Intention de traiter et analyse per protocole
Dans un essai randomisé, les participants sont répartis aléatoirement entre plusieurs stratégies, par exemple :
traitement
et
placebo.
Mais, dans la réalité, tout le monde ne suit pas parfaitement ce qui lui a été assigné.
Certains patients :
- arrêtent le traitement ;
- oublient des doses ;
- changent de stratégie ;
- reçoivent finalement le traitement prévu pour l’autre groupe.
Une question devient alors essentielle :
dans quel groupe faut-il les analyser ?
Deux approches classiques sont l’analyse en intention de traiter et l’analyse per protocole.
Le principe de l’intention de traiter
L’analyse en intention de traiter, souvent abrégée ITT pour intention-to-treat, consiste à analyser chaque participant dans le groupe auquel il a été initialement randomisé, indépendamment de ce qu’il a réellement fait ensuite.
Si une personne a été assignée au traitement mais ne l’a jamais pris, elle reste analysée dans le groupe traitement.
Si elle a arrêté après trois semaines, elle reste dans ce groupe.
Si elle a ensuite reçu le traitement du groupe contrôle, elle reste encore analysée selon son assignation initiale.
Pourquoi faire cela ?
Parce que la randomisation a créé, au départ, deux groupes comparables en moyenne.
Elle tend à équilibrer :
- facteurs pronostiques connus ;
- facteurs inconnus.
Si l’on conserve les groupes issus de la randomisation, on préserve cette comparabilité.
Que se passe-t-il si l’on reclasse les participants ?
Supposons que certaines personnes arrêtent le traitement parce qu’elles :
- deviennent plus malades ;
- présentent des effets indésirables ;
- sont moins observantes.
Si on les exclut de l’analyse, le groupe restant n’est plus celui qui avait été randomisé.
On crée une nouvelle sélection.
Exemple
1 000 patients sont randomisés :
- 500 traitement ;
- 500 placebo.
Dans le groupe traitement, 100 arrêtent parce qu’ils tolèrent mal le médicament.
Si l’on analyse seulement les 400 ayant continué, on élimine précisément un groupe de patients ayant eu une expérience défavorable.
Le traitement peut alors sembler artificiellement meilleur.
La force de l’ITT
L’ITT répond approximativement à la question :
« Quel est l’effet d’assigner cette stratégie thérapeutique dans les conditions de l’essai ? »
C’est souvent très proche de la question réelle de politique clinique :
« Que se passe-t-il si nous décidons de proposer ce traitement à des patients comparables ? »
Efficacité d’une stratégie plutôt que d’une molécule parfaite
L’ITT intègre donc une partie de la réalité :
- non-observance ;
- abandons ;
- changements.
Elle mesure moins l’effet pharmacologique pur que l’effet de la stratégie d’assignation.
Exemple
Un médicament possède une excellente efficacité biologique, mais :
- 40 % des patients l’arrêtent à cause des effets secondaires.
L’ITT reflétera cette difficulté d’utilisation.
Le bénéfice moyen observé peut être inférieur à l’effet obtenu chez ceux qui prennent parfaitement le traitement.
C’est précisément une information pertinente dans la pratique.
Le principal avantage causal
L’ITT protège surtout contre un phénomène majeur :
la sélection post-randomisation.
Après la randomisation, de nombreuses variables peuvent être influencées par :
- état de santé ;
- traitement ;
- motivation ;
- effets indésirables.
Sélectionner les patients en fonction de ces variables peut rompre la comparabilité initiale.
Exemple causal
Randomisation →
traitement assigné
↓
effets indésirables
↓
arrêt du traitement.
Si l’on exclut les personnes qui arrêtent, on conditionne sur une variable influencée par le traitement.
Cela peut produire un biais.
L’ITT comme protection contre les variables post-traitement
C’est une manière utile de relier ce sujet aux DAG.
Une variable apparue après la randomisation peut être :
- médiateur ;
- collider ;
- conséquence du traitement.
La traiter naïvement comme un simple critère d’exclusion peut introduire des biais.
L’analyse per protocole
L’analyse per protocole, ou PP, cherche au contraire à analyser principalement les participants ayant suffisamment respecté le protocole prévu.
