Essais en grappes et interventions populationnelles

Dans un essai contrôlé classique, chaque participant est généralement randomisé individuellement entre plusieurs groupes.

Mais certaines interventions ne peuvent pas être attribuées personne par personne.

On ne peut pas facilement demander à certains élèves d’une même classe de suivre un programme éducatif et aux autres de faire comme si ce programme n’existait pas. De même, une nouvelle organisation des soins peut concerner tout un hôpital, et une campagne de prévention peut viser un quartier entier.

Dans ces situations, on peut utiliser un essai randomisé en grappes, ou cluster randomized trial.

L’unité randomisée n’est plus nécessairement l’individu, mais le groupe auquel il appartient.

Qu’est-ce qu’une grappe ?

Une grappe est un ensemble de personnes liées par une structure commune.

Il peut s’agir :

  • d’une école ;
  • d’une classe ;
  • d’un cabinet médical ;
  • d’un hôpital ;
  • d’un village ;
  • d’un quartier ;
  • d’une entreprise.

La randomisation porte alors sur ces unités.

Par exemple, 40 écoles peuvent être réparties aléatoirement entre :

  • 20 écoles recevant un programme de prévention ;
  • 20 écoles poursuivant leurs pratiques habituelles.

Les élèves ne sont donc pas randomisés individuellement.

Pourquoi randomiser des groupes ?

Il existe plusieurs raisons.

La première est que l’intervention elle-même agit au niveau du groupe.

Si l’on veut tester une nouvelle organisation des urgences, il est impossible d’utiliser simultanément deux systèmes différents au hasard pour chaque patient sans perturber tout le fonctionnement du service.

La seconde raison importante est la contamination.

Le problème de la contamination

Supposons qu’on teste un programme éducatif contre le tabagisme dans une classe.

Si la moitié des élèves reçoit le programme et l’autre moitié sert de groupe contrôle, les élèves vont :

  • discuter entre eux ;
  • échanger les documents ;
  • transmettre les conseils.

Le groupe contrôle reçoit alors indirectement une partie de l’intervention.

Cette contamination réduit la différence entre les groupes.

Randomiser des classes entières limite ce problème.

Exemple simple

Supposons que l’on souhaite tester un programme d’hygiène des mains dans 30 établissements.

On randomise :

  • 15 établissements vers le nouveau programme ;
  • 15 établissements vers les pratiques habituelles.

On mesure ensuite la fréquence des infections associées aux soins.

L’analyse pourrait montrer :

GroupePatients suivisInfections
Programme7 500225
Contrôle7 500300

À première vue :

3 % d’infections contre 4 %.

Mais on ne peut pas analyser ces 15 000 patients exactement comme s’ils avaient tous été randomisés indépendamment.

Pourquoi ?

Parce que les patients d’un même établissement se ressemblent davantage entre eux que deux patients choisis au hasard dans deux établissements différents.

La corrélation intra-grappe

Les personnes appartenant à une même grappe partagent souvent :

  • environnement ;
  • personnel ;
  • pratiques ;
  • caractéristiques sociales ;
  • exposition.

Leurs résultats sont donc partiellement corrélés.

Deux élèves d’une même école peuvent être plus semblables que deux élèves de deux écoles différentes.

Deux patients d’un même hôpital bénéficient des mêmes protocoles et du même personnel.

Cette ressemblance est appelée corrélation intra-grappe.

Pourquoi cela change les statistiques

Supposons que l’on étudie 1 000 élèves répartis dans seulement deux écoles.

Il serait trompeur de considérer que l’on dispose de 1 000 observations totalement indépendantes.

Si une école possède une politique alimentaire particulière et l’autre non, une grande partie de la différence peut venir des écoles elles-mêmes.

En réalité, l’information indépendante est en partie déterminée par le nombre de grappes, et pas seulement par le nombre total d’individus.

Effet de plan

Cette dépendance réduit la quantité d’information statistique disponible par rapport à un essai individuel de même taille.

On parle d’effet de plan.

Plus les personnes d’une même grappe se ressemblent, plus il faut généralement augmenter :

  • le nombre de grappes ;
  • le nombre de participants.

