3.3 Étude de simulations
3.4.1 Impact de l’inclusion de données historiques agrégées
L’impact de l’inclusion de données historiques agrégées sur l’effet du traitement
uniquement (excluant les données historiques sur le bras contrôle) peut être évalué
en observant les résultats des simulations lorsqueα
0= 0. Les Figures3.6à3.8résument les
principaux résultats des simulations pour les scénarios S1 à S12 quant aux erreurs de type
I et II, au biais, et à la RMSE de l’estimation de l’effet du traitement a posteriori.
Dans ces scénarios, les données historiques contrôles ont été générées à partir d’une
distribution de Weibull. Les conflits entre le les données historiques et les données du
nouvel essai proviennent soit de différences entre les paramètres correspondants des
distributions de Weibull, soit de différences entre l’effet réel du traitement du nouvel essai
et l’effet du traitement historique.
Les résultats détaillés des scénarios S1 à S12 sont disponibles dans les Tableaux F1 à F3 de
l’AnnexeF. Des résultats similaires ont été observés lorsque les données étaient générées
à partir d’une distribution exponentielle par morceaux (scénarios S13 à S24). Ces résultats
sont disponibles dans les Tableaux F4 à F6 de l’AnnexeF.
L’effet de l’augmentation de ω est illustré par la courbe noire sur les Figures 3.6 à 3.8,
où α
0= 0. Dans les scénarios S1-S4, S5-S8 et S9-S12, les données du bras contrôle du
nouvel essai ont été générées à partir de modèles de Weibull ayant différents risques de
base. Ces différences n’ont pas d’impact majeur. De ce fait, des résultats similaires sont
observés parmi les scénarios "Effet nul" (S1, S5, et S9). La même observation s’applique
aux scénarios représentant un "Effet décevant" (S2, S6, et S10), et un "Effet espéré" (S4, S8,
et S12).
Incorporer des données historiques sur l’effet du traitement conduit à des gains de
puissance importants, d’une part lorsque l’effet du traitement dans le nouvel essai est
inférieur à l’estimation historique (la puissance augmente de 20.8% pourω = 0 à 98.9%
pourω= 1 dans le scénario S2), et d’autre part lorsqu’il est plus important que l’estimation
historique (la puissance augmente de 79.4% pourω= 0 à 100% pourω= 1 dans le scénario
S4). Dans la plupart des scénarios, les gains de puissance les plus importants sont obtenus
en augmentantωde 0 à 0.2 ou 0.4 ; augmenterωau-delà entraîne un gain moins important.
Les augmentations de puissance observées à travers les différents scénarios doivent être
contre-balancées avec le risque d’augmenter l’erreur de type I si, en réalité, le nouveau
traitement n’est pas meilleur que le traitement standard dans le nouvel essai : dans le
scénario "Effet nul" S1, l’erreur de type I augmente rapidement avec ω, pour atteindre
96.9% pourω= 1.
Dans le scénario où le nouvel effet du traitement est égal à l’estimation historique (scénario
S3), l’incorporation de données historiques sur l’effet du traitement n’entraîne pas de biais.
Si l’effet du traitement dans le nouvel essai est moins bon que celui estimé dans les
données historiques (scénarios S1-S2), le nouvel effet est alors surestimé (biais négatif sur
β=Log(H R)) et la magnitude du biais augmente avecω. À l’inverse, si l’effet du traitement
dans le nouvel essai est supérieur à celui estimé dans les données historiques (scénario
S4), l’incorporation de données historiques entraîne une sous-estimation (biais positif sur
β) du nouvel effet du traitement.
Lorsque ω = 0, l’écart-type empirique moyen de l’estimation a posteriori de l’effet du
traitement est légèrement différent selon les scénarios en raison des différents nombres
d’événements attendus dans le nouvel essai (moins d’événements attendus lorsqu’il y a un
effet du traitement plus important, ou lorsque le risque de base de d’événements est plus
petit).
Malgré cela, dans tous les scénarios, la dispersion moyenne de l’estimation a posteriori
diminue avec ω. En revanche, la manière dont la RMSE change avec ω dépend du
scénario. Par exemple, dans les scénarios S2 et S3 (effet décevant et historique), la RMSE
diminue rapidement lorsqueω augmente : la variation relative de la RMSE est de -59%
dans le scénario S2 (due au compromis entre augmentation du biais et diminution de
la dispersion de l’estimation) et de -86% dans le scénario S3 lorsqueωaugmente de 0 à
1. Dans le scénario "Effet nul" (S1), une diminution plus faible de la RMSE est observée
(variation relative de -21% lorsqueωaugmente de 0 à 1). Dans le scénario "Effet espéré"
(S4), de légères variations de la RMSE sont observées lorsque ωvarie entre 0 et 1, mais,
tandis qu’une faible diminution est observée lorsqueω augmente de 0 à 0.2, une petite
augmentation est observée lorsqueωest supérieur à 0.4, reflétant le compromis entre une
diminution de la dispersion de l’estimation, et une augmentation du biais.
FIGURE 3.6 –Impact deα
0etωsur les caractéristiques opératoires
pour les scénarios S1-S4
Une distribution de Weibull est utilisée pour générer les données historiques contrôles et les
données du nouvel essai, avecs
2Héquivalent à 329 événements. Dans ces scénarios (S1-S4), les
données contrôles historiques et les données contrôles du nouvel essai sont commensurables.