Elle répond approximativement à :
« Quel est l’effet du traitement chez les personnes qui suivent suffisamment la stratégie prévue ? »
Cette question est intéressante.
Mais elle est beaucoup plus difficile à estimer causalement.
Exemple
500 patients sont assignés au traitement.
Seulement 350 prennent au moins 90 % des doses.
Une analyse per protocole peut se concentrer sur ces 350 personnes et sur un groupe de contrôle répondant à des critères comparables.
Pourquoi cela semble intuitivement préférable
On peut penser :
« Pour savoir si le médicament fonctionne, il faut regarder ceux qui l’ont réellement pris. »
Cette intuition est partiellement correcte.
Un médicament ne peut évidemment pas produire son effet pharmacologique s’il n’est pas pris.
Mais elle crée un nouveau problème :
les personnes qui prennent correctement un traitement ne sont généralement pas un échantillon aléatoire.
Adhérence et pronostic
Les patients observants peuvent être :
- plus motivés ;
- plus organisés ;
- plus soucieux de leur santé ;
- moins malades.
Ces caractéristiques peuvent influencer l’issue indépendamment du traitement.
Healthy adherer effect
On parle parfois de healthy adherer effect.
Les personnes qui suivent correctement un traitement peuvent aussi :
- mieux suivre les autres recommandations ;
- consulter davantage ;
- avoir d’autres comportements favorables.
Une comparaison :
adhérents versus non-adhérents
peut donc attribuer au médicament des différences venant du comportement global.
Exemple
Supposons qu’un médicament n’ait aucun effet.
Les patients très observants :
- fument moins ;
- font plus d’exercice.
Ils peuvent avoir une mortalité plus faible.
Une analyse per protocole naïve pourrait attribuer cette différence au médicament.
Un problème similaire dans le groupe placebo
Les personnes très observantes au placebo peuvent parfois avoir un meilleur pronostic que les personnes peu observantes.
Cela montre que l’adhérence elle-même peut être un marqueur de comportement.
L’analyse « as treated »
Une troisième approche est l’analyse as treated.
Elle classe les participants selon le traitement qu’ils ont réellement reçu, indépendamment de leur assignation initiale.
Exemple
Randomisé vers traitement A mais reçoit finalement B :
analysé dans B.
Cela peut sembler logique pharmacologiquement.
Mais la randomisation est en grande partie perdue.
Les raisons du changement peuvent être liées au pronostic.
ITT, PP et as-treated
On peut résumer :
| Analyse | Classement principal |
|---|---|
| ITT | Groupe randomisé initial |
| Per protocole | Respect suffisant du protocole |
| As treated | Traitement réellement reçu |
Ces analyses répondent à des questions différentes.
Quelle analyse est la référence ?
Dans les essais de supériorité, l’ITT est généralement considérée comme l’analyse principale de référence parce qu’elle préserve au mieux les bénéfices de la randomisation.
Mais cela ne signifie pas que l’analyse per protocole est inutile.
Deux estimands différents
L’ITT cherche surtout l’effet de :
l’assignation à une stratégie.
La PP cherche davantage l’effet de :
la stratégie réellement suivie selon une définition donnée.
Ce sont deux estimands différents.
Exemple concret
Supposons :
100 patients par groupe.
Traitement assigné
30 % arrêtent.
Résultat ITT :
10 % d’événements contre 15 %.
Parmi les adhérents
5 % contre 15 %.
La PP suggère un effet beaucoup plus fort.
Mais cette différence supplémentaire peut venir :
- du médicament ;
- de différences entre adhérents et non-adhérents.
Sans méthodes adaptées, on ne peut pas le savoir parfaitement.
L’ITT peut diluer l’effet
Si beaucoup de personnes ne suivent pas leur assignation, l’ITT tend souvent à rapprocher les groupes.
On parle parfois de dilution ou de non-compliance.
Exemple
Traitement réellement très efficace.
Mais :
- 50 % du groupe traitement ne le prend pas ;
- 30 % du groupe contrôle se le procure.
Les deux stratégies deviennent proches.
L’effet ITT peut être faible même si l’effet pharmacologique chez les utilisateurs réels est important.
