Le patient caché : un cours sur la méta-analyse des données des participants individuels

N'as-tu pas vu comment un millier de patients
can be reduced to a single number,
et dans ce nombre, des vies sont effacées?

Diapositive 1.2 : L'illusion globale

L'illusion globale

EVERY META-ANALYSIS YOU'VE EVER READ

A meta-analysis reports: "Treatment reduces mortality by 15%."

Mais quels patients en ont bénéficié ? Les jeunes ou les vieux ? Ceux qui ont une maladie légère ou grave ? Hommes ou femmes ?

L'agrégat ne peut pas répondre.

Car dans la moyenne, certains patients ont été sauvés – et d’autres ont été blessés.

Diapositive 1.3 : L'hétérogénéité cachée

What Aggregates Hide

● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ●

● Responders ● Non-responders

THE TRAGEDY

"Overall benefit: 30%"

But who sont les 30% ? Sans données individuelles, nous ne pouvons pas identifier les répondeurs des non-répondants. Nous ne pouvons pas pratiquer precision medicine.

Oxford, 1985

EARLY BREAST CANCER TRIALISTS' COLLABORATIVE GROUP

Richard Peto gathered something unprecedented: the raw data on every woman in every tamoxifen trial.

Pas des résumés. Pas des moyennes. Each patient, each tumor, each outcome.

What he discovered changed breast cancer treatment forever.

Early Breast Cancer Trialists' Collaborative Group. Lancet 1988;2:61-72

Diapositive 1.5 : La découverte

Les essais publiés disaient :
"Tamoxifen works."

But the individual data revealed:

ER+ vs ER−

Tamoxifen only worked in estrogen receptor positive tumors

CE QUI ÉTAIT CACHÉ

Aucun essai n’était suffisamment vaste pour détecter cette interaction. Seulement en combinant données individuelles des patients de toutes les épreuves la vérité pourrait-elle émerger :

Giving tamoxifen to ER− patients was useless.

Diapositive 1.6 : Le refrain

"Dans l'ensemble, l'individu disparaît.
Dans l’individu, la vérité apparaît.
C'est pourquoi nous recherchons le patient caché."

Il s'agit d'une méta-analyse des données des participants individuels.

What is lost when we summarize?
What is found when we look closer?

Diapositive 2.2 : Les deux approches

Two Ways to Synthesize

Aggregate Data (AD)

Study-level summaries
Tailles d'effet des publications
Mean age, % male, etc.
Rapide et accessible
Cannot see within-study variation

Données individuelles des participants (IPD)

Données brutes au niveau du patient
Every participant's characteristics
Actual ages, actual outcomes
Time-intensive to obtain
Can see who responds and who doesn't

Diapositive 2.3 : L'erreur écologique

L'erreur écologique

LE DANGER DE LA PENSÉE AGRÉGÉE

Imagine two trials of a drug for heart failure.

Trial A: Mean age 55 years, Effect size 0.70 (benefit)
Trial B: Mean age 75 years, Effect size 0.90 (less benefit)

Tempting conclusion: "The drug works better in younger patients."

But this could be completely wrong.

The Trap

ECOLOGICAL FALLACY

Dans chaque essai, la relation entre l'âge et l'effet du traitement peut provenir completely different de la relation entre les essais.

Perhaps in Trial A, older patients within that trial responded better. Perhaps in Trial B, younger patients within that trial responded better.

Vous ne pouvez pas savoir sans individu data.

THE RULE

Between-study relationships ≠ Within-study relationships

Aggregate data can only show between-study patterns

What IPD Enables

1

True Effect Modification

Test whether treatment effect varies by patient characteristics (age, biomarkers, disease severity)

2

Time-to-Event Analysis

Use actual survival curves, not just hazard ratios. Handle censoring properly.

3

Consistent Definitions

Standardize outcome definitions, exposure timing, covariate categories across studies

4

Subgroup Credibility

Testez les interactions au sein des études, en évitant l'erreur écologique

"Les données agrégées montrent la forêt.
Individual data shows each tree.
Si vous avez besoin de savoir quels arbres sont malades—
you must walk among them."

N'avez-vous pas vu comment one collaboration
gathered data on 170,000 patients
and answered questions no single trial could ask?

Diapositive 3.2 : Le CTT

Oxford, 1994-Present

CHOLESTEROL TREATMENT TRIALISTS' COLLABORATION

Le CTT a collecté des données individuelles de every major statin trial.

27 trials. 174,149 patients. Every baseline characteristic. Every cardiovascular event. Every death.

The published trials asked: "Do statins work?"

Le CTT a demandé : "Pour qui les statines fonctionnent-elles ?"

CTT Collaboration. Lancet 2010;376:1670-81

Diapositive 3.3 : Les chiffres

L'échelle des IPD

27

Trials Combined

174,149

Individual Patients

5

Années de données Rassemblement

THE INVESTMENT

La collecte d'IPD nécessite des années de négociation, de transfert de données, de nettoyage et d'harmonisation.

Mais les questions auxquelles vous pouvez répondre valent la peine l'investissement.

