Clés de compréhension du score de propension à l’usage du clinicien

Keys to Propensity Score Understanding for Clinicians

¹ Réseau des Urgences de la Vallée du Rhône (RESUVal), hôpital Lucien-Hussel, F-38200 Vienne, France
² Structure d’urgence et unité de recherche clinique, médipôle, F-69100 Villeurbanne, France
³ HESPER EA 7425, université Claude-Bernard–Lyon-I, F-69008 Lyon, France
⁴ EA 4129 P2S Parcours Santé Systémique, université Claude-Bernard–université Lyon-I, F-69372 Lyon cedex 08, France

^* e-mail : c.claustre@resuval.fr

Reçu : 20 Septembre 2019
Accepté : 14 Mai 2020

Résumé

Les études observationnelles, en l’absence de biais de sélection, présentent l’avantage de refléter la pratique en situation réelle et d’être moins contraignantes (contrainte éthique, faisabilité) que les essais cliniques randomisés. Les scores de propension sont de plus en plus souvent utilisés dans les études observationnelles afin de corriger les biais de confusion (14 occurrences anglophones Pubmed dans le titre ou l’abstract en 2000, 448 en 2010 et 3 388 en 2018). Cette méthode permet de se rapprocher d’une interprétation causale des effets observés comme il serait possible de le faire dans un essai clinique randomisé. Peu d’articles décrivent leurs conditions d’utilisation et d’interprétation induisant des défauts dans leur mise en oeuvre, leur interprétation et leur présentation dans les articles. Nous proposons dans cet article une synthèse pragmatique, à l’usage du clinicien, présentant les avantages et limitations associés à l’utilisation des scores de propension lors d’inférences causales. Notre objectif est de donner aux cliniciens les clés de compréhension et d’interprétation des scores de propensions. Nous développerons tout au long de cet article un exemple fictif fondé sur des données simulées. Nous présenterons la création d’un score de propension, son utilisation selon quatre méthodes (appariement, stratification, pondération inverse et ajustement), sa validation ainsi que des règles pour présenter les résultats issus de cette méthode dans un article scientifique afin de garantir les règles de reproductibilité des résultats.

Abstract

Observational studies in the absence of selection bias reflect real life practices and have fewer constraints (ethical concerns, feasibility) than randomised clinical trials. Propensity score methods are increasingly used in observational studies to adjust for confounding and perform causal inferences (14 English Pubmed occurrences in the title or the abstract in 2000, 448 in 2010 and 3388 in 2018). This method allows interpretations of effects to be closer to causal inference like in a randomised clinical trial. There is a lack of articles describing propensity scores assumptions and interpretation rules. This leads to inadequacies in their use and in their reporting in scientific articles.We propose in this article a pragmatic synthesis, for the use of clinicians, presenting the advantages and limitations associated with the use of propensity scores for causal inferences. Our objective is to give clinicians keys to understanding and interpret propensity scores. We will develop an example based on simulated data to demonstrate the creation of the propensity score, four of its uses for covariate adjustment (matching, stratification, inverse probability weighing and adjustment) and its validation as well as reporting guidelines to ensure reproducibility of results in a scientific article.