Impact, détection et correction du biais de publication dans la méta-analyse en réseau
Impact, detection and adjustment for reporting bias in network meta-analysis
par Trinquart Ludovic sous la direction de Chatellier Gilles
Thèse de doctorat en Biostatistiques
École doctorale Santé publique

Soutenue le Thursday 28 March 2013 à Université Paris Descartes ( Paris 5 )

Sujets
  • Antidépresseurs
  • Méta-analyse
Le texte intégral n’est pas librement disponible sur le web
Vous pouvez accéder au texte intégral de la thèse en vous authentifiant à l’aide des identifiants ENT de l’Université, au sein de l’établissement en utilisant un compte invité Wifi ou en demandant un accès extérieur si vous pouvez justifier de votre appartenance à un établissement chargé d’une mission d’enseignement supérieur ou de recherche

Se connecter ou demander un accès au texte intégral

Depuis le 1er janvier 2012, les thèses de doctorat soutenues ou préparées à l’Université Paris Descartes sont déposées au format électronique, sous licence Creative Commons.

Consultation de la thèse sur d’autres sites :

Theses.fr (Version partielle de la thèse pour sa diffusion sur Internet (pdf))

Description en anglais
Description en français
Mots clés
Essai contrôlé randomisé, Méta-analyse, Revue systématique, Méta-analyse en réseau, Biais de publication, Antidépresseurs
Resumé
La méta-analyse (MA) en réseau, en généralisant la MA conventionnelle, permet d'évaluer toutes les comparaisons deux à deux possibles entre interventions. Les biais de publication ont reçu peu d'attention dans ce contexte. Nous avons évalué l'impact des biais de publication en utilisant un réseau de 74 essais randomisés évaluant 12 antidépresseurs contre placebo enregistrés à la FDA et un réseau de 51 essais parmi les 74 dont les résultats étaient publiés. Nous avons montré comment les biais de publication biaisaient les quantités d'effet estimées et le classement des traitements. L'effet du biais de publication peut différer entre MA en réseau et MA conventionnelle en ce que les biais affectant un traitement peuvent affecter le classement de tous les traitements. Nous avons ensuite généralisé un test de détection des biais à la MA en réseau. Il est basé sur la comparaison entre les nombres attendu et observé d'essais avec résultats statistiquement significatifs sur l'ensemble du réseau. Nous avons montré par des études de simulation que le test proposé avait une puissance correcte après ajustement sur l'erreur de type I, excepté lorsque la variance inter-essais était élevée. Par ailleurs, le test indiquait un signal significatif de biais sur le réseau d'essais d'antidépresseurs publiés. Enfin, nous avons introduit deux modèles d'analyse de sensibilité des résultats d'une MA en réseau aux biais de publication: un modèle de méta-régression qui relie la quantité d'effet estimée à son erreur standard, et un modèle de sélection dans lequel on estime la propension d'un essai à être publié puis l'on redresse le poids des essais en fonction de cette propension. Nous les avons appliqués aux réseaux d'essais d'antidépresseurs. Ce test et ces modèles d'ajustement tirent leur force de tous les essais du réseau, sous l'hypothèse qu'un biais moyen commun opère sur toutes les branches du réseau.