, choisissez comment comparer les groupes de traitement et de comparaison. Les compromis en matière de biais et d’efficacité doivent être pris en compte.
Les procédures de comparaison les plus courantes sont l’appariement et la pondération. Quelle que soit la faiblesse de la correspondance, les techniques d’appariement permettent de faire correspondre un individu traité à l’individu de comparaison dont le score de propension est le plus élevé et le plus identique.
Les techniques d’appariement permettent de faire correspondre une personne traitée à la personne de comparaison dont le score de propension est le plus identique, quel que soit le calibre.
- Équilibre des covariables à la suite de l’appariement ou de la pondération de l’échantillon en fonction du score de propension
Après avoir établi une approche d’appariement ou de pondération, il est essentiel d’évaluer l’efficacité de l’équilibre entre les groupes de traitement et de comparaison. Le score de propension doit être préspécifié si les groupes de traitement et de comparaison ne sont pas équilibrés.
La comparaison des différences standardisées est un premier test célèbre, comme l’équilibrage des marches. Les différences moyennes plus mineures et les moments d’ordre supérieur sont meilleurs pour les facteurs de confusion susceptibles d’affecter gravement le résultat.
Attention : Les estimations de l’effet de traitement sont affectées par la restriction de l’échantillon à un support commun. L’effet d’une thérapie ne peut être déterminé que pour les personnes ayant des scores de propension dans les groupes de traitement et de comparaison.
Conclusion
De nombreuses analyses statistiques utilisent ces scores. Compte tenu du coût croissant des essais cliniques randomisés et de la popularité grandissante des études d’observation en tant que méthodologie de recherche, leur utilisation devrait augmenter au fil du temps.
Lorsqu’elle peut être intégrée dans les phases de conception des études, la méthodologie tend à produire les avantages les plus significatifs (grâce à l’appariement ou à la stratification).
Outre les économies de temps et d’argent, ces avantages comprennent également une évaluation plus précise des effets de la thérapie. Cette économie est rendue possible par la possibilité d’éviter de recruter des personnes qui pourraient ne pas convenir à des enquêtes particulières.
Il s’agit d’un outil supplémentaire dont les chercheurs disposent lorsqu’ils tentent d’évaluer les effets des traitements dans des études susceptibles d’être biaisées. Ce score est l’une des nombreuses techniques qui peuvent être utilisées pour analyser les données des études d’observation.
QuestionPro est plus qu’un logiciel d’enquête. Notre bibliothèque de recherche InsightsHub traite les données. QuestionPro peut vous aider à prendre rapidement des décisions critiques en vous aidant à comprendre les clients et d’autres questions. Utilisez la suite de recherche de niveau entreprise dès maintenant !