Cela ne rend pas l’ITT mauvaise
Elle répond toujours correctement à une question importante :
« Quel est l’effet de proposer cette stratégie dans ces conditions d’adhérence ? »
Mais elle ne répond pas forcément :
« Quel serait l’effet si tout le monde suivait parfaitement le protocole ? »
Efficacy versus effectiveness
Cette distinction rejoint :
efficacy : effet dans des conditions optimales ;
effectiveness : effet dans des conditions proches du réel.
L’ITT est souvent plus proche d’un effet pragmatique de stratégie.
La PP vise plus directement une efficacité sous adhérence, mais avec davantage de difficultés causales.
Peut-on estimer correctement un effet per protocole ?
Oui, mais une analyse moderne rigoureuse demande souvent davantage qu’une simple exclusion des non-adhérents.
Il faut traiter l’adhérence comme un processus potentiellement confondu dans le temps.
Exemple
Un patient devient plus malade.
Cela provoque :
- modification de l’adhérence ;
- augmentation de son risque de décès.
La maladie devient donc un facteur de confusion de la relation :
adhérence → décès.
Confusion dépendante du temps
La situation devient encore plus complexe si le traitement influence lui-même les variables qui influencent ensuite l’adhérence.
Par exemple :
traitement →
symptômes
↓
adhérence future
et
symptômes →
pronostic.
Une régression standard peut alors être inadéquate.
G-methods
Des méthodes comme :
- inverse probability weighting ;
- g-formula ;
- modèles structurels marginaux
peuvent aider à estimer un effet per protocole plus causal dans certaines situations.
Elles nécessitent cependant des hypothèses fortes.
L’adhérence doit être précisément définie
Dire :
« patients adhérents »
est trop vague.
On peut définir :
- au moins 80 % des doses ;
- aucune interruption supérieure à X jours ;
- respect des visites.
Le résultat dépend de cette définition.
Pourquoi 80 % ?
Le seuil de 80 % est souvent utilisé dans certains contextes historiques, mais il n’existe pas de règle biologique universelle.
Pour certains médicaments :
- 60 % peut suffire ;
- 95 % peut être nécessaire.
La relation dose-adhérence-effet doit guider l’interprétation.
Adhérence continue
Au lieu de dichotomiser :
adhérent / non adhérent,
on peut étudier la proportion de doses prises.
Mais cette relation peut être :
- non linéaire ;
- confondue.
Plus de précision statistique ne supprime pas le problème causal.
Cross-over
Le cross-over désigne le passage d’un participant vers l’autre traitement.
Dans un essai parallèle :
- traitement → contrôle ;
- contrôle → traitement.
Cela peut réduire le contraste entre les groupes.
Cross-over thérapeutique volontaire
Dans certaines maladies graves, un patient du groupe contrôle peut recevoir le traitement expérimental après progression.
C’est souvent éthiquement compréhensible.
Mais cela complique l’analyse de la survie globale.
Exemple en oncologie
Groupe A reçoit immédiatement le nouveau traitement.
Groupe B reçoit le standard, puis beaucoup reçoivent A après progression.
Si A prolonge la survie, la différence finale entre les groupes peut être réduite car le contrôle a également reçu A plus tard.
L’ITT mesure alors l’effet de :
A maintenant versus A éventuellement plus tard.
Pas nécessairement :
A versus jamais A.
Cela peut être la question pertinente
Selon la décision clinique réelle, comparer :
traitement précoce
à
traitement retardé
peut être précisément ce qui nous intéresse.
Il faut donc définir l’estimand avant d’interpréter.
L’ère des estimands
Les recommandations modernes insistent davantage sur la question exacte ciblée face aux événements intercurrents :
- arrêt ;
- recours à un autre traitement ;
- décès.
On parle d’estimands.
L’idée est de préciser :
« Quel effet voulons-nous réellement estimer ? »
avant de choisir la méthode.
Événements intercurrents
Un événement intercurrent survient après le début de l’essai et influence l’interprétation ou l’existence du résultat.
Par exemple :
- arrêt du traitement ;
- traitement de secours ;
- décès avant mesure du critère.
Il ne suffit pas de dire « ITT » : il faut décider comment ces événements entrent dans la question clinique.
Intention de traiter et données manquantes
Une confusion fréquente consiste à penser :
« ITT signifie qu’on possède forcément les résultats de tous les patients. »
Non.