Diapositive 3.4 : Le Découverte

What CTT Discovered

✓

Benefit Proportional to LDL Reduction

Every 1 mmol/L LDL reduction = 22% lower CV events. True across all subgroups.

✓

No Age Threshold

Benefit continues even in patients >75 years (contradicting earlier AD analyses)

✓

Primary Prevention Works

Patients without prior CVD benefit proportionally to their baseline risk

✗

No Cancer Signal

Les inquiétudes concernant les statines provoquant le cancer ont été définitivement réfutées grâce au suivi de l'IPD

Diapositive 3.5 : Pourquoi AD n'a pas pu répondre

Pourquoi l'agrégation des données a échoué

THE LIMITATION

Published trials categorized patients differently.

Trial A: "High risk" = 10-year CVD risk >20%
Trial B: "High risk" = Prior MI
Trial C: "High risk" = Diabetes

You cannot compare or combine what is defined differently.

IPD allowed the CTT to redefine everyone consistently.

"When trials speak different languages,
IPD fournit le traduction.
What seemed contradictory becomes clear:
the same truth, measured differently."

IPD takes years to gather.
Les données agrégées prennent weeks.

Quand l'investissement en vaut-il la peine ?

Diapositive 4.2 : Le cadre décisionnel

L'arbre de décision

Devriez-vous poursuivre l'IPD ?

Votre question concerne-t-elle modification de l'effet du traitement ?

↓

YES

"Who benefits most?"

NO

"Does it work overall?"

↓

IPD likely needed

AD may suffice

When IPD Is Essential

1

Time-to-Event Outcomes

Lorsque les courbes de survie sont importantes, pas seulement les rapports de risque finaux.

2

Continuous Effect Modifiers

Testing whether treatment effect varies by age, BMI, biomarker level (not just "high" vs "low")

3

Outcome Definition Problems

Lorsque les essais définissent les résultats différemment et que vous devez les normaliser

4

Longer Follow-Up Available

Lorsque les auteurs des essais disposent de données de suivi non publiées, vous souhaitez include

🔀 La décision stratégique de recherche

Vous planifiez une méta-analyse des corticostéroïdes pour la pneumonie COVID-19. Vous disposez de 10 ECR éligibles avec des données publiées. Un collègue demande : « Devrions-nous essayer d'obtenir une IPD ou simplement faire une analyse globale ? »

Votre question clé est : "Les bénéfices varient-ils en fonction de la gravité de la maladie et du moment du traitement ?"

Que recommandez-vous ?

A Faites simplement l'AD - nous avons besoin de résultats rapides et l'IPD prend trop de temps

B Poursuivre l'IPD - notre question porte sur la modification de l'effet en fonction des caractéristiques du patient

C Effectuer une analyse de sous-groupe par catégories de gravité au niveau des essais tirées des publications

Quand les données agrégées suffisent

✓

Overall Treatment Effect

Quand votre seule question est « Est-ce que ça marche ? » pas "Pour qui ?"

✓

Homogeneous Population

When trials enrolled similar patients and effect modification is unlikely

✓

Binary Outcomes, Short Follow-up

Quand la censure n'est pas un problème et que les résultats sont simples oui/non

✓

IPD Unobtainable

Lorsque les testeurs ne partagent pas, les données sont perdues ou les ressources ne sont pas disponibles

"Toutes les questions ne nécessitent pas l'individu.
Mais chaque question sur which individuals
exige leur présence dans vos données."

Vous avez rassemblé les données individuelles.

Maintenant : l’analysez-vous comme one combined dataset
or trial by trial, then combine?

Two Analytical Approaches

Two-Stage Approach

Stage 1: Analyze each trial separately
Étape 2 : Méta-analyser les résultats
Preserves trial structure
Familiar (like standard MA)
Cannot handle sparse data well

One-Stage Approach

Analyser toutes les données simultanément
Mixed-effects regression model
Effets aléatoires pour le clustering
Mieux pour les données clairsemées
More flexible modeling

Deux étapes : le chemin familier

STAGE 1 (Within Each Trial)

Estimate treatment effect for trial k: θ_k

Utiliser les données individuelles des patients de cet essai

STAGE 2 (Across Trials)

Meta-analyze θ₁, θ₂, ... θ_K

Utilisation de méthodes standard à effets aléatoires

ADVANTAGE

Easy to understand. Easy to explain.
Each trial's estimate is transparent.
Des parcelles forestières familières et moi² statistics.

Une étape : la voie puissante

MIXED-EFFECTS MODEL

Y_ij = β₀ + β₁Treatment_ij + u_j + ε_ij

i = patient, j = trial, u_j = random trial effect

ADVANTAGES

1. Handles trials with zero events (no continuity corrections)
2. More powerful for detecting interactions
3. Can model complex covariate relationships
4. Exact likelihood (no normal approximations)

Choisir votre approche

One-Stage or Two-Stage?

Do trials have sparse events (rare outcomes)?

