Facteurs associés au risque de chutes

L’objectif 2 visait à identifier de façon longitudinale les facteurs associés à l’augmentation du risque de chutes, tous types confondus et de celles ayant nécessité un recours médical. L’objectif 3, quant à lui, se rapportait à la comparaison des résultats produits par différentes méthodes statistiques d’identification des facteurs de risque de chutes, selon que l’on tienne compte ou non des notions de covariables dépendantes du temps et de récurrence des événements. Les effets ajustés des caractéristiques des sujets sur la probabilité de chute ont été étudiés à l’aide de trois méthodes d’analyse de survie (régression de Cox classique, extension d’AG et extension de WLW), de la régression binomiale négative et de la régression logistique (Cleves, 2002; Allison, 1995).

Dans toutes les analyses de survie, la variable dépendante était le temps écoulé jusqu’à la chute (en jours) pour chaque participant faisant l’objet du suivi. Seuls les cas pour lesquels on disposait de données sur au moins un mois de suivi ont été inclus dans l’analyse. Les sujets ont été « censurés » dans l’une ou l’autre des éventualités suivantes : retrait volontaire (facultatif) après un suivi de 18 mois, fin de l’étude, abandon en cours de suivi pour un quelconque motif. Les chutes répétées sont considérées comme les manifestations du même type d’événements indifférenciables. Les facteurs de risque pris en considération dans les analyses ont été présentés au tableau 1. Les analyses de survie ont été effectuées tout d’abord avec les seules covariables de base, puis avec les covariables mises à jour. Les covariables de base comprennent l’âge, le sexe, le nombre de chutes dans les trois mois ayant précédé l’entrée dans le projet, le type de logement et l’indice de défavorisation. Quant aux covariables dépendantes du temps (IMC, risque nutritionnel, consommation d’alcool, dangers de l’environnement domiciliaire, démarche et équilibre, consommation de benzodiazépines et de médicaments divers), nous avons pris en compte la dernière mesure avant le moment de la chute (Desquilbet et Meyer, 2005). Dans le cas des personnes qui n’avaient pas fait de chute, nous nous sommes servis de la mesure de l’exposition au risque au milieu de la période de suivi. Nous avons donc testé l’hypothèse nulle que l’exposition mesurée durant le suivi n’est pas associée au risque de chute ultérieure (Desquilbet et Meyer, 2005). L’hypothèse des risques proportionnels était superflue dans la régression de Cox avec covariables dépendantes du temps, puisque les risques étaient liés au temps (Allison, 1995; Desquilbet et Meyer, 2005).

La méthode de WLW a permis de calculer le  commun et le  par événement pour les cinq premières chutes de chaque sujet, ainsi que le  commun pour l’ensemble des chutes rapportées. Le nombre de sujets exposés au risque pour une strate donnée, après une première chute, inclut tous les sujets qui ont subi une chute dans la strate précédente, moins ceux qui ont été « perdus » au cours du suivi; le nombre de sujets exposés au risque pour un groupe combiné donné comprend tous les sujets participant à l’étude dans toutes les strates, comme si chacun des sujets représentait dans chaque strate un sujet différent. On a examiné chaque modèle en tenant compte des strates du nombre de chutes antérieures, puis en en faisant abstraction, de sorte que les effets d’autres variables dignes d’intérêt ne soient pas éclipsés (Cumming, Kelsey et Nevitt, 1990; O’Loughlin et coll., 1993).

La variable dépendante dans la régression logistique était la condition des personnes ayant fait une chute (les sujets qui étaient tombés au moins une fois) dans une période de 12 mois. La variable dépendante dans la régression binomiale négative était le nombre de chutes. La régression binomiale négative et la régression logistique ont été exécutées avec la totalité des covariables de base. La figure 2 présentée antérieurement résume les méthodes statistiques utilisées. Nous avons vérifié l’hypothèse de la linéarité des relations pour les variables prédictives continues. Tous les modèles ont été ajustés au moyen d’un processus séquentiel visant à conserver le plus grand nombre de variables possibles, étant donné une valeur p  0,05. Enfin, nous avons eu recours à des estimations robustes (« sandwich ») de la variance dans l’analyse de survie et dans la régression binomiale négative, afin de pallier la non-indépendance des événements récurrents, ici les chutes. Toutes les analyses de régression ont été effectuées au moyen du logiciel SAS® 9.1 : procédure « PROC PHREG » pour l’analyse de données de survie et procédure « GENMOD » pour la régression binomiale négative.

Le traitement des données sur les covariables dépendantes du temps et les événements récurrents nécessitent un formatage non standard. Le tableau 2 montre la structure de la base de données requise pour les analyses de survie avec le modèle de COX. L’organisation requise pour l’analyse des données au moyen de la régression d’Andersen-Gill y est illustrée pour les cinq premiers sujets.