Un essai comprenant 10 000 personnes réparties dans quatre hôpitaux peut parfois être moins informatif qu’un essai plus petit réparti dans cent hôpitaux.

Le nombre de grappes est crucial

C’est un piège fréquent.

Un essai peut sembler gigantesque parce qu’il comporte des milliers de participants.

Mais si seulement six écoles ont été randomisées :

  • trois intervention ;
  • trois contrôle,

la comparaison repose en réalité sur un nombre très faible d’unités randomisées.

Le hasard peut alors produire d’importantes différences entre les groupes.

Les intervalles de confiance doivent refléter cette structure.

Ne pas ignorer les grappes dans l’analyse

Si l’analyse statistique traite tous les individus comme indépendants, elle peut produire des intervalles de confiance artificiellement étroits et des valeurs p trop petites.

On risque alors de conclure à tort que l’intervention est efficace.

Les méthodes statistiques doivent donc tenir compte de la structure hiérarchique des données.

L’unité de randomisation et l’unité d’analyse

Il faut distinguer :

unité de randomisation : ce qui est tiré au sort ;

unité d’observation : ce sur quoi les mesures sont effectuées.

Par exemple :

  • randomisation : écoles ;
  • observations : élèves.

Cette différence est fondamentale.

On peut analyser les résultats individuels, mais la méthode doit préserver l’information sur le regroupement par école.

Randomiser un petit nombre de grappes

Lorsque peu de grappes sont disponibles, la randomisation peut produire des groupes déséquilibrés.

Supposons dix hôpitaux.

Par hasard, les cinq hôpitaux intervention peuvent être :

  • plus grands ;
  • plus spécialisés ;
  • situés davantage en milieu urbain.

La randomisation reste valide en principe, mais l’incertitude est plus grande.

On peut utiliser une randomisation stratifiée ou appariée pour améliorer l’équilibre.

Appariement des grappes

On peut associer des unités similaires avant randomisation.

Par exemple, deux hôpitaux de taille comparable sont appariés, puis l’un reçoit aléatoirement l’intervention.

Cela permet de mieux équilibrer certaines caractéristiques importantes.

Mais l’analyse statistique doit tenir compte de cet appariement.

Consentement

Les essais en grappes soulèvent des questions éthiques particulières.

Si une ville modifie l’organisation de son système de transport pour favoriser l’activité physique, il est impossible d’obtenir un consentement individuel préalable de chaque habitant à l’intervention elle-même.

Il faut donc distinguer :

  • consentement à recevoir une intervention ;
  • consentement à participer à la collecte de données.

Selon la nature du programme, les règles éthiques diffèrent.

Interventions au niveau des professionnels

Une stratégie fréquente consiste à randomiser les médecins ou cabinets.

Par exemple, certains médecins reçoivent :

  • une formation ;
  • un outil d’aide à la prescription ;
  • une alerte informatique.

On compare ensuite les prescriptions de leurs patients.

Randomiser les patients individuellement serait difficile, car le comportement du médecin changerait probablement pour l’ensemble de sa patientèle.

Interventions scolaires

Les écoles constituent un contexte classique.

On peut tester :

  • programmes nutritionnels ;
  • prévention du tabac ;
  • activité physique ;
  • éducation sexuelle ;
  • interventions contre le harcèlement.

La randomisation par école ou par classe évite en partie les échanges entre participants des différents groupes.

Mais les résultats peuvent dépendre fortement du contexte de chaque établissement.

Interventions communautaires

Certaines politiques s’adressent à une communauté entière.

Par exemple :

  • fluoruration de l’eau ;
  • programme de prévention cardiovasculaire ;
  • campagne de vaccination ;
  • réduction de la pollution ;
  • modification de l’environnement urbain.

Ces interventions sont difficiles à randomiser individuellement parce que l’exposition est collective.

Essais communautaires

Un essai communautaire peut comparer plusieurs villes ou villages.

Certaines communautés reçoivent une intervention, les autres servent de comparaison.

Ces études peuvent produire des résultats très pertinents en santé publique.