On peut vouloir analyser tous les patients selon leur groupe initial tout en ayant des données manquantes.
Exemple
1 000 randomisés.
200 perdus de vue.
Dire :
« analyse ITT »
ne résout pas magiquement l’absence de leurs outcomes.
Il faut encore gérer les données manquantes.
Full analysis set
Certains essais utilisent une population dite full analysis set, conçue pour être aussi proche que possible du principe ITT.
Mais certaines exclusions peuvent subsister.
Il faut donc lire précisément les critères.
Modified intention-to-treat
On rencontre aussi :
modified ITT, ou mITT.
Cela signifie qu’une partie des participants randomisés a été exclue selon une règle.
Par exemple :
- jamais reçu une dose ;
- aucune mesure après baseline.
Le problème
Le terme « modified ITT » n’a pas une définition universelle.
Deux études peuvent l’utiliser différemment.
Il faut toujours demander :
qui a été exclu et pourquoi ?
Exclusion après randomisation
Toute exclusion post-randomisation peut potentiellement rompre l’équilibre créé par le hasard.
Cela ne signifie pas qu’elle est toujours injustifiée, mais elle doit être examinée attentivement.
Exemple
Patients randomisés mais finalement diagnostic non confirmé.
Les exclure peut sembler raisonnable.
Mais si la confirmation dépend d’éléments influencés par le traitement ou associés au pronostic, un biais peut apparaître.
ITT et essais de supériorité
Dans un essai visant à montrer qu’un traitement est meilleur, la dilution provoquée par la non-observance tend souvent à rapprocher l’effet de zéro.
Cela rend l’ITT relativement conservatrice dans certaines situations.
Mais ce n’est pas une loi absolue.
« ITT toujours conservatrice » est trop simpliste
Selon :
- erreurs de mesure ;
- cross-over asymétrique ;
- données manquantes,
l’ITT peut aussi produire d’autres types de biais.
La propriété essentielle est surtout la préservation de l’assignation randomisée.
Essais de non-infériorité
La situation devient plus délicate.
Un essai de non-infériorité cherche à montrer qu’un nouveau traitement n’est pas suffisamment moins efficace qu’un standard.
Si les deux groupes se ressemblent artificiellement à cause de :
- mauvaise observance ;
- cross-over,
cela peut faciliter une conclusion de non-infériorité.
Exemple
Deux traitements seraient réellement différents.
Mais les patients :
- prennent mal les deux ;
- changent souvent de traitement.
Les résultats convergent artificiellement.
L’ITT peut alors favoriser la conclusion :
« pas de différence importante ».
C’est pourquoi en non-infériorité
On examine souvent conjointement :
- ITT ;
- per protocole.
Si les deux analyses soutiennent la même conclusion, la confiance augmente.
Mais la PP n’est pas automatiquement correcte pour autant
Elle reste vulnérable aux biais de sélection.
La concordance des analyses est surtout un élément supplémentaire.
Essais d’équivalence
Même logique.
Pour démontrer une véritable équivalence, il faut éviter qu’une mauvaise adhérence rende artificiellement les groupes semblables.
La rigueur méthodologique est particulièrement importante.
Analyse per protocole et effets indésirables
Exclure les personnes qui arrêtent pour toxicité peut produire une image extrêmement favorable de la tolérance.
Supposons :
30 % arrêtent en raison d’effets indésirables.
Une analyse chez ceux qui tolèrent le médicament répond :
« comment vont les personnes capables de le tolérer ? »
Ce n’est pas la même question que :
« que se passe-t-il si nous prescrivons ce médicament ? »
Biais du survivant thérapeutique
À mesure que le temps passe, les personnes restant exposées peuvent être celles qui :
- tolèrent le mieux ;
- répondent le mieux.
Comparer les utilisateurs persistants à d’autres groupes peut donc créer un biais de sélection.
Prevalent user bias
Dans les études observationnelles, sélectionner des utilisateurs déjà sous traitement depuis longtemps exclut mécaniquement ceux qui ont :
- arrêté tôt ;
- présenté des complications précoces.
Cela peut sous-estimer les risques.
New-user design
Une stratégie consiste à étudier les patients à partir du début du traitement, comme dans un essai.
Cela améliore l’alignement temporel.
On retrouve encore le principe du target trial.
