Essai randomisé en grappe Références: Donner A, Klar N, Kerry SM, Bland JM, Campbell MK, Kirkwood BR Définition: Essai randomisé dans lequel des unités sociales sont assignées aléatoirement à différents groupes d intervention
Essai randomisé en grappe: Pourquoi ce design? Nature de l intervention Faisabilité / acceptabilité / coûts Minimisation du biais de contamination
Intérêt: Minimise biais contamination Définition: Biais lié à des changements de groupes des participants Risque de contamination important quand pas de double aveugle Surtout en randomisation individuelle Impact: Dilution
Prix à payer Perte d efficience statistique Randomisation moins efficace
Prix à payer: Perte d efficience statistique Cause: tendance à la similarité à l intérieur des grappes variation inter-grappe de la réponse Degré de similarité intra-grappe mesuré par coefficient de corrélation intra-grappe ρ (ICC) Estimation: Analyse de variance, Bootstrap
Variabilité inter-grappes: Raisons Individus ont la possibilité de choisir les grappes auxquelles ils appartiennent Individus d une grappe partagent exposition commune Interactions personnelles entre individus d une grappe les rendant similaires
Variabilité inter-grappes: Implications pratiques 1) Perte en terme de taille d échantillon effective Adapter calcul de n (vers le haut) sinon under-powered 2) Manque d indd indépendance statistique Adapter analyse sinon, p-valeurs biaisées vers le bas
Quantification de l effet design Essai avec k grappes de m individus assignées à un groupe expérimental et un groupe témoin Objectif = comparer les moyennes d une variable réponse Y Estimations de µ 1 et µ 2 données par: 1 et Variance de chaque moyenne: Var(Y i 2 σ ) = m km [ 1+ ( 1) ρ] Y 2 Y
Quantification de l effet design Effet design = IF = [ 1+ ( m 1)ρ ] Coefficient de corrélation intra-grappe grappe: Si ρ = 0 (indépendance statistique) Taille effective de la grappe = m Si ρ = 1 (dépendance statistique totale) Taille effective de la grappe = 1 Importance de la taille de la grappe (m) dans l effet design
Taille d échantillon Formule similaire à SRS*effet design Estimation de n nécessite: Estimation préalable de la taille des grappes et du coefficient ρ Analyse de sensibilité
Questions de design: Randomisation 1) Complètement randomisé 2) Stratifié Intérêt si stratifié pour caractéristiques des grappes associées à l outcome outcome! 3) Apparié Présente nombreuses limites
Question de design: Choix de l unité d inférence Individu ou grappe? Unité d inférence conditionne type de collecte de données type d analyse
Questions de design: Biais Le plus souvent, pas de double aveugle Effet Hawthorne possible car groupe contrôle bénéficie du programme habituel Groupe contrôle actif entre les 2 groupes, recrutement / refus post-randomisation / perdus de vue Biais d observation
Analyse 1) Intention de traiter 2) Prendre en compte l effet grappe (absence indépendance) pas (peu) d impact sur estimations impact pfs important sur la précision 3) Différentes approches possibles
Analyse: Grappe = unité d analyse Approche la plus simple Unité de randomisation = unité d analyse Techniques usuelles Analyse pondérée si m très variable Analyses moins puissantes
Analyse: Individu = unité d analyse Unité d analyse unité de randomisation Préférable si on veut ajuster Permet d estimer plus facilement ρ Différentes approches Nécessitent un nombre élevé de grappes
Analyse: Comparaison de proportions 1) Niveau grappe Test-t t pour échantillons indépendants comparant moyennes de proportions Approches non-paramétriques Mann-Whitney Whitney-U test Fisher s two-sample permutation test
Analyse: Comparaison de proportions 1) Niveau individuel χ2 2 de Pearson ajusté pour l effet l design (Approche utilisant ratio de 2 variances) Robust standard errors Bootstrap (Modélisation paramétrique) Generalized estimated equations (GEE) Multilevel (random effet) logistic regression
Analyse: Logiciels Prise en compte de covariables individuelles &/ou cluster-level level Sas (procédure GENMOD - PROCMIXED) Acluster MLWin Stata SUDAAN S+ Spss,, module suppl. éch.. complexes version 12 Etc +C-sample epi-info info (univarié uniquement)
Essais randomisés en grappe: Conclusion Nombreuses applications en évaluation d intervention en santé publique Parfois la seule façon possible de randomiser Multidisciplinaire Inconvénients: Perte d efficience statistique Randomisation moins efficace Méthodes pas encore bien standardisées Défis particuliers si peu de grappes