Posé le 29 novembre 2018 par Maximilian Siebert
L’hétérogénéité n’est pas quelque chose dont il faut avoir peur, cela signifie simplement qu’il y a une variabilité dans vos données. Ainsi, si l’on rassemble différentes études pour les analyser ou faire une méta-analyse, il est clair que l’on trouvera des différences. Le contraire de l’hétérogénéité est l’homogénéité signifiant que toutes les études montrent le même effet.
Il est important de noter qu’il existe différents types d’hétérogénéité :
- Clinique : Différences entre les participants, les interventions ou les résultats
- Méthodologiques : Différences dans la conception de l’étude, risque de biais
- Statistique : Variation des effets ou des résultats de l’intervention
Nous nous intéressons à ces différences car elles peuvent indiquer que notre intervention ne fonctionne peut-être pas de la même manière à chaque fois qu’elle est utilisée. En étudiant ces différences, vous pouvez atteindre une compréhension beaucoup plus grande des facteurs qui influencent l’intervention, et quel résultat vous pouvez attendre la prochaine fois que l’intervention est mise en œuvre.
Bien que l’hétérogénéité clinique et méthodologique soit importante, ce blog se concentrera sur l’hétérogénéité statistique.
Comment identifier et mesurer l’hétérogénéité
Eyeball test
Dans votre diagramme forestier, jetez un œil aux intervalles de confiance qui se chevauchent, plutôt que de voir de quel côté se trouvent vos estimations d’effet. Le fait que les résultats soient de part et d’autre de la ligne d’absence d’effet peut ne pas affecter votre évaluation de la présence ou non d’hétérogénéité, mais cela peut influencer votre évaluation de l’importance de l’hétérogénéité.
Avec cela en tête, jetez un coup d’œil au graphique ci-dessous et décidez quel tracé est le plus homogène.
Bien sûr, le plus homogène est le tracé numéro 1 . Les intervalles de confiance se chevauchent tous et en plus de cela, toutes les études favorisent l’intervention de contrôle.
Pour les personnes qui aiment mesurer les choses au lieu de les regarder à l’œil, ne vous inquiétez pas, il existe encore quelques méthodes statistiques pour vous aider à saisir le concept d’hétérogénéité.
Test de chi-carré (χ²)
Ce test suppose l’hypothèse nulle que toutes les études sont homogènes, ou que chaque étude mesure un effet identique, et nous donne une valeur p pour tester cette hypothèse. Si la valeur p du test est faible, nous pouvons rejeter l’hypothèse et l’hétérogénéité est présente.
Parce que le test n’est souvent pas assez sensible et que l’exclusion erronée de l’hétérogénéité arrive rapidement, beaucoup de scientifiques utilisent une valeur p de < 0,1 au lieu de < 0,05 comme seuil.
I²
Ce test a été développé par le professeur Julian Higgins et a une théorie pour mesurer l’étendue de l’hétérogénéité plutôt que de dire si elle est présente ou non.
Les seuils pour l’interprétation de I² peuvent être trompeurs, car l’importance de l’incohérence dépend de plusieurs facteurs. Un guide approximatif d’interprétation est le suivant :
- 0% à 40% : pourrait ne pas être important
- 30% à 60% : hétérogénéité modérée
- 50% à 90% : hétérogénéité substantielle
- 75% à 100% : hétérogénéité considérable
Pour comprendre la théorie ci-dessus, regardez l’exemple suivant.
Nous pouvons voir que la valeur p du test du chi-deux est de 0,11, confirmant l’hypothèse nulle et suggérant ainsi l’homogénéité. Cependant, en regardant les interventions, nous pouvons déjà voir une certaine hétérogénéité dans les résultats. De plus, la valeur I² est de 51%, suggérant une hétérogénéité modérée à substantielle.
C’est un bon exemple de la façon dont le test du χ² peut être trompeur lorsqu’il n’y a que quelques études dans la méta-analyse.
Comment gérer l’hétérogénéité?
Une fois que vous avez détecté la variabilité dans vos résultats, vous devez la gérer. Voici quelques étapes sur la façon dont vous pouvez traiter cette question :
- Vérifiez vos données pour détecter les erreurs – Revenez en arrière et voyez si vous avez peut-être tapé quelque chose de faux
- Ne faites pas de méta-analyse si l’hétérogénéité est trop élevée – Toutes les revues systématiques n’ont pas besoin d’une méta-analyse
- Explorer l’hétérogénéité – Cela peut être fait par une analyse de sous-groupe ou une méta-régression
- Faire une méta-analyse à effets aléatoires – Gardez à l’esprit que cette approche concerne l’hétérogénéité qui ne peut pas être expliquée parce qu’elle est due au hasard
- Changer les mesures d’effet – Disons que vous utilisez la différence de risque et que l’hétérogénéité est élevée, alors essayez le rapport de risque ou le rapport de cotes
(1) Fletcher, J. Qu’est-ce que l’hétérogénéité et est-elle importante ? BMJ 2007 ; 334 :94
(2) Deeks JJ, Higgins JPT, Altman DG (éditeurs). Chapitre 9 : Analyser les données et entreprendre des méta-analyses. Dans : Higgins JPT, Green S (éditeurs). Cochrane Handbook for Systematic Reviews of Interventions Version 5.1.0 . The Cochrane Collaboration, 2011. Disponible sur www.cochrane-handbook.org.
(3) https://www.mathsisfun.com/data/chi-square-test.html
.