Adhérence et mortalité
Supposons qu’un traitement possède un NNT intéressant uniquement lorsqu’il est pris régulièrement.
Une analyse ITT peut montrer un bénéfice faible.
Il peut être utile de savoir que :
chez les patients adhérents, l’effet semble plus fort.
Mais cette information doit être distinguée d’une preuve causale ferme.
Randomisation comme variable instrumentale
Dans certaines situations, l’assignation randomisée peut être utilisée comme instrument pour tenter d’estimer l’effet chez certaines catégories de patients influencées par la randomisation.
Cela conduit à des estimands comme le complier average causal effect, ou CACE.
Compliers
Dans un cadre simplifié, les compliers sont les personnes qui suivent le traitement qui leur est assigné.
L’objectif est d’estimer l’effet causal dans ce sous-groupe latent.
Mais cette approche repose sur des hypothèses
Notamment :
- exclusion restriction ;
- absence de certaines formes de comportement contraire ;
- effet de l’assignation passant par le traitement reçu.
Ces hypothèses peuvent être difficiles à vérifier.
L’ITT reste donc souvent le résultat le plus robuste et le plus transparent
Elle correspond directement à une quantité créée par la randomisation :
assignation initiale.
C’est une force conceptuelle majeure.
Exemple complet
Essai de 2 000 participants :
- 1 000 traitement ;
- 1 000 placebo.
Dans le groupe traitement :
- 750 suivent correctement ;
- 250 arrêtent.
Dans le groupe placebo :
- 100 commencent finalement le traitement actif.
Analyse ITT
Événements :
- groupe assigné traitement : 100 ;
- groupe assigné placebo : 140.
Risques :
10 % versus 14 %.
RAR :
4 points.
NNT :
25.
Cette analyse mesure l’effet de l’assignation dans les conditions observées.
Analyse per protocole naïve
On conserve :
- les 750 adhérents au traitement ;
- les témoins respectant parfaitement le placebo.
On trouve :
6 % versus 15 %.
L’effet semble beaucoup plus spectaculaire.
Mais les groupes ne sont plus garantis comparables par randomisation.
Que peut-on conclure ?
L’analyse PP peut suggérer qu’une bonne observance augmente le bénéfice.
Mais l’estimation peut aussi être influencée par :
- profil des adhérents ;
- exclusions.
Il faut une méthode causale supplémentaire avant de l’interpréter comme l’effet pharmacologique pur.
ITT et effet réel en population
Dans un essai pragmatique, la non-observance peut ressembler à celle que l’on verra dans la pratique.
L’effet ITT est alors particulièrement pertinent pour la santé publique.
Essai très contrôlé
Dans un essai où :
- rappels fréquents ;
- médicaments gratuits ;
- suivi intensif,
l’adhérence peut être beaucoup meilleure que dans la vie réelle.
Même l’ITT peut alors surestimer l’effectivité réelle du programme après commercialisation.
Il faut donc distinguer plusieurs niveaux
effet biologique potentiel
effet avec adhérence complète
effet de l’assignation dans l’essai
effet réel dans le système de soins.
Ce ne sont pas exactement les mêmes quantités.
Pourquoi la terminologie compte
Dire simplement :
« le traitement réduit le risque de 30 % »
sans préciser l’analyse peut être insuffisant.
Il est utile de savoir si le chiffre vient :
- ITT ;
- PP ;
- as-treated.
Comparer les analyses
Si :
ITT et PP donnent des résultats très proches,
cela rassure souvent sur la robustesse.
Si elles divergent fortement, il faut chercher pourquoi.
Exemple
ITT :
RR = 0,95.
PP :
RR = 0,50.
Cette différence mérite une investigation.
Possible explication :
- mauvaise observance massive ;
- biais de sélection ;
- effet réel chez les utilisateurs.
Aucune conclusion automatique.
Divergence informative
Les divergences entre analyses peuvent révéler :
- problème d’adhérence ;
- toxicité ;
- difficultés d’implémentation.
Elles ne doivent pas être simplement considérées comme un désagrément statistique.
Une intervention inutilisable en pratique
Supposons qu’un médicament soit très efficace chez ceux qui le prennent mais que :
70 % l’arrêtent à cause d’effets indésirables.
L’effet per protocole peut être excellent.
