Appariement et stratification des études

L'appariement et la stratification sont des méthodes de conception utilisées pour contrôler les facteurs de confusion en assurant l'équilibre des facteurs connus dès le début d'une étude. L'appariement consiste à apparier ou à regrouper des sujets de manière à ce que les groupes de comparaison présentent la même distribution d'un facteur de confusion, tandis que la stratification divise les sujets en strates homogènes au sein desquelles les comparaisons sont effectuées. Ces deux approches visent à rendre les groupes de comparaison plus similaires sur des variables sélectionnées afin que le contraste d'intérêt soit moins faussé par ces variables.

Definition

L'appariement est une technique de conception qui sélectionne des sujets de comparaison de manière à ce qu'ils partagent la distribution d'un ou plusieurs facteurs de confusion avec les sujets d'intérêt (sujets index), et la stratification est la division des sujets en sous-groupes (strates) définis par des facteurs de confusion afin que les comparaisons exposition-résultat soient effectuées au sein de strates homogènes.

Scope

Cet article aborde la justification de l'appariement et de la stratification, la différence entre l'appariement individuel et l'appariement par fréquence, l'utilisation des strates dans les études observationnelles et les essais randomisés, ainsi que les implications analytiques (telles que la nécessité d'une analyse appariée ou stratifiée). Il est conçu comme une référence méthodologique sur le contrôle des facteurs de confusion par la conception de l'étude et ne fournit pas d'instructions cliniques.

Key concepts

• Contrôle des facteurs de confusion par la conception de l'étude
• Appariement individuel (par paires) versus appariement par fréquence
• Strates et comparaison intra-strate
• Randomisation stratifiée dans les essais
• Analyse appariée (méthodes conditionnelles)
• Sur-appariement
• Perte d'efficacité due à l'appariement sur des non-facteurs de confusion

Mechanisms

Ces deux techniques éliminent ou réduisent le biais de confusion dû à une variable choisie avant l'analyse. L'appariement force le facteur apparié à avoir la même distribution dans les groupes comparés, de sorte qu'il ne peut plus fausser l'association, mais il nécessite une analyse qui respecte la structure appariée ; analyser des données appariées comme si elles n'étaient pas appariées peut biaiser les résultats. La stratification divise les sujets en strates au sein desquelles le facteur de confusion est essentiellement constant, estime l'association au sein de chaque strate et combine les estimations spécifiques à chaque strate. Dans les essais randomisés, la randomisation stratifiée effectue l'allocation séparément au sein des strates pour maintenir l'équilibre des facteurs pronostiques importants entre les bras de traitement, généralement combinée au blocage.

Clinical relevance

Reconnaître si une étude a contrôlé les facteurs de confusion par appariement ou stratification, et si elle a analysé les données en conséquence, fait partie de l'évaluation de la crédibilité d'une association observée. Cet article décrit la méthodologie de conception et d'analyse pour la recherche et n'est pas une source de conseils diagnostiques ou thérapeutiques.

Evidence & guidelines

La littérature méthodologique distingue l'acte de conception de l'appariement de l'acte analytique de l'analyse stratifiée ou appariée, et souligne que les plans d'étude appariés nécessitent des analyses appariées pour éviter les biais. Les directives sur la randomisation stratifiée dans les essais indiquent qu'elle est plus utile dans les études de petite taille et qu'elle devrait être associée au blocage, et les manuels d'épidémiologie standard expliquent quand l'appariement améliore l'efficacité et quand le sur-appariement sur un non-facteur de confusion lui est préjudiciable.

History

L'appariement est utilisé depuis longtemps dans les études cas-témoins sur les maladies chroniques pour contrôler les facteurs de confusion importants tels que l'âge et le sexe, et la monographie de Breslow et Day de 1980 a codifié l'analyse conditionnelle (appariée) que ces plans d'étude exigent. L'analyse stratifiée trouve ses origines dans les méthodes de Mantel-Haenszel du milieu du XXe siècle, et la randomisation stratifiée a été adoptée dans les essais cliniques pour maintenir l'équilibre des facteurs pronostiques entre les bras de traitement, des revues méthodologiques ultérieures ayant clarifié sa valeur ajoutée.

Debates

Quand l'appariement est-il utile et quand est-il contre-productif ?

L'appariement sur un véritable facteur de confusion peut améliorer l'efficacité, mais l'appariement sur une variable qui n'est pas un facteur de confusion, ou qui se situe sur la voie causale, peut réduire l'efficacité ou introduire un biais (sur-appariement) ; la décision dépend de la structure causale, et non de la commodité.

La randomisation stratifiée est-elle nécessaire dans les essais de grande envergure ?

La stratification maintient l'équilibre des facteurs pronostiques clés et est plus précieuse dans les essais de petite taille, tandis que dans les essais de grande envergure, la randomisation simple tend à équilibrer les facteurs d'elle-même ; une sur-stratification peut créer de nombreuses strates clairsemées et compliquer la conception de l'étude.

Key figures

• Norman Breslow
• Nicholas Day
• Kenneth Rothman
• Sander Greenland
• Neil Pearce

Seminal works

• breslow-day-1980-matching
• pearce-2016-matched
• kernan-1999-stratified

Frequently asked questions

Quelle est la différence entre l'appariement et la stratification ?

L'appariement est une décision d'échantillonnage prise lors de la sélection des sujets (choisir des sujets de comparaison pour qu'ils partagent la distribution d'un facteur de confusion), tandis que la stratification divise les sujets en sous-groupes définis par un facteur de confusion et compare l'exposition et le résultat au sein de ces sous-groupes ; les données appariées nécessitent également une analyse appariée.

Qu'est-ce que le sur-appariement ?

Le sur-appariement consiste à apparier sur une variable qui ne devrait pas l'être, comme une variable qui n'est pas un facteur de confusion ou qui se situe sur la voie causale entre l'exposition et le résultat ; il peut réduire l'efficacité statistique ou biaiser l'estimation plutôt que d'améliorer le contrôle des facteurs de confusion.