Skip to content
Retour aux résultats

Étude cas-témoins appariée

Introduite par
Brian MacMahon and others; systematised by Schlesselman (1982)
Année
1950s–1970s
Type
Observational analytic design
Famille
Clinical / epidemiology

Ce texte est une traduction automatique et n’a pas encore été relu. Lire l’original en anglais

Taille de police

À quoi sert-elle ?

Une étude cas-témoins appariée est un devis observationnel épidémiologique dans lequel chaque cas (une personne atteinte de la maladie ou de l'issue d'intérêt) est associé à un ou plusieurs témoins (personnes sans l'issue) qui partagent une ou plusieurs caractéristiques — telles que l'âge, le sexe ou le cadre clinique — afin de contrôler les facteurs de confusion.

L'historique d'exposition est ensuite comparé entre les cas et leurs témoins appariés pour estimer le rapport des cotes de l'association exposition-maladie.

L’intuition derrière la méthode

Considérez cela comme un détective associant des suspects à des sosies. Si vous voulez savoir si une exposition particulière a causé une maladie, vous trouvez un patient atteint de la maladie, puis vous localisez une ou plusieurs personnes similaires — même âge, même sexe, même hôpital — qui n'ont pas contracté la maladie. En gardant ces caractéristiques de fond identiques, toute différence dans l'historique d'exposition entre la paire est beaucoup plus susceptible de refléter un lien réel plutôt qu'un facteur de confusion. L'appariement resserre la comparaison de sorte que le signal soit plus clair, au détriment d'une certaine flexibilité dans l'analyse.

Histoire

Le devis cas-témoins a été formalisé en épidémiologie dans les années 1950, avec des études marquantes de Doll et Hill (1950) sur le tabagisme et le cancer du poumon utilisant des témoins hospitalisés. Le principe de l'appariement pour améliorer la comparabilité a été appliqué tôt et codifié par Brian MacMahon et ses collègues. Le manuel de James Schlesselman de 1982, Case-Control Studies, a établi le cadre analytique des devis appariés, y compris le rapport des cotes apparié et la régression logistique conditionnelle. L'article de Nathan Mantel et William Haenszel de 1959 a fourni des méthodes stratifiées fondamentales qui sous-tendent l'analyse appariée, et l'approche de régression logistique conditionnelle a été développée dans les années 1970-1980, devenant l'outil analytique standard pour les données cas-témoins individuellement appariées.

Quand l’utiliser

Utiliser une étude cas-témoins appariée lors de l'étude d'une maladie ou d'une issue rare pour laquelle une étude de cohorte complète nécessiterait des échantillons d'une taille irréalisable ou un suivi très long ; lorsque des facteurs de confusion spécifiques (tels que l'âge, le sexe ou le centre clinique) nécessitent un contrôle strict ; et lorsque les ressources permettent un appariement individuel et une analyse conditionnelle minutieux. Elle est particulièrement précieuse dans les contextes hospitaliers et les enquêtes sur les épidémies. N'utilisez pas l'appariement lorsque les variables d'appariement sont des intermédiaires potentiels sur la voie causale (sur-appariement), lorsque le nombre de cas est très faible et que des partenaires d'appariement ne peuvent être trouvés, ou lorsque des expositions variant dans le temps rendent l'appariement statique inapproprié — dans ces situations, une conception cas-croisement ou de cohorte peut être préférable. L'appariement n'élimine pas la confusion non mesurée.

Limites et points d’attention

  • Ne peut pas estimer la prévalence ou l'incidence de l'issue — seulement le rapport des cotes pour l'association exposition-issue.
  • Les variables d'appariement ne peuvent pas elles-mêmes être étudiées comme des expositions à moins que des méthodes analytiques complexes ne soient utilisées.
  • Le sur-appariement (appariement sur une variable associée à l'exposition mais pas à la maladie) gonfle la taille d'échantillon requise et biaise le rapport des cotes vers la valeur nulle.
  • Trouver des témoins appariés adéquats peut être difficile, en particulier pour des combinaisons rares de critères d'appariement, ce qui entraîne des cas non appariés qui doivent être exclus.
  • La structure appariée doit être maintenue dans l'analyse ; l'ignorer (en utilisant une régression logistique non conditionnelle) produit des estimations biaisées.

Les conditions de la source ne remplacent ni une revue scientifique indépendante ni la validation par un moteur d’analyse.