Mais leur réalisation est difficile parce que :

  • peu de communautés sont souvent disponibles ;
  • les populations peuvent se déplacer ;
  • les politiques locales peuvent changer ;
  • d’autres interventions peuvent survenir simultanément.

Effets directs et indirects

Les interventions populationnelles peuvent produire des effets qui dépassent les participants directement concernés.

La vaccination en est un bon exemple.

Une personne vaccinée peut être protégée individuellement.

Mais si la vaccination réduit aussi la transmission, les personnes non vaccinées peuvent bénéficier indirectement d’une diminution de circulation du pathogène.

Un essai individuel peut parfois manquer une partie de cet effet collectif.

Interférence entre individus

Les essais classiques supposent souvent implicitement que le traitement reçu par une personne n’affecte pas le résultat d’une autre.

Cette hypothèse est appelée, dans certaines formulations causales, absence d’interférence.

Pour les maladies infectieuses, elle est souvent fausse.

Le traitement ou la vaccination de Pierre peut modifier le risque de Marie.

Les essais en grappes sont parfois mieux adaptés à cette réalité.

Vaccination et essais en grappes

Supposons qu’un vaccin réduise :

  • le risque de maladie chez le vacciné ;
  • la transmission vers les autres.

Un essai individuel mesure surtout l’effet direct.

Un essai randomisant des communautés selon leur couverture vaccinale peut permettre d’observer également :

  • effet indirect ;
  • effet collectif ;
  • réduction de transmission.

Cette distinction est fondamentale pour certaines politiques vaccinales.

Mesurer une intervention à plusieurs niveaux

On peut distinguer plusieurs effets :

effet direct : bénéfice pour la personne recevant l’intervention ;

effet indirect : bénéfice ou risque pour les autres ;

effet total : combinaison des deux ;

effet populationnel : changement global dans la communauté.

Une intervention peut avoir un effet individuel modeste mais un effet populationnel important.

Exemple : prévention des infections

Supposons qu’un programme d’hygiène réduise légèrement le risque qu’un soignant transmette une infection à chaque patient.

Au niveau individuel, l’effet semble petit.

Mais dans un hôpital accueillant des dizaines de milliers de patients, cette petite réduction peut éviter de nombreux cas.

Les interventions populationnelles doivent donc parfois être évaluées selon leur impact collectif, pas seulement selon le bénéfice individuel moyen.

Le paradoxe de la prévention

Geoffrey Rose a souligné une distinction importante entre prévention individuelle et prévention populationnelle.

Une intervention modifiant légèrement le risque de millions de personnes peut prévenir davantage d’événements qu’une intervention très efficace réservée à quelques personnes extrêmement à risque.

Cela produit parfois un paradoxe :

le bénéfice collectif peut être considérable alors que le bénéfice individuel est faible.

Cette idée est centrale en santé publique.

Exemple pédagogique

Supposons deux stratégies.

Stratégie A

1 000 personnes à haut risque reçoivent une intervention qui réduit leur risque absolu de 10 points.

Nombre approximatif d’événements évités :

100.

Stratégie B

1 million de personnes reçoivent une intervention qui réduit leur risque absolu de seulement 0,02 point.

Nombre approximatif d’événements évités :

200.

Le bénéfice individuel de B est minuscule, mais son impact populationnel peut être plus important.

Cela ne signifie pas que toute intervention collective est justifiée

Une intervention populationnelle peut toucher des millions de personnes.

Même un coût ou un effet indésirable individuel très faible peut alors produire un impact collectif important.

Il faut donc considérer simultanément :

  • bénéfices ;
  • risques ;
  • contraintes ;
  • coûts ;
  • équité ;
  • acceptabilité.

L’ampleur de la population exposée augmente à la fois le potentiel de bénéfice et le potentiel de dommage.

Politiques publiques et randomisation

Certaines politiques pourraient théoriquement être randomisées par territoire, mais cela est politiquement ou juridiquement difficile.

Par exemple :

  • taxation ;
  • restriction de circulation ;
  • politique alimentaire.

Les gouvernements décident rarement leurs lois par tirage au sort uniquement pour faciliter une étude.

