Approche méthodologique de l’Article III

Le but de l’Article III était d’identifier si l’hdPS permettait de contrôler pour un facteur confondant non mesuréCXXIII. Tout comme dans le cas de l’Article II, l’approche méthodologique de l’Article III était grandement basée sur l’approche méthodologique des Articles I et II. Brièvement, les sections 5.1.1 à 5.1.7 (c.-à-d., celles permettant la création de la « Full Cohort » de l’Article I) et la section 5.2.3 (c.-à-d., celles permettant la sélection de la sous-cohorte de patients appariés en fonction de l’hdPS des patients de l’Article II) ont été reproduites telles quelles dans cet article. Les autres étapes décrites dans cette section sont spécifiques à l’Article III.

5.3.1 Identification d’un facteur confondant non mesuré

Comme mentionné à la section 2.2.2.1, l’étude de validation interne des données est la seule méthode permettant directement d’identifier la distribution d’un facteur confondant non mesuré lors d’une étude observationnelle basée sur des données médico-administratives. Cependant, l’utilisation de cette méthode est limitée par plusieurs facteurs, principalement le fait qu’il peut être difficile de pouvoir contacter les patients inclus dans l’étude afin d’obtenir de l’information additionnelle vis-à-vis un facteur confondant désiré.33 Compte tenu de cette limite, nous avons plutôt décidé de faire l’inverse, c.-à-d. créer une deuxième banque de données dans laquelle nous avons masqué un facteur confondant mesuré et identifier si l’hdPS permettait de contrôler pour ce facteur confondant « masqué ».

CXXIII _{Il est important de noter que le contrôle pour un facteur confondant non mesuré ne} nécessite pas le contrôle direct de celui-ci. Tout comme indiqué au Tableau 1 (p.10), l’algorithme de sélection de l’hdPS pourrait contrôler pour ces facteurs confondants non mesurés en sélectionnant des variables enregistrées dans la base de données utilisées qui agissent comme proxis de ceux-ci (voir Figure 2 p.7).

106

5.3.1.1 Identification du facteur confondant à masquer

Comme nous avons indiqué à la section 5.2.4.2, nous avons examiné dans l’Article II la performance de l’hdPS vis-à-vis les 19 facteurs confondants potentiels. Parmi cette liste, huit facteurs confondants (c.-à-d., avoir eu ≥5 visites médicales en externe dans l’année précédant la date d’entrée dans la cohorte, avoir reçu ≥1 dispensation(s) pour ≥5 médicaments différents dans l’année précédant la date d’entrée dans la cohorte et avoir reçu lors de la dernière année une dispensation d’un diurétique de l’anse, d’un bêtabloquant, d’un antagoniste du récepteur de l’angiotensine, d’un inhibiteur de l’enzyme de conversion de l’angiotensine ou d’acétaminophène) sont uniquement accessibles grâce à l’information disponible dans les fichiers « Services pharmaceutiques » et « Services médicaux » de la banque de données de la RAMQ. Or, si nous étions pour entreprendre une étude observationnelle basée sur des données médico-administratives québécoises sans obtenir ces deux fichiers, ces huit facteurs confondants seraient non mesurés. Cependant, comme nous avons accès à ces deux fichiers, nous pouvons examiner la performance de l’hdPS avec et sans ces données (c.-à-d., lorsqu’elles sont masquées).

Nous avons donc décidé d’estimer l’hdPS des patients en utilisant uniquement l’information contenue dans les deux hautes dimensions provenant de la base de données MED-ECHO (c.-à-d., 1) les codes d’interventions médicales et 2) les codes diagnostics [les codes ICD-9 ont été tronqués à la première décimale et les codes ICD-10 ont été tronqués à la deuxième décimale]). Dans cette section, nous identifierons la version de l’hdPS utilisé dans l’Article II (c.-à-d., celui ayant accès à l’ensemble de l’information des banques de données de la RAMQ et de MED-ECHO) comme étant l’hdPS-1 et identifierons la version de l’hdPS restreint à l’information contenue dans la base de données MED-ECHO comme étant l’hdPS- 2.

