Risk of bias: why measure it, and how?
Eye, 36(2), 346-348, 2022
Phillips et al.
DOI : 10.1038/s41433-021-01759-9
Article complet : lien
Résumé
Qu’est-ce que le risque de biais ?
Les cliniciens et les chercheurs lisent et interprètent régulièrement des essais contrôlés randomisés (ECR) pour éclairer leur pratique… mais comment peuvent-ils être sûrs que l’ECR est précis et fiable ? Tous les essais contrôlés randomisés ne sont pas identiques et il convient donc d’examiner attentivement si les résultats d’un essai contrôlé randomisé méritent de modifier la manière dont vous prendrez en charge vos futurs patients. La meilleure façon d’évaluer la validité d’un essai contrôlé randomisé est de comprendre les risques possibles de biais pour cette étude particulière. Il y a biais lorsqu’un élément de la conception ou de l’exécution d’une étude a des répercussions systématiques sur les résultats de l’étude qui s’écartent de la vérité. Lorsqu’un tel biais existe, une étude peut entraîner une surestimation ou une sous-estimation de la vérité, compromettant la validité des conclusions ou des résultats de l’étude, même si toutes les autres facettes de l’étude étaient appropriées [1,2,3]. Imaginez, par exemple, que vous fournissiez des conseils de navigation à l’aide d’une boussole qui n’indique pas précisément le « Nord », mais qui a tendance à pointer vers le « Nord-Est ». Même si vous fournissez des instructions de navigation complètes à un compagnon de voyage, le résultat final ne sera pas exact en raison du biais dû à l’imprécision de la boussole. De la même manière, une étude par ailleurs solide mais présentant une certaine forme de biais peut fournir aux cliniciens et aux patients des résultats qui ne sont pas exacts, en dépit de l’exhaustivité de l’enquête. Il en est de même pour un test sensé mesurer telle ou telle fonction ou performance, mais dont la cible réelle est différente ou partielle. Dans cette optique, il est important de comprendre les types de biais qui peuvent exister dans les essais contrôlés randomisés, comment détecter ces biais potentiels et comment interpréter les résultats d’une étude dans le contexte de ces biais possibles.
Quels sont les types de biais existants et comment les évaluer ?
Il existe cinq formes principales de biais qu’il est important de prendre en compte dans les essais cliniques : Biais de sélection, biais de performance, biais de détection, biais d’attrition et biais de déclaration (tableau 1) [1, 3]. L’outil dit Cochrane d’évaluation du risque de biais est l’outil d’évaluation des biais de référence pour les essais cliniques randomisés, car il évalue le risque de chacune de ces formes de biais [3]. Nous présentons ci-dessous un résumé de chaque forme de biais et discutons de la manière de minimiser le risque de chaque biais lors de la conception, de la conduite, de l’analyse et de la communication des essais.
Biais de sélection
Les essais contrôlés randomisés de grande qualité randomisent les patients et, ce qui est important, dissimulent cette randomisation. Pourquoi ? Pour limiter le biais de sélection. Le biais de sélection est décrit comme une différence fondamentale entre les patients inclus dans les groupes de traitement d’une étude en raison de la manière dont les patients ont été répartis dans les groupes de traitement [1, 4]. Pour évaluer le biais de sélection, il faut tenir compte à la fois des méthodes de génération de séquences aléatoires et de dissimulation de l’allocation de l’ECR [3].
La génération de séquences fait référence à la méthode par laquelle les patients ont été répartis de manière aléatoire dans les groupes de traitement. Une séquence réellement aléatoire pour l’attribution du traitement signifie que les caractéristiques de base des deux groupes seront intrinsèquement équilibrées, mais un biais dans cette attribution peut entraîner des différences systématiques entre les groupes de comparaison [1, 3]. Certains risques de biais dus à la génération de séquences peuvent exister en raison de méthodes d’attribution non ou quasi-randomisées. Ces méthodes peuvent permettre aux cliniciens de choisir le traitement que les patients recevront dans le cadre de l’étude en fonction de leur expertise et de leurs expériences antérieures (c’est-à-dire un facteur non aléatoire). En outre, la dissimulation de l’allocation fait référence aux méthodes utilisées pour empêcher quiconque de prédire ou de déduire l’allocation des patients [3]. Une bonne dissimulation de l’allocation peut empêcher quiconque au sein de l’équipe de recherche de déterminer ou de prédire quel patient a reçu quel traitement dans le cadre de l’essai. En résumé, la génération de séquences fait référence à la manière dont les patients sont répartis dans les groupes de comparaison, et la dissimulation de l’attribution fait référence à la manière dont cette attribution est tenue secrète pour toutes les parties concernées.
