Hétérogénéité en méta-analyse

L'hétérogénéité en méta-analyse représente la variation des effets réels entre les études combinées, au-delà de la variation attendue du seul fait de l'erreur d'échantillonnage. Lorsque les études diffèrent par leurs populations, leurs interventions, leurs conceptions ou leur conduite, leurs résultats peuvent véritablement diverger, et la quantification de cette variation est essentielle pour décider si et comment les regrouper.

Definition

L'hétérogénéité est le degré auquel les effets réels estimés par les études d'une méta-analyse diffèrent les uns des autres au-delà de ce qui serait attendu du seul fait du hasard (erreur d'échantillonnage).

Scope

Cette entrée aborde la signification de l'hétérogénéité, la distinction entre l'hétérogénéité clinique, méthodologique et statistique, les statistiques courantes utilisées pour la détecter et la quantifier (le Q de Cochran, la statistique I-carré et la variance inter-études tau-carré), ainsi que la manière dont l'hétérogénéité éclaire le choix du modèle et l'interprétation d'une estimation regroupée. Il s'agit d'un sujet méthodologique, et non d'une orientation clinique.

Core questions

• Les études combinées estiment-elles le même effet, ou une gamme d'effets ?
• Quelle proportion de la variation observée entre les études dépasse le hasard ?
• Quelles sources de différence pourraient expliquer la variation, et comment devraient-elles modifier l'analyse ?

Key concepts

• Hétérogénéité clinique, méthodologique et statistique
• Test Q de Cochran
• Statistique I-carré
• Variance inter-études (tau-carré)
• Modèle à effets aléatoires
• Analyse de sous-groupes et méta-régression
• Intervalle de prédiction

Mechanisms

Même si chaque étude estimait exactement le même effet, leurs résultats se disperseraient en raison de l'erreur d'échantillonnage. L'hétérogénéité est la variation réelle et additionnelle des effets sous-jacents. Le Q de Cochran teste si la dispersion observée dépasse le hasard, mais il a une faible puissance lorsque les études sont peu nombreuses et détecte des différences triviales lorsque les études sont nombreuses. La statistique I-carré exprime la proportion de la variation totale attribuable aux différences inter-études plutôt qu'au hasard, ce qui facilite son interprétation à travers les analyses. La variance inter-études, tau-carré, quantifie la dispersion des effets réels sur l'échelle de la taille d'effet et est le paramètre qu'un modèle à effets aléatoires ajoute au regroupement. Lorsqu'une hétérogénéité substantielle est présente, une estimation récapitulative unique peut être moins informative que la description de la distribution des effets, par exemple avec un intervalle de prédiction, et les analystes peuvent explorer les sources de variation par des analyses de sous-groupes pré-spécifiées ou une méta-régression plutôt que de traiter l'hétérogénéité comme un simple bruit.

Clinical relevance

Le degré d'hétérogénéité influence la manière dont un résultat regroupé doit être interprété : un résumé précis tiré d'études très hétérogènes peut ne pas s'appliquer uniformément à tous les contextes. Reconnaître et interpréter l'hétérogénéité fait donc partie de l'évaluation d'une méta-analyse. Cette entrée explique comment l'hétérogénéité est mesurée et utilisée dans l'analyse ; elle ne constitue pas une orientation pour une décision clinique individuelle.

Epidemiology

Les statistiques d'hétérogénéité, en particulier l'I-carré et le tau-carré, sont systématiquement rapportées dans les méta-analyses en médecine et en santé publique, et la plupart des logiciels de méta-analyse les calculent automatiquement. La statistique I-carré introduite par Higgins et Thompson figure parmi les quantités les plus largement rapportées dans la littérature de synthèse, bien que son interprétation soit fréquemment débattue.

History

Le test Q de Cochran, issu des travaux de William Cochran au milieu du XXe siècle, fut la norme initiale pour détecter l'hétérogénéité, mais il fut reconnu pour sa faible puissance et sa dépendance à l'échelle. DerSimonian et Laird (1986) ont formalisé l'approche des effets aléatoires qui intègre la variance inter-études. Higgins et Thompson (2002) ont ensuite proposé la statistique I-carré pour exprimer l'hétérogénéité sous forme de proportion indépendante du nombre d'études, et leur article de 2003 dans le BMJ l'a popularisée, après quoi l'I-carré est devenu une partie routinière du rapport méta-analytique.

Debates

Comment l'I-carré doit-il être interprété ?

Les seuils empiriques courants pour une hétérogénéité faible, modérée et élevée sont largement utilisés mais n'ont jamais été conçus comme des limites rigides ; l'I-carré dépend de la précision des études incluses et peut induire en erreur lorsque les études sont peu nombreuses ou très importantes.

Key figures

• Julian Higgins
• Simon Thompson
• Rebecca DerSimonian
• Nan Laird
• William Cochran

Seminal works

• higgins-2003-i2
• higgins-2002-quantifying
• dersimonian-laird-1986

Frequently asked questions

Quelle est la différence entre l'hétérogénéité clinique et statistique ?

L'hétérogénéité clinique (et méthodologique) fait référence à des différences réelles entre les études concernant leurs populations, leurs interventions ou leurs conceptions. L'hétérogénéité statistique est la variation résultante de leurs estimations d'effet au-delà du hasard, mesurée par des statistiques telles que l'I-carré et le tau-carré. Les différences cliniques sont souvent l'explication de l'hétérogénéité statistique observée.

Un I-carré élevé signifie-t-il qu'une méta-analyse est invalide ?

Pas en soi. Un I-carré élevé signale que les effets varient entre les études et qu'un résumé unique doit être interprété avec prudence, ce qui incite souvent à utiliser un modèle à effets aléatoires, à explorer les sources ou à calculer un intervalle de prédiction. C'est un indicateur pour l'interprétation, non une disqualification automatique.