L’effet ITT et l’utilité réelle peuvent être médiocres.
Cette information est cliniquement fondamentale.
A contrario
Un traitement peut être peu efficace individuellement mais très simple à prendre.
Son effet réel en population peut être plus favorable qu’une intervention théoriquement plus puissante mais impossible à suivre.
L’adhérence fait partie de l’intervention réelle
Une pilule quotidienne, une injection annuelle et un changement de comportement n’ont pas la même probabilité d’être suivis.
L’effectivité dépend du design pratique de l’intervention.
Analyse selon le traitement reçu en observationnel
Dans une étude non randomisée, les notions se compliquent encore car il n’existe pas d’assignation aléatoire.
Comparer les utilisateurs réels nécessite contrôler :
- indication ;
- adhérence ;
- changements temporels.
Une simple analyse « as treated » peut être fortement confondue.
L’ITT est avant tout une propriété des essais randomisés
Sans randomisation initiale, le terme perd une grande partie de son intérêt causal spécifique.
Les essais en cluster
Lorsque des établissements sont randomisés à une intervention, certains patients peuvent ne jamais être réellement exposés à la stratégie.
L’ITT peut rester au niveau du cluster assigné.
Elle mesure alors l’effet d’adopter la politique dans les établissements.
Exemple
Hôpitaux randomisés à un protocole.
Tous les médecins ne l’appliquent pas.
L’analyse ITT compare néanmoins les hôpitaux selon le protocole assigné.
Cette information répond à :
« que produit l’introduction de cette politique dans le système réel ? »
Les politiques publiques
Cette logique est très pertinente en santé publique.
Une mesure peut être :
très efficace lorsqu’elle est appliquée,
mais :
peu suivie.
L’effet de politique publique dépend des deux.
Encouragement design
Parfois, on ne peut pas randomiser directement un comportement, mais on peut randomiser une incitation à l’adopter.
L’ITT mesure alors l’effet de l’incitation.
Une analyse instrumentale peut éventuellement tenter d’estimer l’effet du comportement chez les personnes influencées par cette incitation.
Le sens causal dépend toujours de ce qui a été randomisé
C’est un principe fondamental.
Si on randomise :
invitation au dépistage,
l’ITT estime l’effet d’être invité.
Pas l’effet biologique du dépistage chez tous ceux qui le réalisent.
Exemple du dépistage
Groupe invité :
70 % participent.
Groupe contrôle :
10 % se font quand même dépister.
La différence ITT mesure l’effet d’une politique d’invitation telle qu’elle fonctionne réellement.
Ce résultat peut être exactement celui qui intéresse le décideur public.
Pourquoi les analyses « chez ceux qui ont été dépistés » peuvent tromper
Les personnes qui acceptent un dépistage peuvent être différentes :
- comportement de santé ;
- niveau socio-économique ;
- risque.
Le healthy screenee bias peut alors apparaître.
On retrouve encore la force de l’ITT.
Intention de traiter et estimation conservatrice
Dans certaines discussions, on entend :
« l’ITT sous-estime forcément l’effet réel ».
Ce n’est pas toujours vrai.
Elle peut diluer un effet, mais sa fonction principale n’est pas de produire l’effet pharmacologique maximal.
Elle vise une estimation causale robuste de l’assignation.
Le mot « réel » est ambigu
Quel effet est « réel » ?
- effet si tout le monde prend le médicament ?
- effet si on le prescrit réellement ?
- effet chez les adhérents ?
Toutes ces questions sont légitimes.
Il faut seulement ne pas les confondre.
Une bonne étude peut présenter plusieurs analyses
Par exemple :
analyse principale ITT
analyse per protocole préspécifiée
analyse de sensibilité.
Si elles convergent, la conclusion est renforcée.
Si elles divergent, la différence doit être expliquée.
Analyse de sensibilité
On peut varier :
- définition de l’adhérence ;
- gestion des données manquantes.
L’objectif est de voir si la conclusion dépend fortement d’un choix analytique.
Transparence
Il est important de savoir :
- combien de patients ont arrêté ;
- pourquoi ;
- combien ont changé de traitement.
Un diagramme de flux CONSORT aide à visualiser ces étapes.