Lorsque la randomisation n’est pas possible, il faut recourir à des méthodes quasi expérimentales ou à des expériences naturelles.

Essais en escalier

Une variante intéressante est l’essai en grappes en escalier, ou stepped-wedge trial.

Toutes les grappes commencent généralement dans la condition contrôle.

Puis elles passent progressivement à l’intervention selon un ordre randomisé.

À la fin, toutes ont reçu l’intervention.

Cette méthode est parfois utilisée lorsqu’on pense que l’intervention sera probablement bénéfique et que l’on souhaite finalement la proposer à tous les groupes.

Exemple d’essai en escalier

Supposons douze hôpitaux.

Tous commencent avec l’organisation habituelle.

Tous les trois mois, trois nouveaux hôpitaux adoptent le programme, selon un ordre tiré au sort.

On compare les périodes avant et après intervention tout en utilisant la randomisation du calendrier.

Cette approche peut être pratique, mais l’analyse doit tenir compte des évolutions générales au cours du temps.

Le temps devient un facteur de confusion potentiel

Dans un essai en escalier, les groupes recevant l’intervention tardivement sont observés pendant une période différente des premiers groupes.

Si la maladie évolue naturellement avec :

  • saison ;
  • amélioration générale des soins ;
  • changement d’épidémie,

le temps peut influencer les résultats.

Il faut donc l’intégrer dans l’analyse.

Mise en œuvre de l’intervention

Dans les interventions complexes, le problème n’est pas seulement de savoir si le programme est théoriquement efficace.

Il faut également vérifier s’il a réellement été appliqué.

Par exemple :

  • les écoles ont-elles suivi le programme ?
  • les médecins ont-ils utilisé l’outil ?
  • les participants ont-ils assisté aux séances ?

Une intervention mal mise en œuvre peut donner l’impression qu’une bonne idée est inefficace.

Fidélité de mise en œuvre

On parle de fidélité de mise en œuvre pour désigner le degré avec lequel le programme réellement délivré correspond à celui qui avait été prévu.

Cela permet de distinguer :

échec de l’intervention

et

échec de sa mise en œuvre.

Cette distinction devient particulièrement importante pour les interventions sociales ou organisationnelles complexes.

Le contexte influence l’effet

Un médicament possède une action relativement standardisée.

Une intervention communautaire peut dépendre fortement :

  • des institutions locales ;
  • de la culture ;
  • du personnel ;
  • de l’adhésion ;
  • des ressources disponibles.

Un programme efficace dans une ville peut donc produire un résultat différent ailleurs.

La question de la généralisabilité est particulièrement importante.

Les essais en grappes peuvent manquer de puissance

Même avec beaucoup de participants, le nombre limité de grappes peut conduire à une faible puissance statistique.

Par exemple :

20 000 élèves répartis dans huit écoles

ne fournissent pas la même information que :

20 000 élèves répartis dans 200 écoles.

La taille apparente de l’échantillon peut donc être trompeuse.

Perte de grappes

Un autre problème survient lorsqu’une grappe entière quitte l’étude.

Supposons qu’un hôpital randomisé vers l’intervention refuse finalement de l’appliquer.

Ce n’est pas équivalent à perdre un seul participant.

Une part importante de l’information et de la randomisation peut disparaître.

Les chercheurs doivent donc anticiper le risque d’abandon au niveau institutionnel.

Recrutement après randomisation

Un biais particulier peut apparaître si les individus sont recrutés après que leur grappe a été randomisée.

Supposons que les médecins sachent s’ils appartiennent au groupe intervention.

Ils peuvent alors sélectionner inconsciemment des patients différents.

Les populations comparées ne sont plus parfaitement construites indépendamment de l’intervention.

Ce problème doit être anticipé dans le protocole.

Analyse en intention de traiter

Comme pour les essais individuels, on cherche généralement à analyser les grappes selon leur allocation initiale.

Même si une école applique imparfaitement le programme, la comparer selon sa randomisation initiale préserve mieux la logique expérimentale.

Les analyses complémentaires peuvent étudier la mise en œuvre réelle, mais elles ne remplacent pas nécessairement l’analyse principale.

