Étude personnelle : Etude du respect et de l’impact des recommandations de prescription et d’utilisation des médicaments psychotropes chez les sujets âgés

en France à partir d’une base de données de l’assurance maladie française

D’après la revue de la littérature réalisée, peu d’étude se sont intéressées à l’étude des recommandations de bonne pratique chez les personnes âgée en France. Une étude a cependant été conduite concernant l’utilisation des antipsychotiques chez les patients âgés et atteints de démence sur une base de données de l’Assurance Maladie, l’EGB, ne montrant pas d’impact des recommandations [139]. Notre objectif a donc été d’étudier l’impact des recommandations publiées par les autorités de régulation sanitaire française sur l’usage des benzodiazépines et des antidépresseurs, deux autres classes thérapeutiques ayant fait l’objet de guides de bon usage. La première étude, concernant l’utilisation des antidépresseurs, est soumise pour publication et la seconde, sur l’utilisation des benzodiazépines, a fait l’objet d’un rapport remis à l’ANSM et fera également l’objet d’une publication dans une revue internationale.

3.4.1 Source des données

Ces deux études ont été réalisées sur l’Échantillon Généraliste des Bénéficiaires (EGB). Brièvement, comme nous l’avons détaillé précédemment, l’EGB est un échantillon permanent, représentatif des bénéficiaires de l’Assurance maladie française crée en 2004, avec une première sélection de sujets issus du régime général effectuée en mars 2005. Initialement, il couvrait uniquement le régime général, qui constitue le principal régime d’assurance maladie en France et, depuis mars 2011, il couvre les trois grands régimes de sécurité socialee, après l’ajout de la Mutalité Sociale agricole (MSA) et du Régime Social des Indépendants (RSI). C’est une base de données issue des données de remboursements gérés par la caisse d’Assurance maladie [96]. Il s’agit d’un sondage au 1/97ème _{effectué via le}

du numéro sécurité social des individus. La répartition de la population dans l’EGB est représentative de la population française. La mise à jour des effectifs de la population est faite trimestriellement et permet à l’EGB de s’enrichir chaque trimestre de nouveau-nés ou des individus nouvellement affiliés à l’un des trois régimes précédemment cités. Les données concernant la consommation des soins sont chargées mensuellement. L’EGB contient des informations sur les caractéristiques sociodémographiques et médicales des bénéficiaires, ainsi que toutes les prestations que ces derniers ont recus ayant engendré un remboursement. L’efffectif de l’EGB a aujourd’hui dépassé les 600 000 individus. Les données seront conservées 20 ans et permettent donc la réalisation d’études longitudinales.

Partie 3 : Etude de l’impact de la publication des recommandations

132

3.4.2 Choix du modèle statistique pour l’étude de l’impact des recommandations

Dans les différentes études que nous avons examinées et présentées, évaluant l’impact des alertes ou des recommandations, la méthode la plus fréquemment utilisée est celle des « time-series analyses », soit des régressions segmentées pour l’analyse de données longitudinales interrompues [139, 143, 145, 146 ]. Ces analyses sont utilisées pour étudier les effets au cours du temps d’une intervention ponctuelle [148]. Ainsi, les périodes avant, pendant ou après l’intervention peuvent être comparées entre elles, afin d’évaluer l’impact de l’intervention. Par exemple, pour les antipsychotiques, souvent trois périodes étaient analysées, les périodes précédant la publication de l’alerte, pendant et suivant [146]. La période de temps correspondant à la période durant laquelle l’intervention s’est déroulée n’est pas toujours étudiée. Dans son article expliquant le modèle, Wagner et al présentent cette technique comme le schéma d’étude le plus valide, quasi-expérimental, permettant d’évaluer l’effet longitudinal d’interventions d’une durée limitée dans le temps [148]. Les analyses par régression segmentée nécessitent de disposer de données collectées de manière régulière au cours du temps et avec un intervalle de temps régulier. Ceci constitue une série chronologique de données. Par exemple, il peut s’agir de la prévalence mensuelle d’utilisation d’un médicament ou d’un service de santé particulier. Ces données peuvent être des moyennes, des proportions ou des taux. Ainsi, une série chronologique est une séquence de valeurs mesurées à intervalle régulier au cours du temps.

Une série chronologique peut être constituée de plusieurs segments. Les segments de temps sont définis par des points, eux-mêmes déterminés en fonction des changements susceptibles de survenir. Un changement doit pouvoir correspondre, par exemple, à une intervention expérimentale ou bien une alerte de sécurité concernant un médicament. Il peut exister plusieurs points de changement dans une même série chronologique. Deux paramètres sont importants dans les séries chronologiques : le niveau et la pente. Le niveau correspond à la valeur numérique au début de la série chronologique ou au début de chaque intervalle de temps considéré, par exemple la valeur de l’ordonnée à l’origine, puis la valeur de l’ordonnée après chaque point de changement. La pente correspond au taux de variation pendant un segment de temps considéré. Un changement de niveau, par exemple une hausse ou une chute dans les résultats après une intervention, correspond à un changement brutal post intervention. Un changement de tendance, qui se manifeste par à une augmentation ou une diminution de la pente entre deux segments conjoints, correspond à un changement graduel de la valeur des résultats tout au long du segment de temps [148]. Dans ce type d’analyse de régression segmentée, le modèle statistique permet d’estimer le

Partie 3 : Etude de l’impact de la publication des recommandations

133 niveau et la tendance initiaux avant l’intervention, puis les changements de niveau et de pente après l’intervention (voire parfois pendant l’intervention).

Un nombre suffisant de points de mesure avant et après l’intervention est nécessaire pour pouvoir utiliser ce type d’analyse. Ainsi, de manière générale, il est recommandé d’avoir au moins 12 points de données avant et après l’intervention [148]. Un point de données représente souvent des données mensuelles, par exemple un taux mensuel d’utilisation d’antipsychotique.

Afin d’estimer le niveau et la pente, plusieurs paramètres composent le modèle statistique. Prenons l’exemple de l’étude de la prévalence mensuelle d’utilisation d’antipsychotiques avant et après la publication d’alertes les concernant, pour illustrer l’explication du modèle. Le paramètre β0 indique le niveau initial estimé de la série

chronologique, par exemple le niveau mensuel de base de la consommation d’antipsychotiques. Le paramètre β1 représente la tendance de base estimée, c’est à dire

dans notre exemple la variation du taux de prévalence mensuel d’usage des antipsychotiques avant toute intervention. Le paramètre β2 exprime le changement de niveau

estimé à la suite de l’intervention, donc par rapport au segment précédent, par exemple le changement de niveau de la prévalence mensuelle de l’usage d’antipsychotiques après une alerte sur l’usage des antipsychotiques chez les personnes âgées. Le paramètre β3 exprime

le changement estimé de la tendance après l’intervention par rapport à la tendance avant l’intervention. Ainsi, par exemple la variation de la tendance de la prévalence mensuelle d’usage d’antipsychotique avant la mise en garde sur ce type de traitement par rapport à la variation de la tendance après la mise en garde. Le paramètre et représente la part d’erreur

non expliqué par le modèle. L’équation de ce type de modèle s’écrit de la manière suivante :

134

3.4.3 Étude du respect et de l’impact des recommandations de prescription et d’utilisation des antidépresseurs chez les personnes âgées en France sur l’EGB

1

Trends in patterns of antidepressant use in older general population between 2006