Points forts

  • Contrôle efficacement les facteurs de confusion forts (âge, sexe, centre clinique) par la conception plutôt que par le seul ajustement statistique.
  • Bien adapté aux issues rares pour lesquelles une cohorte complète n'est pas réalisable ; une fraction de l'échantillon non apparié peut atteindre une précision comparable.
  • Réduit la variabilité au sein des ensembles appariés, augmentant souvent l'efficacité statistique pour une taille d'échantillon donnée.
  • Largement accepté et bien compris dans les revues cliniques et épidémiologiques ; la régression logistique conditionnelle est standard et implémentée dans tous les principaux progiciels statistiques.

Applications

  • Enquêter sur les facteurs de risque de cancers rares en appariant des patients hospitalisés atteints de cancer à des témoins du même hôpital selon l'âge, le sexe et le service d'admission.
  • Enquêtes sur les épidémies dans lesquelles les cas de maladies d'origine alimentaire sont appariés à des témoins du voisinage selon la localisation géographique et l'occasion du repas.
  • Études pharmacoépidémiologiques examinant les réactions indésirables aux médicaments, avec des cas appariés à des témoins exposés aux médicaments selon l'indication, l'âge et la comorbidité.
  • Études d'épidémiologie professionnelle sur des expositions rares (par exemple, des agents chimiques spécifiques) avec des témoins appariés par industrie pour éliminer la confusion professionnelle.
  • Génétique épidémiologique où les cas et les témoins sont appariés par ethnie pour minimiser la stratification de la population avant le génotypage.
  • Études d'urgence et chirurgicales où l'admission à l'hôpital fournit un cadre d'appariement naturel pour les questions d'exposition-issue aiguës.

Comment ça marche

Comment ça marche

1

Formuler une définition précise du cas spécifiant la maladie ou l'issue, ses critères diagnostiques, la population éligible (population source) et la fenêtre temporelle. Identifier l'exposition d'intérêt et les facteurs de confusion que vous avez l'intention de contrôler par appariement. Pré-spécifier le ratio d'appariement (1:1, 1:2, etc.) et les variables d'appariement.

2

Recruter des cas incidents ou prévalents à partir d'une source définie telle que des dossiers hospitaliers, des registres de maladies ou un système de surveillance. Confirmer que chaque cas répond à la définition du cas. Sélectionner les témoins à partir de la même population source — personnes qui auraient été éligibles pour devenir un cas — en utilisant des stratégies d'échantillonnage basées sur l'hôpital, basées sur la population ou basées sur la densité.

3

Pour chaque cas, sélectionner un ou plusieurs témoins qui partagent les valeurs des variables d'appariement (par exemple, la même bande d'âge de cinq ans et le même sexe). L'appariement individuel (un-pour-un ou un-pour-plusieurs) lie chaque témoin à un cas spécifique ; l'appariement par fréquence équilibre les distributions sur l'ensemble de l'étude. Documenter le ratio d'appariement et toute largeur de calibres utilisée.

4

Déterminer le statut d'exposition pour les cas et leurs témoins appariés, en utilisant la même méthode de mesure pour les deux groupes afin d'éviter une mauvaise classification différentielle. Les sources courantes comprennent les entretiens, les dossiers médicaux, les données de biobanque ou les bases de données administratives. L'aveuglement des évaluateurs d'issues quant au statut cas/témoin réduit le biais d'information.

5

Analyser les données appariées avec une régression logistique conditionnelle (ou le test de McNemar pour les paires appariées 1:1) pour préserver la structure appariée. Pour une conception simple 1:1 appariée, le rapport des cotes apparié est estimé par OR = b/c, où b = paires discordantes avec cas exposé et témoin non exposé, et c = paires discordantes avec cas non exposé et témoin exposé. Ajuster pour les covariables supplémentaires dans le modèle conditionnel.

Formule
OR = (b / c)
6

Exprimer les résultats sous forme de rapports des cotes appariés avec des intervalles de confiance à 95 %. Évaluer si les variables d'appariement étaient appropriées, vérifier le sur-appariement (appariement sur un intermédiaire d'exposition) et évaluer la confusion résiduelle. Discuter de la validité externe par rapport à la population source.