FIGURE 3.7 –Impact deα
0etωsur les caractéristiques opératoires
pour les scénarios S5-S8
Une distribution de Weibull est utilisée pour générer les données historiques contrôles et les
données du nouvel essai, avecs
2Héquivalent à 329 événements. Dans ces scénarios (S5-S8), un
conflit négatif (où les patients du groupe contrôle du nouvel essai ont un moins bon pronostic que
les patients du groupe contrôle historique) existe .
FIGURE 3.8 –Impact deα
0etωsur les caractéristiques opératoires
pour les scénarios S9-S12
Une distribution de Weibull est utilisée pour générer les données historiques contrôles et les
données du nouvel essai, avecs
2Héquivalent à 329 événements. Dans ces scénarios (S9-S12), un
conflit positif (où les patients du groupe contrôle du nouvel essai ont un meilleur pronostic que les
patients du groupe contrôle historique) existe.
Choix de la valeur deωpour l’essai Sarcome-13
Le choix du poids à attribuer aux données historiques sur l’effet du traitement doit être
fait en considérant l’impact de l’augmentation de ω sur le biais, la dispersion (SD), et
l’exactitude globale (RMSE) de l’estimateur de l’effet du traitement, ainsi que sur la
puissance et l’erreur de type I de l’essai.
Par conséquent, nous recommandons de fixerω = 0.1 lorsque α
0= 0, si la variance de
la composante informative du mixture prior pour β est équivalente à 329 événements.
Cette valeur deωconduit à une erreur de type I de 21.6% (S1), tout en permettant un gain
substantiel de puissance lorsqueωaugmente de 0 à 0.1 (de 35.9% à 54.5% dans le scénario
S3, par exemple), et en exactitude de l’estimation (la RMSE diminue de 0.275 à 0.210 dans
le scénario S3).
Analyse de sensibilité en cas de données historiques moins informatives
Différentes recommandations pour ω peuvent s’appliquer en fonction de la quantité
d’informations historiques disponible pour l’effet du traitement.
Lorsque s
2H= s
2, 5s
2, ou 15s
2(équivalent à 329, 66 et 22 événements respectivement),
nous observons une tendance similaire dans les propriétés de l’estimateur de l’effet du
traitement, et des caractéristiques opératoires de l’essai, lorsque ω augmente de 0 à 1.
Néanmoins, l’impact des changements de ω diminue lorsque s
2Haugmente. Cela est
particulièrement vrai pour la puissance, comme l’illustre la Figure3.9pour les scénarios
S1 à S4. Par exemple, pour le scénario S3, lorsques
2H=s
2, la puissance augmente de 35.9%
à 99.7% en augmentantωde 0 à 1, alors qu’elle augmente à 54.2% lorsque s
2H=5s
2, et à
40.7% lorsques
2H=15s
2(les détails des résultats pour tous les scénarios sont disponibles
dans les Tableaux G1 à G6 de l’AnnexeG).
Pour toutes valeurs des
2H, le choix optimal pourωdoit équilibrer les objectifs concurrents
d’augmentation de la puissance, et de contrôle du biais.
Par exemple, si l’on suppose que l’information historique surβest telle ques
2H=5s
2, alors
dans ce cas, si la distribution de survie est telle que spécifiée dans les scénarios S2-S4, pour
obtenir le même gain de puissance que celui atteint en choisissantω= 0.1 lorsques
2H=s
2,
nous devons fixerω= 1.
Cependant, les risques auxquels on s’expose en fixantω = 1 lorsque s
2H=5s
2sont plus
élevés que ceux associés àω= 0.1 lorsques
2H=s
2. En effet, nous observons un biais plus
important dans l’estimateur de l’effet du traitement lorsque les données historiques et les
données du nouvel essai ne sont pas commensurables.
Par exemple, dans le scénario S2, le biais est estimé à -0.0275 lorsques
2H=s
2et ω = 0.1
contre -0.0627 lorsques
2H=5s
2etω= 1 ; dans le scénario S4, le biais est de 0.0582 contre
0.2014. Quand la quantité d’information historique est réduite (s
2H=15s
2), les gains de
puissance possibles en incorporant les informations historiques surβ sont négligeables,
bien que le biais augmente toujours avecω.
Cela contraste avec le fait que des gains en exactitude globale sont toujours possibles en
augmentantω, même pour de grandes valeurs de la variances
2H. On observe en effet, pour
le scénario S3 par exemple, une variation relative de -86% lorsques
2H=s
2en augmentant
FIGURE 3.9 –Impact deω, pourα= 0 et pour différentes variances de la composante
informative du mixture prior, sur les caractéristiques opératoires pour les scénarios
S1-S4
Une distribution de Weibull est utilisée pour les données historiques et les données du nouvel essai,
avec différentes valeurs pours
2Héquivalentes à 329, 66, et 22 événements. Nous supposons que les
données contrôles historiques et celles du nouvel essai sont commensurables. La ligne horizontale
représente la valeur du critère d’évaluation pourα
0= 0 etω= 0.1.
3.4.2 Impact de l’inclusion de données historiques individuelles
Dans le document
Approche Bayésienne de la survie dans les essais cliniques pour les cancers rares
(Page 88-97)