Biais de performance
Qu’en est-il des facteurs susceptibles d’influencer les performances d’un patient ou d’un clinicien au cours d’un essai clinique randomisé ? Il peut y avoir un biais de performance s’il existe des différences entre les groupes de l’étude en raison de différences systématiques de performance en dehors du traitement reçu dans le cadre de l’étude [1]. Les risques de biais de performance peuvent résulter des méthodes de masquage (ou d’aveuglement) des participants et du personnel [1]. Si le masquage est correctement mis en œuvre, on peut être sûr qu’il n’y a pas eu d’influence supplémentaire et indue sur le résultat des patients en dehors de l’intervention assignée [3, 5]. De nombreux résultats essentiels impliquant une réponse subjective, tels que les évaluations de l’acuité visuelle ou de la douleur, pourraient être faussés si le patient ou l’évaluateur étaient au courant de l’attribution du traitement. Lors de l’évaluation du biais de performance, il est important de se demander si l’absence de masquage peut raisonnablement avoir un impact sur les résultats évalués [1].
Biais de détection
Les biais antérieurs se sont concentrés sur les méthodes de randomisation et de masquage des patients et des cliniciens, mais qu’en est-il des biais dans la manière dont les résultats sont mesurés ? Le biais de détection peut être décrit comme la possibilité de différences entre les groupes de comparaison en ce qui concerne la façon dont les résultats sont mesurés ou évalués [1]. Le biais de détection est également axé sur le concept de masquage ; toutefois, c’est l’évaluateur des résultats qui doit être masqué afin d’atténuer le biais de détection [3]. Le masquage des évaluateurs de résultats garantit que les méthodes de mesure d’un résultat ne diffèrent pas entre les patients alloués aux groupes de comparaison, ce qui signifie que la mesure du résultat est cohérente pour tous les participants à l’étude [1, 3].
Biais d’attrition
Une fois que les patients ont été inclus dans un essai clinique randomisé, il est toujours possible qu’ils se retirent de l’étude avant d’avoir terminé leur suivi. Le biais d’attrition peut résulter d’une cause systématique d’abandon des patients dans une étude qui affecte de manière disproportionnée un certain sous-ensemble de patients [1]. Si une cause d’abandon est présente – ou plus prédominante – dans les groupes de comparaison, le déséquilibre des abandons pourrait avoir un impact sur les résultats et les conclusions tirées de l’étude [1, 3]. Si un groupe spécifique de patients était plus susceptible de se retirer de l’étude au sein de l’un des groupes de comparaison, le déséquilibre aurait des implications évidentes sur les résultats [1, 6].
Biais de déclaration
La dernière forme de biais que tout clinicien doit prendre en compte lorsqu’il lit un essai clinique randomisé est le biais de déclaration. Ce type de biais peut survenir lorsque les résultats rapportés dans les résultats d’une étude suscitent des inquiétudes [1]. La notification sélective des résultats est la principale préoccupation dans cette forme de biais, qui se réfère à la notification de certains résultats mesurés, mais pas tous, dans les résultats d’une étude [1, 3]. Ce biais se manifeste généralement par le fait qu’une étude fait état de résultats significatifs tout en omettant des résultats qui ne le sont pas [1, 7]. Bien que ce phénomène puisse être difficile à détecter, il souligne l’importance d’un protocole d’étude prédéfini qui identifie tous les résultats qui seront évalués. En tant que lecteur, vous devez rechercher activement la confirmation de cette étape importante.
Comment interpréter les évaluations des risques de biais ?
