TS éligibles à l’étude ont été recrutées d’octobre 2014 à décembre 2015 et suivies jusqu’à un maximum de 24 mois ou jusqu’à la fin de l’étude en décembre 2016. Ainsi, selon la date de recrutement dans l’étude, la durée maximale du suivi pour une participante était de 12 à 24 mois. En cours de suivi, plusieurs participantes ont également quitté l’étude pour diverses raisons énumérées ailleurs (Annexe 1).29
Dans le cadre de cette thèse, nous avions pour troisième objectif principal d’évaluer les tendances de RSNP et de sous-rapportage des RSNP suite à l’implantation de PrEP chez les TS séronégatives de l’étude E-ART/PrEP. Les RSNP et leur sous-rapportage ont été mesurées au recrutement, puis sur une base semestrielle aux visites de suivi à 6 (M6), 12 (M12), 18 (M18), et 24 mois (M24) après le recrutement. Les censures avant M24 ont été nombreuses dans le groupe PrEP avec seulement 30 des 256 femmes recrutées dans PrEP ayant eu une visite M24. Un organigramme des censures administratives et de l’attrition dû au retrait de certaines participantes avant la fin de l’étude dans le groupe PrEP est présenté au chapitre 6 (Figure 6-1).
Dû aux nombreuses censures, l’évaluation des tendances de RSNP et de sous-rapportage des RSNP chez les TS sous PrEP risquait d’être biaisée par un potentiel biais de sélection. Pour corriger ce potentiel biais de sélection, une stratégie de pondération par l’inverse de probabilité de censure (inverse probability censoring weighting : IPCW) a été appliquée.172
L’IPCW permet de créer une pseudo-population qui mime la cohorte initiale d’une étude prospective, c’est-à-dire une population qui inclut les participants censurés en cours de
suivi, ou, en d’autres termes, une population sans censures au suivi. Ainsi, à chaque visite de suivi, les participants qui demeurent dans l’étude se voient attribuer des poids plus ou moins importants selon qu’ils représentent bien ou moins bien les participants censurés aux visites précédentes. Le poids donné à un individu à une visite donnée correspond à l’inverse de la probabilité pour cet individu de n’être pas censuré à cette visite, sachant les variables mesurées aux visites antérieures, et sachant que cet individu n’a pas été censuré à la visite précédente. La formule suivante est utilisée pour le calcul des poids à chaque visite t, où le numérateur correspond à la probabilité de n’être pas censuré (C=0) sachant ne pas avoir été censuré à la visite précédente et où le dénominateur correspond à la probabilité de n’être pas censuré sachant les variables mesurées aux visites antérieures (X) :
Poids = 'P(C*= 0|C*-. = 0) P(C*= 0|X*-.) 1
*2.
Formule 3-1
Pour chaque visite, le numérateur est calculé à l’aide d’un modèle de régression logistique de la censure sans aucune variable explicative (modèle vide) tandis que le dénominateur est calculé à l’aide d’un modèle de régression logistique de la censure en fonction des variables explicatives X mesurées aux visites précédentes.
Nous présentons ici la procédure qui a été suivie pour le calcul des poids pour l’IPCW utilisée au chapitre 6. Mais d’abord, il faut préciser que la présence de données manquantes structurelles ou accidentelles pour plusieurs variables en cours de suivi a grandement limité les variables qui ont pu être considérées comme variables explicatives dans les modèles de censure. Ainsi, seules les variables au recrutement pour lesquelles il n’y avait pas de données manquantes structurelles ou accidentelles ont été considérées comme variables potentiellement explicatives des censures. Parmi les 256 TS recrutées dans PrEP, une participante a été exclue des analyses puisqu’elle présentait des données manquantes pour un trop grand nombre de variables au recrutement.