CONSORT flow diagram
Il montre généralement :
- évalués pour éligibilité ;
- randomisés ;
- assignés ;
- perdus de vue ;
- analysés.
C’est l’un des premiers éléments à regarder dans un essai.
Un grand nombre d’abandons est une information clinique
Ce n’est pas seulement un problème statistique.
Si 40 % arrêtent le médicament :
cela dit quelque chose sur :
- tolérance ;
- faisabilité.
Même si l’effet chez les 60 % restants est excellent.
Différence entre arrêt et données manquantes
Un patient peut arrêter le traitement mais continuer à être suivi.
C’est idéal pour l’ITT.
On connaît alors son outcome même s’il ne prend plus le traitement.
Exemple
Patient arrête le médicament à trois mois mais revient aux visites jusqu’à cinq ans.
Son résultat reste disponible.
La randomisation est préservée et le suivi est complet.
Situation plus problématique
Le patient arrête le médicament et disparaît complètement du suivi.
On perd alors également l’outcome.
L’analyse ITT devient limitée par les données manquantes.
Conserver le suivi après arrêt
Les essais bien conçus essaient donc autant que possible de continuer le recueil des résultats même lorsque le traitement est interrompu.
C’est méthodologiquement très important.
Missing not at random
Si les personnes disparaissent parce qu’elles vont mal, les données manquantes peuvent être MNAR.
Aucune simple technique d’imputation ne garantit alors une correction parfaite.
Des analyses de sensibilité sont nécessaires.
ITT et imputations anciennes
Historiquement, certaines analyses ont utilisé des méthodes comme :
last observation carried forward.
Elles peuvent être fortement biaisées et ne sont plus considérées comme une solution universelle.
Des approches plus robustes sont préférées selon le mécanisme de données manquantes.
La randomisation ne protège pas contre tout ce qui arrive après
Elle protège très efficacement contre la confusion initiale.
Mais elle ne protège pas automatiquement contre :
- pertes de suivi sélectives ;
- mauvaise mesure ;
- déviation importante du protocole.
L’ITT est nécessaire dans beaucoup d’essais, mais pas suffisante à elle seule.
Exemple de mauvaise interprétation
Article :
« analyse per protocole : p = 0,01 »
mais
« analyse ITT : p = 0,20 ».
Conclusion :
« traitement efficace ».
Ce résultat mérite une grande prudence si l’analyse PP n’était pas préspécifiée ou si les exclusions sont importantes.
Il faut demander
Pourquoi les résultats diffèrent-ils ?
Combien de personnes ont été exclues ?
Pourquoi ont-elles été exclues ?
Les exclusions dépendent-elles du traitement ou du pronostic ?
La p-value ne tranche pas ce problème
Une analyse PP biaisée peut avoir une p-value minuscule.
La question est d’abord méthodologique.
Autre situation
ITT :
effet clair.
PP :
effet similaire.
La convergence rend l’explication causale beaucoup plus simple.
Non-infériorité : regarder les deux
Dans un essai de non-infériorité, une conclusion robuste devrait idéalement être compatible dans :
- population ITT ;
- population PP.
Une forte discordance doit inciter à la prudence.
Per protocole bien conçu
Il faut cependant éviter de présenter toute analyse PP comme intrinsèquement mauvaise.
Avec :
- estimand clair ;
- méthodes causales adaptées ;
- covariables temporelles correctement gérées,
elle peut répondre à une question scientifique très utile.
Le problème est la PP naïve, consistant simplement à supprimer les non-adhérents et à comparer ce qui reste.
L’objectif de l’inférence causale moderne
Il est de distinguer précisément :
effet de l’assignation
de
effet de l’adhérence à la stratégie.
Et de construire une méthode adaptée à chacune de ces questions.
Une grille de lecture
Face à un essai, demander :
1. Quelle était la randomisation ?
2. Quelle analyse principale a été préspécifiée ?
3. Combien de participants ont dévié du protocole ?
4. Les outcomes ont-ils été recueillis malgré les arrêts ?
5. Les analyses ITT et PP convergent-elles ?
6. Si elles divergent, pourquoi ?
Cette grille permet de repérer beaucoup de problèmes.
Exemple final
Essai randomisé de 5 000 patients.
Randomisation
2 500 traitement.
2 500 contrôle.
Adhérence
Traitement : 80 % bonne adhérence.