La prochaine fois que vous lirez un essai clinique randomisé, tenez compte de ces risques de biais avant de modifier votre pratique clinique. Les ECR dont le risque de biais est jugé élevé doivent être interprétés avec prudence, car les biais ont une incidence directe sur la validité des résultats [1]. Des études empiriques ont montré que les études présentant un risque élevé de biais peuvent conduire à une exagération des effets du traitement au sein des essais par rapport aux études présentant un faible risque de biais [8, 9]. Il est courant d’évaluer les risques de biais d’une étude en se basant uniquement sur les informations fournies dans le manuscrit de l’étude, mais des informations insuffisantes ne sont pas synonymes d’une conduite biaisée [3]. Il s’agit d’une distinction importante à faire en ce qui concerne l’évaluation du risque de biais, qui nécessite une réflexion approfondie sur les implications potentielles en termes de validité des décisions relatives à la conception de l’étude. Vous pouvez vous référer au Cochrane Handbook for Systematic Reviews of Interventions, « Chapter 8 : Risk of Bias in Randomized Trials » pour un guide complet sur l’évaluation du risque de biais pour les essais contrôlés randomisés [1].
| Bias | Summary | Example |
|---|---|---|
| Selection bias | Bias due to the methods used to assign patients to study treatment groups. | A surgeon in a glaucoma laser versus topical medicine RCT can accurately guess the allocation of future patients. They may then preferentially wait to identify the “ideal” patient for each treatment arm, opposed to having them assigned at random. |
| Performance bias | Bias that occurs when patients or clinicians are aware of the assigned treatment, and perform differently as a result. | A patient learns that they received the placebo treatment in a study. When they are performing a visual acuity test they, consciously or subconsciously, do not perform their best due to knowing they received a null treatment. |
| Detection bias | Bias in the measurement of study outcomes when outcome assessors are aware of the assigned treatment. | A surgeon grading post operative inflammation in an ophthalmology RCT is not masked to the patient’s treatment, and this knowledge influences their assessments based on prior knowledge and experiences. |
| Attrition bias | Bias due to an influencing factor that causes non-random withdrawals from the study groups. | A study assessing visual acuity after retinal detachment has a large number of withdrawals that occurred primarily in patients of lower socioeconomic status. |
| Reporting bias | Bias in the outcomes reported by a study, mainly when non-significant findings are ignored. | A published RCT on cataract surgery stated that they would assess visual acuity, adverse events, and quality of life within their protocol; however, only visual acuity and adverse event outcomes are reported in the manuscript. |
Les références bibliographiques
Schulz KF, Chalmers I, Hayes RJ, Altman DG. Empirical evidence of bias. Dimensions
of methodological quality associated with estimates of treatment effects in con-
trolled trials. JAMA. 1995;273:408–12. https://doi.org/10.1001/jama.273.5.408.
The Cochrane Collaboration. Cochrane Handbook for Systematic Reviews of
Interventions, Version 6.2. Chapter 8: Risk of Bias in Randomized Trials. Published
https://training.cochrane.org/handbook/current.
Tripepi G, Jager KJ, Dekker FW, Zoccali C. Selection bias and information bias in
clinical research. Nephron Clin Pr. 2010;115:c94–99. https://doi.org/10.1159/
000312871.
Higgins JPT, Altman DG, Gøtzsche PC, The Cochrane Collaboration’s tool for
assessing risk of bias in randomised trials. BMJ. 2011;343. https://doi.org/10.1136/
bmj.d5928.
Berger VW. Quantifying the magnitude of baseline covariate imbalances resulting
from selection bias in randomized clinical trials. Biom J Biom Z. 2005;47:119–27.
https://doi.org/10.1002/bimj.200410106. discussion 128–39.
Boutron I, Estellat C, Guittet L, Dechartres A, Sackett DL, Hróbjartsson A, et al.
Methods of blinding in reports of randomized controlled trials assessing phar-
macologic treatments: a systematic review. PLoS Med. 2006;3:e425. https://doi.
org/10.1371/journal.pmed.0030425.
Fergusson D, Aaron SD, Guyatt G, Hébert P. Post-randomisation exclusions: the
intention to treat principle and excluding patients from analysis. BMJ.
2002;325:652–4. https://doi.org/10.1136/bmj.325.7365.652.
Kirkham JJ, Dwan KM, Altman DG, Gamble C, Dodd S, Smyth R, et al. The impact of
outcome reporting bias in randomised controlled trials on a cohort of systematic
reviews. BMJ. 2010;340:c365. https://doi.org/10.1136/bmj.c365.
Wood L, Egger M, Gluud LL, Schulz KF, Jüni P, Altman DG, et al. Empirical evidence
of bias in treatment effect estimates in controlled trials with different interventions
and outcomes: meta-epidemiological study. BMJ. 2008;336:601–5. https://doi.org/
10.1136/bmj.39465.451748.AD.Editorial
348