appariement statistique n.m.
statistical matching
En statistique, l’appariement est une méthode utilisée pour évaluer l’effet d’un traitement en comparant des individus visant à rendre les groupes les plus semblables possibles.
La méthode la plus précise pour mesurer l’effet d’un traitement est de mener une étude expérimentale où un certain nombre de patients sont randomisés (c’est-à-dire déterminés par tirage au sort) en deux groupes, l’un qui reçoit le traitement (groupe intervention), et l’autre qui reçoit un autre traitement ou un placebo (groupe témoin). Lorsque la randomisation est effectuée correctement, il n’y a pratiquement aucun risque de différences entre les deux groupes quant aux caractéristiques de base. L’appariement est parfait. Il s’agit donc d’un essai de phase 3, (indiqué après l’essai de phase 1 qui évalue la toxicité du traitement, l’essai de phase 2 qui évalue la posologie optimale et avant la phase 4, après la mise sur le marché qui évalue à long terme les effets indésirables rares du médicament). Dans l’essai de phase 3, le médicament testé est comparé au médicament de référence ou à un placebo. Les médicaments doivent être administrés « en aveugle » ou, lorsque cela est possible en « double aveugle ». Le critère de jugement principal est le critère qui va servir à définir l’efficacité du traitement étudié (survie, raccourcissement de la durée de la maladie…). Le calcul du nombre de sujets nécessaires dépend de la différence minimale à laquelle on s’intéresse. La puissance du test est la probabilité minimale de mettre en évidence une différence quand elle existe. Les tests statistiques de comparaison utilisés dépendent de la taille des échantillons. Lorsqu’on compare deux moyennes ou deux pourcentages sur de grands échantillons, on peut tester l’hypothèse nulle, c’est-à-dire que la moyenne des 2 échantillons est égale ou l’hypothèse alternative c’est-à-dire que la moyenne des 2 échantillons est différente. En cas de comparaison de 2 moyennes de petits échantillons, les tests statistiques utilisés sont différents lorsque les variables sont distribuées selon une loi normale (test t de Student Fischer) ou non normale (tests non paramétriques).
On peut aussi réaliser des études d’observations sur des cohortes de patients analysés de façon rétrospective ou prospective. Les facteurs de confusion doivent être éliminés le plus possible. On a le choix entre différentes techniques parmi lesquelles l’appariement entre le groupe traité et le groupe non traité est fait avant l’analyse. Les facteurs de confusion doivent être identifiés. La probabilité de suivre un traitement déterminé (la propension à se le voir prescrire) dépendra donc d’un certain nombre de facteurs de confusion. Il est possible d’utiliser un score « le score de propension »qui signifie tendance, qui désigne la probabilité d’être exposé à un traitement. À l’aide d’un programme informatique, on peut ensuite apparier le groupe sous traitement à celui qui n’y est pas exposé en veillant à ce que la différence absolue entre les scores de propension soit la plus petite possible.