Qualité des données

Selon la plateforme de données utilisée, les données disponibles étaient plus ou moins de bonne

qualité. Dans le cadre de l’enquête transversale menée au sein du programme Grandir, ou encore dans le projet MONOD, la récolte des données s’est faîte de façon quasi-optimale, avec peu de données manquantes, une standardisation des mesures dans chaque site participant, et des analyses de contrôle qualité des données dans MONOD.

Concernant la cohorte IeDEA pWADA, on peut s’interroger sur cette qualité des données. En effet, les données datant d’avant 2006, année de mise en place de la collaboration, ont été récoltées de façon rétrospective à partir des dossiers médicaux. Certains dossiers pouvaient être incomplets, et ne pas contenir tous les informations demandées pour la base de données, avec des différences possibles selon les centres de prise en charge. Après 2006, la collecte des données s’est faite de manière prospective. Cependant la mesure de certaines variables, comme le poids et la taille, a pu varier d’un centre à l’autre, dépendre du personnel soignant et du matériel utilisé, conduisant à un biais de mesure, probablement non-différentiel. La taille était moins souvent documentée que le poids. Dans la base de données de la cohorte, il arrivait de voir des données incohérentes sur le poids et la taille d’un suivi à l’autre, avec un Z-score augmenté ou diminué d’au moins 2 ET entre deux visites espacées de moins de six mois. Ces données aberrantes étaient supprimées avant analyse des résultats.

Un nombre important de données manquantes pour certaines variables, comme le statut

immunitaire ou l’état nutritionnel dans certaines études, est à noter.

Ainsi, à l’initiation du TAR, au moins un tiers des enfants n’avaient pas de documentation du statut immunitaire, notamment dans les études sur la cohorte IeDEA pWADA. Certains stades

173 d’immunodépression ne pouvaient pas être déterminés chez les plus jeunes, car les CD4 n’étaient pas exprimés en % mais seulement en cellules/mm3, sans possibilité de convertir ces données. Il est aussi possible qu’une partie des enfants avec des CD4 manquants à l’initiation étaient justement ceux à un stade clinique avancé de l’infection, dont le TAR débutait immédiatement, avant même de connaître leur taux de CD4. Même si ce taux de CD4 à l’initiation était finalement mesuré au cours d’analyses ultérieures, il n’y avait pas forcément de retour dans le dossier médical pour compléter ces données. La proportion de ces données manquantes à l’initiation était trop grande pour envisager d’utiliser une imputation multiple. De plus, exclure les enfants sans données sur le statut immunitaire aurait considérablement réduit l’échantillon, résultant en un manque de puissance statistique. Cela aurait également entrainé un biais de sélection, les enfants avec des données manquantes pouvant justement être à un stade plus avancé de la maladie. Une modalité « donnée manquante» a donc été considérée pour analyser le facteur «immunodépression» dans la plupart des analyses.

Concernant les données anthropométriques, nous avons également vu qu’elles pouvaient être manquantes pour une part importante d’enfants au cours du suivi, et à l’initiation du TAR. Ainsi, près de 45 % des enfants de la cohorte IeDEA pWADA ont dû être exclus de l’analyse sur le rattrapage de la croissance car ils n’avaient pas de données de poids ou de taille à l’initiation et au suivi. Les taux de perdus de vue et de décès étaient plus élevés chez ces enfants exclus que chez les enfants inclus dans les analyses. Ces enfants exclus pouvaient être à un stade plus avancé de l’infection, et présenter une malnutrition qui n’aurait pas été prise en compte lors de la visite. Ceci a pu conduire à un biais de sélection de la population, dans le sens d’une sous-estimation des prévalences de la malnutrition mesurées, et à une sous-estimation de l’association entre avancée de la maladie et malnutrition.

Dans l’analyse sur l’évolution de la croissance, nous avons fait le choix de conserver les enfants sans données anthropométriques à l’initiation du TAR, une seule donnée au cours du suivi permettait d’inclure l’enfant, l’analyse par modèle linéaire mixte étant robuste aux données manquantes (227). Une modalité « manquant » a été rajoutée pour la variable « malnutrition à l’initiation », pour les mêmes raisons méthodologiques que l’immunodépression. Elle concernait de 5 à 18 % des enfants selon les analyses (Poids pour âge et Poids pour Taille/IMC pour âge respectivement).

Dans des prochaines analyses, il serait intéressant de traiter certaines de ces données manquantes avec des méthodes d’imputation multiple pour améliorer la précision des estimations obtenues.

Les variables à disposition étaient parfois insuffisantes pour l’étude de la malnutrition chez l’enfant

infecté par le VIH, surtout au sein de la cohorte IeDEA pWADA, qui récoltait des données programmatiques générales, de type socio-démographique, immunologique et clinique, en lien avec l’infection à VIH, mais peu de données spécifiques à la nutrition. Ainsi, à part les données anthropométriques, nous n’avions pas d’autres informations nutritionnelles à disposition, telles que

174 le soutien alimentaire éventuellement apporté, montrant la limite de ce type de cohorte de grande taille. Les données métaboliques ainsi que les données d’allaitement et de poids à la naissance étaient trop peu renseignées pour être exploitées dans la cohorte IeDEA.

De plus, les co-morbidités survenant au cours du suivi auraient pu influer sur l’état nutritionnel, notamment sur la variation en poids à court terme, mais nous avions trop peu d’informations sur ces aspects dans la cohorte IeDEA. Les études menées au sein des collaborations MONOD, Grandir ou Esther ont pu apporter des informations supplémentaires sur ces aspects nutritionnels, mais pour un échantillon d’enfants beaucoup plus réduit.