Contrôle : 5 % prennent finalement le traitement actif.
ITT
Événement :
- traitement assigné : 8 % ;
- contrôle assigné : 10 %.
RAR :
2 points.
NNT :
50.
Per protocole
Parmi les participants respectant strictement la stratégie :
- traitement : 6 % ;
- contrôle : 10 %.
RAR :
4 points.
NNT :
25.
La PP suggère un effet deux fois plus important.
Mais elle ne peut pas être interprétée automatiquement comme la vérité pharmacologique.
Il faut examiner les différences entre les populations et la méthode utilisée pour contrôler la sélection.
Une interprétation équilibrée
On pourrait dire :
« L’assignation au traitement réduit les événements de 2 points dans l’essai. Une analyse chez les participants adhérents suggère un bénéfice plus important, mais cette estimation est plus sensible aux biais de sélection. »
Cette formulation respecte les deux niveaux d’information.
Une leçon d’esprit critique
Le résultat le plus spectaculaire n’est pas automatiquement le plus fiable.
Si une étude présente :
ITT : effet modeste
et
PP : effet spectaculaire,
la tentation est de choisir la seconde parce qu’elle correspond mieux à nos attentes.
Mais l’autonomie critique exige de demander :
quelle analyse conserve le mieux la comparabilité causale ?
Une autre leçon
À l’inverse, il serait trop simple de dire :
« seule l’ITT compte ».
L’ITT ne répond pas à toutes les questions.
Elle ne dit pas exactement ce qui se passerait si chacun suivait parfaitement l’intervention.
Les différentes analyses doivent être reliées à des questions clairement formulées.
Tableau récapitulatif
| Analyse | Question approximative | Force principale | Risque principal |
|---|---|---|---|
| ITT | Effet de l’assignation | Préserve la randomisation | Dilution si forte non-adhérence |
| Per protocole | Effet sous respect du protocole | Plus proche de l’adhérence complète | Sélection/confusion post-randomisation |
| As treated | Effet selon traitement réellement reçu | Description de l’exposition réelle | Perd largement la randomisation |
À retenir
L’analyse en intention de traiter analyse les participants selon leur groupe de randomisation initial, même s’ils ne suivent pas parfaitement le traitement.
Sa force principale est de préserver la comparabilité créée par la randomisation et de limiter les biais liés aux exclusions postérieures au traitement.
Elle estime principalement :
l’effet d’être assigné à une stratégie thérapeutique.
L’analyse per protocole se concentre sur les participants ayant suffisamment suivi le protocole.
Elle cherche davantage à répondre :
« que produit l’intervention lorsque la stratégie est effectivement suivie ? »
Mais une analyse per protocole naïve peut être biaisée parce que l’adhérence n’est pas aléatoire.
Les personnes adhérentes peuvent différer des non-adhérentes sur de nombreux facteurs pronostiques.
Dans les essais de supériorité, l’ITT constitue donc généralement l’analyse principale de référence.
Dans les essais de non-infériorité, la cohérence entre ITT et PP est particulièrement importante.
Le principe fondamental est :
la randomisation protège l’inférence causale au moment de l’assignation ; exclure ou reclasser ensuite les participants selon ce qu’ils ont fait peut détruire une partie de cette protection.
La bonne question n’est donc pas simplement :
« faut-il analyser ceux qui ont réellement pris le traitement ? »
mais :
« quel effet voulons-nous estimer, et quelle méthode permet de répondre à cette question sans réintroduire les biais que la randomisation avait précisément permis d’éviter ? »
Pour aller plus loin
CONSORT Statement. Les recommandations de référence pour la présentation transparente des essais randomisés, notamment les populations analysées, les abandons et les déviations du protocole.
ICH E9(R1) — Estimands and Sensitivity Analysis in Clinical Trials. Un cadre moderne permettant de préciser quelle question causale un essai cherche réellement à estimer face aux événements intercurrents.
Hernán et Robins — Causal Inference: What If. Une référence majeure pour comprendre comment estimer des effets per protocole à l’aide des méthodes modernes d’inférence causale.
David Sackett et collaborateurs — Clinical Epidemiology. Une référence classique pour comprendre l’intention de traiter, l’adhérence et l’interprétation des essais thérapeutiques.