Malgré le fait que l’information contenue dans la base de données de la RAMQ est masquée à l’hdPS-2, nous avons assumé que l’information permettant de catégoriser le statut d’exposition et l’avènement de diabètes des patients inclus dans la cohorte serait

107

disponibleCXXIV. En plus des 500 covariables sélectionnées par l’algorithme de l’hdPS, nous avons forcé les covariables suivantes dans le modèle de régression permettant de calculer l’hdPS-2 des patients:

 l’âge à la date d’entrée dans la cohorte  le sexe des patients

 l’année d’entrée dans la cohorte (variable catégorielle)

 le statut de pauvreté des patients à l’entrée dans la cohorte (identifié grâce à la réception ou non d’un supplément de revenu garanti ou non)

 avoir été hospitalisé au moins une fois dans l’année précédant la date d’entrée dans la cohorte

Les deux autres covariables ayant été forcées dans le modèle de régression permettant d’estimer l’hdPS-1 des patients (c.-à-d., avoir eu au moins cinq visites médicales en externe dans l’année précédant la date d’entrée dans la cohorte et avoir reçu au moins une dispensation d'au moins cinq médicaments différents dans l’année précédant la date d’entrée dans la cohorte) n’ont pas été forcées dans ce deuxième modèle, car elles sont basées sur de l’information provenant des fichiers « Services pharmaceutiques » et « Services médicaux ». Suite à la sélection finale du deuxième modèle, l’hdPS-2 de tous les patients fut estimé. Nous avons examiné les courbes de distribution de l’hdPS-2 et avons exclu tout patient se situant dans une zone de non-chevauchement des courbes de distribution de l’hdPS-2. Tout patient se situant dans une zone de chevauchement des courbes de distribution de l’hdPS-2 était admissible à être conservé dans l’étude.

CXXIV _{C.-à-d., comme si cette information était disponible grâce à une autre source} d’information (p. ex., grâce un registre clinique).

108

5.3.2 Identification de la sous-cohorte de patients appariés grâce au score de

propension à hautes dimensions avec information masquée

Tout comme dans l’Article II, nous avons apparié un patient du groupe « exposé à une basse dose » à un patient du groupe « exposé à une haute dose » en fonction des hdPS-2 des patients grâce à un algorithme d’appariement avare. Afin d’être admissible à être sélectionné par l’algorithme d’appariement avare, l’hdPS-2 du patient du groupe « exposé à une basse dose » devait être en dedans de 0,2 fois l’écart-type de la distribution totale de l’hdPS-2 des patients de la cohorte («0.2 times the standard deviation of the logit of the cohort’s hdPS-2 »). Les patients sélectionnés par l’algorithme d’appariement avare forment la sous-cohorte appariée en fonction de l’hdPS-2.

5.3.3 Évaluation de la performance du score de propension à hautes

dimensions vis-à-vis les facteurs confondants masqués

À la différence de l’Article II, la capacité de l’hdPS à sélectionner des sous-cohortes où les caractéristiques des patients du groupe « exposé à une haute dose » sont similaires aux caractéristiques des patients du groupe « exposé à une basse dose » est la seule approche que nous avons utilisée pour évaluer la performance de l’hdPS dans l’Article III. L’estimation de la qualité de l’appariement a encore été basée sur la SDD et nous avons considéré que les groupes de patients étaient bien appariés vis-à-vis à un facteur confondant si la SDD était <0,10. Nous avons considéré que l’hdPS était capable d’ajuster pour un facteur confondant non mesuré si tous les SDD des 19 facteurs confondants examinés (incluant les huit facteurs confondants masqués) dans la sous-cohorte de patients appariés en fonction de l’hdPS-2 étaient <0,10.