Forces des essais en grappes

Ils sont particulièrement adaptés lorsque :

  • l’intervention agit au niveau collectif ;
  • la contamination serait importante ;
  • les professionnels changent leurs pratiques ;
  • les effets indirects sont importants.

Ils permettent donc de tester expérimentalement des questions que l’essai individuel traite mal.

Limites principales

Leurs difficultés incluent :

  • besoin de davantage de participants ;
  • dépendance entre individus d’une même grappe ;
  • faible nombre possible d’unités randomisées ;
  • complexité statistique ;
  • risque de contamination entre grappes ;
  • enjeux de consentement ;
  • forte dépendance au contexte.

Un essai en grappes doit donc être conçu dès le départ comme tel.

On ne peut pas simplement randomiser des écoles et analyser ensuite tous les élèves comme s’ils étaient indépendants.

Essai individuel ou essai en grappes ?

On peut résumer :

QuestionRandomisation individuelleRandomisation en grappes
Traitement médicamenteux individuelSouvent idéaleRarement nécessaire
Programme scolaireContamination probableSouvent adaptée
Organisation hospitalièreDifficileAdaptée
Intervention communautaireSouvent impossibleAdaptée
Effets indirects entre personnesPlus difficiles à étudierSouvent mieux captés
Analyse statistiquePlus simplePlus complexe

Le niveau de randomisation doit correspondre au niveau auquel l’intervention agit.

Une intervention populationnelle n’est pas seulement une intervention individuelle multipliée

Cette distinction est importante.

Une politique sanitaire peut modifier :

  • normes sociales ;
  • environnement ;
  • accessibilité ;
  • comportements collectifs ;
  • circulation d’une infection.

Son effet global peut donc être différent de la somme des effets individuels isolés.

Cela justifie l’existence d’une véritable épidémiologie populationnelle.

Une leçon d’esprit critique

Lorsqu’une étude annonce :

« 25 000 personnes ont participé à un essai randomisé »,

il faut parfois demander :

« Qu’est-ce qui a réellement été randomisé ? »

Si ces 25 000 personnes appartiennent à seulement dix établissements, l’étude ne possède pas nécessairement la même puissance qu’un essai randomisant individuellement 25 000 personnes.

Il faut également demander :

Combien de grappes ?

Les différences entre grappes ont-elles été prises en compte ?

L’intervention pouvait-elle contaminer le groupe contrôle ?

Le programme a-t-il réellement été appliqué ?

Le nombre total de participants ne suffit pas à juger la force du plan d’étude.

À retenir

Dans un essai en grappes, ce sont des groupes entiers — écoles, hôpitaux, cabinets, quartiers ou communautés — qui sont randomisés.

Cette méthode est particulièrement adaptée lorsque l’intervention agit au niveau collectif ou lorsque les individus pourraient facilement se transmettre l’intervention.

Les membres d’une même grappe se ressemblent généralement davantage entre eux, ce qui crée une corrélation intra-grappe qui doit être prise en compte dans le calcul de la puissance et dans l’analyse statistique.

Le nombre de participants ne suffit donc pas : le nombre de grappes est lui aussi déterminant.

Les essais en grappes permettent enfin d’étudier des effets collectifs importants, notamment les effets indirects et populationnels.

Ils rappellent une idée essentielle de santé publique :

une intervention peut avoir un faible effet sur chaque individu tout en produisant un bénéfice considérable à l’échelle d’une population.

Pour aller plus loin

Donner et Klar — Design and Analysis of Cluster Randomization Trials in Health Research. Une référence classique consacrée à la conception et à l’analyse des essais randomisés en grappes.

CONSORT Extension for Cluster Randomised Trials. Les recommandations internationales pour rapporter correctement ce type d’essai.

Geoffrey Rose — The Strategy of Preventive Medicine. Un texte fondamental pour comprendre la distinction entre stratégie individuelle à haut risque et stratégie populationnelle.

Cochrane Handbook for Systematic Reviews of Interventions. Une référence utile pour comprendre les biais et particularités des essais en grappes.