Pour chaque sujet, le fichier compte un enregistrement par intervalle de suivi. Le fichier d’un sujet subissant un événement comportera deux enregistrements : la première couvrira la période de l’entrée du sujet dans l’étude jusqu’au moment de l’événement et la deuxième s’étendra du temps de l’événement à la fin du suivi de ce sujet.

Tableau 2 Structure de la base de données requise pour la régression de Cox d’Andersen-Gill et de Wei, Lin et Weissfeld

id enregis- trement suivi total temps0 temps fin

statut cc_sexe cc_âge cd_Berg ct_Berg cd_benzo ct_benzo

25 1 652 0 309 1 2 73 47 45 1 1 25 2 652 309 353 1 2 73 47 45 1 1 25 3 652 353 652 0 2 73 47 45 1 1 26 1 773 0 28 1 1 82 36 36 0 0 26 2 773 28 468 1 1 82 36 37 0 0 26 3 773 468 773 0 1 82 36 37 0 1 31 1 301 0 301 0 1 81 54 54 1 1 82 1 633 0 50 1 1 77 52 52 0 0 82 2 633 50 56 1 1 77 52 52 0 0 82 3 633 56 103 1 1 77 52 52 0 0 82 4 633 103 226 1 1 77 52 53 0 0 82 5 633 226 235 1 1 77 52 53 0 0 82 6 633 235 255 1 1 77 52 53 0 0 82 7 633 255 258 1 1 77 52 53 0 0 82 8 633 258 262 1 1 77 52 53 0 0 82 9 633 262 412 1 1 77 52 53 0 0 82 10 633 412 443 1 1 77 52 52 0 1 82 11 633 443 633 0 1 77 52 55 0 1 270 1 410 0 69 1 1 75 55 55 0 0 270 2 410 69 278 1 1 75 55 56 0 0 270 3 410 278 410 0 1 75 55 56 0 0 393 1 36 0 36 0 1 94 25 25 0 0

Dans l’exemple ci-dessus, le sujet #31 (la variable id est la variable relative à l’identifiant) n’a pas vécu de chute (statut = 0), de sorte qu’à ce sujet est associée une seule observation (enregistrement = 1) couvrant la période allant de l’entrée dans l’étude (temps0 = 0) jusqu’à la fin de son suivi de 301 jours. Le sujet #25 (id = 25) a quant à lui fait l’objet d’un suivi sur 652 jours et a subi une chute au 309e et au 353e jour. Trois enregistrements couvrent donc la période allant de l’entrée dans le projet (temps0 = 0) jusqu’à la première chute (temps0 = 309; statut = 1), celle allant de la première chute (temps0 = 309) à la seconde chute (temps0 = 353; statut = 1), et celle allant de la dernière chute (temps0 = 353) à la fin du suivi (temps0 = 652), cette dernière période ne comportant aucune chute (statut = 0).

L’organisation requise pour l’analyse des données au moyen de la régression de Wei, Lin et Weissfeld est à peu de chose près similaire à celle de la régression d’Andersen–Gill. En essence, la méthode fait abstraction de l’ordre des événements et traite chaque événement dans

une strate distincte. Dans l’exemple, trois enregistrements couvrent la durée totale du suivi du sujet #25. Chaque période durant laquelle survient une chute, ainsi que la dernière période, où il y a absence de chute, constitue une strate indépendante et la durée totale est mesurée à partir de l’entrée dans le projet (temps0 = 0). Ainsi, le fichier de données initial illustré au tableau 2 ne serait modifié que pour fixer la variable temps0 à zéro (puisque le compteur repart toujours à zéro dans ce cas). La durée de suivi correspondant à chaque strate égale par conséquent à temps fin.

Les variables cc_sexe, cc_âge, cd_Berg, ct_Berg, cd_benzo et ct_benzo sont des variables d’exposition incluses dans le modèle. Le préfixe cc_ est utilisé pour les variables de contrôle fixes, cd_ pour les variables d’exposition mesurées à l’entrée du sujet dans l’étude et ct_ pour ces mêmes expositions considérées comme variables dépendantes du temps, c’est-à- dire mises à jour tous les six mois. Considérons le 1er enregistrement du sujet #26 dans l’exemple ci-dessus. À ce temps de suivi (au 28e jour), la mesure de l’échelle d’équilibre de Berg du sujet à risque (ct_Berg) équivaut à 36. Au 2e enregistrement de ce même sujet #26, l’exposition mise à jour pour ct_Berg correspond à la plus proche valeur disponible précédant l’événement survenu à temps fin = 468 est 37, et ainsi de suite. Le lecteur comprendra que la configuration du fichier de données nécessite une conversion préalable des dates de survenue d’événements en délai de survie et l’attribution de l’exposition associée à l’événement en question.