Pièges courants

  • Sur-appariement : sélectionner des variables d'appariement qui se situent sur la voie causale entre l'exposition et la maladie (intermédiaires) supprime la variation nécessaire pour détecter l'association et biaise le OR vers 1,0.
  • Briser l'appariement dans l'analyse : analyser des données appariées avec une régression logistique standard (non conditionnelle) abandonne les gains d'efficacité de l'appariement et peut introduire un biais — utiliser toujours une régression logistique conditionnelle ou le test de McNemar.
  • Biais de rappel : si les cas se souviennent des expositions plus vivement que les témoins (rappel différentiel), le rapport des cotes sera surestimé ; utiliser des enregistrements objectifs ou des biomarqueurs si possible.
  • Ignorer les cas non appariés : exclure les cas pour lesquels aucun témoin apparié n'a été trouvé peut introduire un biais de sélection si l'exclusivité est liée à l'exposition.
  • Contrôle insuffisant de la confusion résiduelle : l'appariement sur des catégories larges (par exemple, des bandes d'âge de dix ans) laisse la confusion intra-catégorie non traitée ; affiner les catégories ou ajuster pour l'âge en continu dans le modèle.

Questions fréquentes

Pourquoi dois-je utiliser la régression logistique conditionnelle plutôt que la régression logistique ordinaire ?

Dans une étude individuellement appariée, le cas et ses témoins appariés forment une strate. La régression logistique non conditionnelle traite toutes les strates comme un seul échantillon groupé, ce qui produit des estimations biaisées car les intercepts des ensembles appariés sont traités comme des paramètres fixes — conduisant au problème des paramètres incidents. La régression logistique conditionnelle conditionne sur la statistique suffisante pour chaque ensemble apparié, éliminant les intercepts spécifiques à la strate et produisant un rapport des cotes apparié non biaisé.

Qu'est-ce que le sur-appariement et pourquoi est-il nuisible ?

Le sur-appariement se produit lorsque vous apparié sur une variable qui est associée à l'exposition mais pas indépendamment à la maladie (ou est un intermédiaire sur le chemin causal). Parce que les cas et les témoins ont alors des antécédents d'exposition similaires par conception, le contraste entre les groupes est réduit, le rapport des cotes est biaisé vers 1, et un échantillon plus grand est nécessaire pour obtenir la même puissance. Évitez d'apparier sur des variables qui pourraient être des conséquences en aval de l'exposition.

Comment choisir le ratio d'appariement ?

Un ratio de 1:1 est le plus courant et le plus facile à gérer. Passer à 1:2 ou 1:3 témoins par cas améliore la précision lorsque les cas sont rares mais les témoins abondants ; le gain d'efficacité diminue au-delà de 1:4 et justifie rarement la complexité ajoutée. Si les cas sont très rares et les témoins abondants, un ratio de 1:4 est souvent considéré comme le maximum pratique.

Puis-je étudier plusieurs expositions dans la même étude cas-témoins appariée ?

Oui. Le modèle de régression logistique conditionnelle peut inclure plusieurs variables d'exposition simultanément, permettant l'évaluation de plusieurs facteurs de risque tout en préservant la structure appariée. Cependant, chaque exposition supplémentaire ajoute des paramètres et nécessite un échantillon de taille adéquate ; évitez le dragage de données en pré-spécifiant les expositions primaires et secondaires dans un protocole d'étude.

Quelle est la différence entre l'appariement individuel et l'appariement par fréquence ?

L'appariement individuel (par paire) lie chaque cas spécifique à un ou plusieurs témoins spécifiques sur des variables d'appariement, nécessitant une analyse conditionnelle. L'appariement par fréquence garantit que la distribution globale des variables d'appariement est équilibrée entre les cas et les témoins, mais ne crée pas de paires spécifiques aux cas ; il peut être analysé avec une régression logistique non conditionnelle ajustée pour les variables d'appariement. L'appariement individuel offre un contrôle plus strict mais est logistiquement plus exigeant et contraint l'analyse.

Méthodes associées

Sources

  1. Rothman, K. J., Greenland, S., & Lash, T. L. (2008). Modern Epidemiology (3rd ed.). Lippincott Williams & Wilkins.

    ISBN : 978-0781755474
    Copié.
  2. Schlesselman, J. J. (1982). Case-Control Studies: Design, Conduct, Analysis. Oxford University Press.

    ISBN : 978-0195029338
    Copié.