Hétérogénéité en méta-analyse

L'hétérogénéité en méta-analyse désigne la variation des effets réels entre les études regroupées, au-delà de ce que l'erreur d'échantillonnage seule produirait. Sa mesure et son interprétation indiquent à l'analyste si les études estiment essentiellement la même chose ou des choses véritablement différentes, ce qui influence à la fois le modèle utilisé et la confiance accordée à la synthèse.

Definition

L'hétérogénéité est le degré auquel les effets réels estimés par les études individuelles dans une méta-analyse diffèrent les uns des autres, quantifiée par des statistiques telles que le Q de Cochran, le I-carré (la proportion de la variation totale due aux différences inter-études plutôt qu'au hasard), et le tau-carré (la variance inter-études estimée).

Scope

Cette entrée couvre l'évaluation statistique de l'hétérogénéité inter-études : le test Q de Cochran, la statistique I-carré, la variance inter-études tau-carré, et les limites connues de ces mesures. Elle traite l'hétérogénéité comme un sujet méthodologique au sein de la synthèse des preuves et offre une description de référence, non un conseil clinique.

Core questions

• Les études incluses estiment-elles un effet commun unique ou une gamme d'effets différents ?
• Quelle proportion de la variation observée est une réelle différence inter-études par rapport au bruit d'échantillonnage ?
• Comment le I-carré et le tau-carré doivent-ils être interprétés, et où peuvent-ils induire en erreur ?
• Quand l'hétérogénéité rend-elle une estimation regroupée unique inappropriée ?

Key concepts

• Test Q de Cochran
• Statistique I-carré
• Tau-carré (variance inter-études)
• Hétérogénéité clinique versus statistique
• Intervalle de prédiction
• Analyse de sous-groupes comme réponse à l'hétérogénéité

Mechanisms

La variation totale entre les estimations des études est partitionnée en erreur d'échantillonnage intra-étude et en variation inter-études réelle. Le Q de Cochran compare la dispersion observée à ce que l'erreur d'échantillonnage seule prédit ; étant donné que le Q a une faible puissance avec peu d'études, Higgins et Thompson ont proposé le I-carré, le pourcentage de variation totale attribuable à l'hétérogénéité inter-études plutôt qu'au hasard, qui est indépendant du nombre d'études. Le tau-carré estime la variance de la distribution sous-jacente des effets et est directement utilisé dans la pondération des modèles à effets aléatoires et les intervalles de prédiction. Des mises en garde importantes suivent : Rücker et ses collaborateurs ont montré que le I-carré dépend de la précision des études incluses, il peut donc être élevé simplement parce que les études sont précises, et von Hippel a montré qu'il est instable et peut être biaisé dans les petites méta-analyses, de sorte que ces statistiques doivent être lues en conjonction avec l'étendue absolue des effets plutôt que par rapport à des seuils fixes.

Clinical relevance

La manière dont un ensemble d'essais est résumé dépend fortement de son hétérogénéité ; l'évaluation des statistiques d'hétérogénéité fait donc partie du jugement de l'importance qu'un résultat regroupé mérite dans les lignes directrices et l'évaluation des technologies de la santé. Cette entrée décrit comment l'hétérogénéité est mesurée et ne constitue pas une base pour des décisions cliniques individuelles.

Evidence & guidelines

Le Manuel Cochrane décrit la pratique attendue pour l'évaluation et la déclaration de l'hétérogénéité, y compris l'utilisation du I-carré avec une interprétation prudente et le rôle des intervalles de prédiction, conformément à la littérature méthodologique résumée ici.

History

Le test Q de Cochran pour la combinaison d'expériences date du milieu du XXe siècle en statistique, mais il s'est avéré sous-puissant pour le petit nombre d'études courantes en méta-analyse clinique. L'article de Higgins et Thompson de 2002, suivi par l'exposé largement cité du BMJ en 2003, a introduit le I-carré comme une mesure interprétable et indépendante de la taille de l'échantillon, après quoi une littérature corrective (Rücker et al., 2008 ; von Hippel, 2015) a clarifié sa dépendance à la précision des études et son instabilité dans les petites synthèses.

Debates

Dans quelle mesure faut-il se fier au I-carré pour juger de l'hétérogénéité ?

Le I-carré dépend de la précision des études incluses et peut être instable lorsque peu d'études sont regroupées ; les commentateurs mettent donc en garde contre les seuils fixes et recommandent de l'interpréter conjointement avec le tau-carré et l'étendue absolue des effets.

Key figures

• Julian Higgins
• Simon Thompson
• Gerta Rücker
• Paul von Hippel
• William Cochran

Seminal works

• higgins-thompson-2002
• higgins-2003

Frequently asked questions

Que signifie un I-carré de 75 % ?

Cela indique qu'environ les trois quarts de la variation totale entre les estimations des études reflètent de véritables différences inter-études plutôt qu'une erreur d'échantillonnage ; mais comme le I-carré dépend de la précision des études, il doit être interprété en conjonction avec l'étendue réelle des effets, et non par rapport à une étiquette fixe.

Une hétérogénéité élevée est-elle une raison de ne pas regrouper les études ?

Pas automatiquement. Une hétérogénéité élevée signale que les études diffèrent et incite à en rechercher les raisons, mais la décision de regrouper, d'utiliser un modèle à effets aléatoires ou de s'abstenir dépend de la possibilité d'expliquer les différences et de la comparabilité clinique des études.