Dans un premier temps, les variables au recrutement (sans données manquantes) susceptibles d’expliquer les censures ont été identifiées. Pour ce faire, la moyenne ou la distribution des variables au recrutement ont été calculées parmi les participantes restant à chaque visite, puis les estimations ont été comparées entre les visites. Les variables dont la moyenne ou la distribution variait en fonction des visites ont été considérées comme des variables pouvant expliquer les censures. Un total de 19 variables ont été ainsi retenues
pour faire partie des modèles de censure, parmi lesquelles deux ont dû être finalement exclues parce qu’elles causaient des problèmes de convergence dans nos modèles de régression logistique de la censure (statut matrimonial (mariée, divorcée/séparée, veuve, célibataire) et avoir identifié le condom comme méthode efficace pour se protéger du VIH (oui, non)).
Quatre modèles (soit un modèle par visite avec censures (M6, M12, M18 et M24)) de régression logistique de la censure en fonction des 17 variables retenues ont été construits. Les variables explicatives retenues sont les suivantes : âge (continue), nationalité (Béninoise, autre), éducation (aucune, primaire, secondaire 1er cycle, >secondaire 1er cycle),
usage de contraception (oui, non), avoir déjà été enceinte (oui, non), nombre d’accouchements à vie (continue), nombre d’années dans le travail du sexe (continue), lieu de travail (maison close, bars/boîte de nuit, rue), avoir voyagé dans un autre pays dans les 12 derniers mois (oui, non), avoir déjà eu une IST (oui, non), avoir déjà été transfusée (oui, non), avoir identifié l’abstinence comme méthode efficace pour se protéger du VIH (oui, non), avoir identifié la fidélité comme méthode efficace pour se protéger du VIH (oui, non), avoir l’intention de toujours utiliser le condom si devait être infectée par le VIH (oui, non), niveau d’inquiétude quant à la possibilité d’être infectée par le VIH (pas/peu inquiète, très inquiète), nombre de clients dans les deux derniers jours (continue), avoir eu un partenaire régulier dans les 12 derniers mois (oui, non).
Pour chaque modèle, les hypothèses de linéarité, d’absence de multicolinéarité, d’observations influentes et de séparation complète ou quasi-complète ont été vérifiées, à la suite de quoi des tendances résiduelles ont été repérées pour les variables continues « âge » et « nombre d’accouchements à vie ». Des termes quadratiques ont donc été ajoutés aux modèles pour ces deux variables, faisant ainsi disparaître les tendances résiduelles.
Les poids ont été calculés pour chaque participante non censurée à l’aide de la formule 3- 1 et normalisés en les divisant par leur moyenne afin de retrouver une taille de population similaire à la taille initiale de l’échantillon. Enfin, les poids ont été appliqués au moment de lancer les modèles de régression log-binomiale tels que décrits au chapitre 6 tout en utilisant un estimateur robuste des erreurs-types afin de tenir compte de l’estimation des poids.
: A novel nested polymerase chain
reaction targeting the testis-specific protein Y-
encoded family of genes for high sensitivity of
recent semen exposure detection: a comparison
with six commonly used detection methods of
unprotected sex
Katia Giguère1,2, François A. Leblond3, Ella Goma-Matsétsé4, Vibhuti Dave5, Luc
Béhanzin1,4,6, Fernand A. Guédou1,4, Michel Alary1,2,7
1 Centre de recherche du CHU de Québec – Université Laval, Québec, Canada 2 Département de médecine sociale et préventive – Université Laval, Québec, Canada 3 Independent consultant, Montréal, Canada
4 Dispensaire IST, Centre de santé communal de Cotonou 1, Bénin
5 Centre de Recherche de l'Hôpital Maisonneuve Rosemont, Montréal, Canada
6 École Nationale de Formation des Techniciens Supérieurs en Santé Publique et en
Surveillance Épidémiologique, Université de Parakou, Bénin
7 Institut national de santé publique du Québec, Québec, Canada
Corresponding author: Katia Giguère, Centre de recherche du CHU de Québec-Université Laval, Hôpital du Saint-Sacrement, 1050 Chemin Ste-Foy, Québec, QC, G1S 4L8, Canada Tel. : 418-682-7511, 82677
E-mail : katia.giguere@crchudequebec.ulaval.ca