Modèles à effets fixes et à effets aléatoires en méta-analyse

Une revue systématique est une approche méthodique visant à synthétiser les preuves répondant à une question clinique structurée. Elle emploie des méthodes systématiques et explicites pour rechercher, identifier, sélectionner, évaluer de manière critique, extraire et analyser les données des études pertinentes. La méta-analyse, quant à elle, est une technique statistique combinant les résultats quantitatifs d’études primaires abordant la même question pour générer une estimation synthétique pondérée et un intervalle de confiance (IC). Les méta-analyses augmentent la puissance statistique, améliorent la précision et répondent à des questions que les essais individuels ne peuvent résoudre par manque de puissance. Bien que toutes les revues systématiques ne nécessitent pas de méta-analyse, lorsqu’elles sont réalisées et rapportées correctement, elles fournissent des informations précieuses pour les cliniciens, chercheurs et décideurs.

Pour comprendre les modèles à effets fixes et à effets aléatoires, considérons l’analogie suivante. Supposons que cinquante enseignants participent à une étude évaluant l’efficacité d’un nouveau programme de mathématiques. Les classes de chaque enseignant sont randomisées : la moitié reçoit l’ancien programme et l’autre moitié le nouveau. L’impact des programmes sur les résultats des étudiants est ensuite mesuré. Ce scénario soulève deux questions avec des hypothèses sous-jacentes distinctes.

Question 1 : Parmi ces cinquante enseignants (et aucun autre), quel est l’impact des deux programmes sur les scores des étudiants ? (Hypothèse 1 : L’effet du nouveau programme est identique chez tous les enseignants.)

Question 2 : Parmi tous les enseignants susceptibles de dispenser ce cours (dont ces cinquante sont un échantillon aléatoire), quel est l’impact des programmes ? (Hypothèse 2 : L’effet du nouveau programme varie selon les enseignants. Par exemple, certains enseignants s’adaptent mieux au nouveau programme.)

La différence entre ces scénarios réside dans les questions et hypothèses. Cherchons-nous l’effet chez ces enseignants spécifiques ou dans une population générale ? L’effet relatif est supposé identique ou variable. En remplaçant « enseignants » par « études » et « programmes » par « thérapies », nous obtenons les modèles à effets fixes (Question 1) et à effets aléatoires (Question 2).

En méta-analyse, les données des études éligibles peuvent être combinées via un modèle à effets fixes ou à effets aléatoires. Le choix entre ces modèles reste un sujet de débat parmi les biostatisticiens. Le Tableau 1 résume leurs différences sur les plans conceptuel, statistique et pratique.

Modèle à effets fixes

Ce modèle suppose que toutes les études incluses partagent un seul effet vrai. La variation observée est attribuée aux erreurs aléatoires. Si toutes les études avaient un échantillon infini et étaient exemptes de biais, elles produiraient des estimations identiques. Ainsi, les différences de population, mise en œuvre des interventions ou suivi n’influencent pas l’effet. La variabilité provient uniquement des erreurs intra-études.

L’objectif est d’estimer cet effet commun et son incertitude. Ce modèle convient lorsque les études partagent la même méthodologie ou que la variabilité inter-études est faible, attribuée au hasard.

Modèle à effets aléatoires

Ce modèle suppose que les études incluses constituent un échantillon aléatoire d’une population hypothétique d’études. Aucun effet vrai unique n’existe ; les effets varient réellement entre études. Même avec des échantillons infiniment grands, les effets observés différeraient en raison de variations réelles. Les estimations suivraient une distribution normale.

Ce modèle intègre la variabilité intra-étude et inter-études (hétérogénéité). Le test statistique d’hétérogénéité évalue l’hypothèse nulle d’un effet identique. L’objectif est d’estimer l’effet moyen de l’intervention. Ce modèle est choisi lorsque les études diffèrent dans leurs effets sous-jacents, même en l’absence d’hétérogénéité significative.

Impact du choix du modèle

Le modèle influence la précision de l’estimation synthétique. Avec un modèle à effets fixes, l’erreur provient uniquement des variations intra-études. Avec un modèle à effets aléatoires, les deux sources de variabilité sont considérées. En cas de forte hétérogénéité, l’IC sera plus large avec le modèle à effets aléatoires, produisant une évaluation plus conservative.

La Figure 1A illustre quatre études de taille similaire avec une variabilité minimale : les IC des deux modèles sont comparables. La Figure 1B montre des données hypothétiques très hétérogènes, entraînant un IC nettement plus large avec le modèle à effets aléatoires.

Le choix du modèle affecte également l’estimation ponctuelle. Dans une méta-analyse, chaque étude est pondérée selon son information (liée à sa variance, elle-même dépendante de la taille de l’échantillon). Les grandes études (variance faible) ont un poids plus élevé que les petites. Cependant, les modèles à effets aléatoires atténuent cette différence : les poids sont plus équilibrés, permettant aux petites études d’influencer davantage l’estimation synthétique.

La Figure 1C montre l’effet des petites études sur l’estimation synthétique. L’estimation du modèle à effets aléatoires se rapproche davantage des résultats des petites études.

Exemples concrets

Une méta-analyse comparant les inhibiteurs calciques (CCB) aux bêta-bloquants dans l’hypertension (Figure 2A) montrait une hétérogénéité nulle (I² = 0 %, P = 0,45). Les deux modèles produisaient des résultats identiques.

Une comparaison CCB vs inhibiteurs de l’ECA (Figure 2B) montrait une faible hétérogénéité (I² = 45,5 %), avec des résultats similaires entre modèles.

En revanche, une méta-analyse sur les stratégies de transfusion (restrictive vs libérale) chez des patients anémiques avec infarctus (Figure 2C) révélait une hétérogénéité importante (I² = 59,1 %, P = 0,09). Le modèle à effets aléatoires suggérait une mortalité accrue avec la stratégie restrictive (RR : 1,61 ; IC 95 % : 0,38–6,88 ; P = 0,52), tandis que le modèle à effets fixes indiquait un effet nul (RR : 0,99 ; IC 95 % : 0,59–1,65 ; P = 0,96). L’étude la plus large (Ducrocq et al.) avait un poids relatif de 92,62 % (modèle à effets fixes) contre 51,00 % (modèle à effets aléatoires).

Conclusion

Les méta-analyses utilisant des modèles à effets fixes ou aléatoires produisent des résultats similaires en l’absence d’hétérogénéité. En cas de forte variabilité, le modèle à effets aléatoires génère un IC plus large. Si les résultats divergent entre grandes et petites études, l’estimation du modèle à effets aléatoires se rapproche des petites études. Le choix du modèle ne doit pas reposer uniquement sur les tests d’hétérogénéité. Comprendre les implications de chaque modèle aide les cliniciens à interpréter les résultats dans des contextes hétérogènes.

doi.org/10.1097/CM9.0000000000002814