↓

YES (sparse)

↓

One-stage preferred

Avoids zero-cell problems

NO (common events)

↓

Either works

Les résultats devraient être similaires

"The two-stage preserves each trial's voice.
The one-stage hears all voices at once.
Lorsque les données sont rares et les événements rares :
le premier étage rattrape ce que le deux étages manque. »

N'avez-vous pas entendu l'histoire de la drogue
qui a sauvé la vie de bébés...
but only if given at the right time?

Le paradoxe du prématuré

NEONATAL INTENSIVE CARE UNITS WORLDWIDE

Les corticostéroïdes prénatals réduisent la mortalité chez les prématurés. Celui-ci a été créé dans les années 1970.

But a puzzle remained: When should they be given?

24 hours before birth? 48 hours? A week?

Published trials couldn't answer—they didn't report timing consistently.

Roberts D, et al. Cochrane Database Syst Rev 2017

Diapositive 6.3 : La solution IPD

IPD a révélé la fenêtre

24h-7d

Optimal Window

>7 days

Benefit Wanes

THE DISCOVERY

By examining each baby's exact time from steroid to delivery, IPD meta-analysis showed:

Maximum benefit: 24 hours to 7 days before birth
Reduced benefit: >7 days (lung maturity effect fades)
No benefit: <24 hours (not enough time to work)

Lives Saved, Practice Changed

L'IMPACT CLINIQUE

Avant l’IPD : les cliniciens donnaient des stéroïdes et espéraient le meilleur.

After IPD: Guidelines now recommend repeat dosing si la livraison n'a pas eu lieu dans les 7 jours suivant le premier cours.

Cette précision, impossible sans données individuelles, a saved thousands of premature babies.

Timing is Treatment

Le même médicament, administré au mauvais moment, pourrait tout aussi bien être un placebo

Pourquoi les données agrégées n'ont pas pu montrer cela

THE PROBLEM

Trial A reported: "Steroid given within 48 hours"
Trial B reported: "Steroid given antenatally"
Trial C reported: "Steroid-to-delivery interval: median 3 days"

Different categories. Different definitions. Incompatible summaries.

Only by examining each baby's actual steroid-to-delivery time could the optimal window be identified.

"Le médicament était connu pour fonctionner.
But when le donner était inconnu.
IPD a transformé « parfois » en « le bon moment »—
et dans cette précision, les enfants vivaient.

Les données existent.
Quelque part, dans des fichiers et des bases de données,
l'histoire de chaque patient est enregistrée.

La question est : vont-ils la partager ?

Diapositive 7.2 : La Quête

La quête des données

60-80%

Typical IPD Retrieval Rate

6-24

Months to Gather

REALITY CHECK

Vous le ferez probablement not get 100% of trials. Some investigators will refuse. Some data is lost. Some companies won't share.

This is expected. Plan for it.

Diapositive 7.3 : Sources de données

Where IPD Lives

1

Trialist Collaboration

Direct contact with trial investigators. Build relationships. Offer co-authorship.

2

Plateformes de partage de données

YODA Project, ClinicalStudyDataRequest.com, Vivli, ICPSR

3

Regulatory Agencies

EMA Policy 0070, FDA (limited), Health Canada

4

Journal Requirements

Many journals now require data sharing; check supplementary materials

Diapositive 7.4 : La collaboration Lettre

The Approach

HOW TO ASK

1. Commencez par votre question—explain why IPD is essential

2. Offer co-authorship—make sharing worthwhile

3. Décrire la sécurité des données—how you'll protect their patients

4. Fournir des dictionnaires de données—specify exactly what you need

5. Set clear timelines—respect their time

Le piège du biais de disponibilité

THE DANGER

Et si les essais qui share data sont systématiquement différents des essais qui don't share?

Industry trials: less likely to share
Negative trials: less likely to share
Older trials: data may be lost

Your IPD sample may be biased.

THE RULE

Always compare: IPD trials vs. non-IPD trials

Do they differ in effect size, sample size, funding source?

"Les données existent. La question est de confiance.
Will they share what they have guarded?
Construire le pont soigneusement—
car sur ce pont, l'avenir des patients se croise."

Vous avez rassemblé les data
from twelve trials, five countries, three decades.

But Trial A calls it "cardiovascular death"
et l'essai B l'appelle "cardiac mortality".

Sont-ils identiques ?

Diapositive 8.2 : Le défi de l'harmonisation

Le problème de la tour de Babel

EVERY IPD META-ANALYSIS

Trial from Japan: Age in years since 1900 (e.g., "54" = 1954 birth)
Trial from USA: Age in decimal years (e.g., 65.7)
Essai du Royaume-Uni : tranches d'âge ("65-74")

Diabetes: HbA1c ≥ 6.5% vs. fasting glucose ≥ 126 vs. "physician diagnosis"

Outcome: "Major adverse cardiac event" (one trial includes stroke, another doesn't)

Avant analyse : harmoniser tout.

Diapositive 8.3 : Le processus

Le processus d'harmonisation

1

Créer un dictionnaire de données principal

Define every variable you need: name, type, permitted values, derivation rules

2

Map Each Trial's Variables

Document how each trial's coding maps to your standardized definitions

3

Vérifier auprès Trialistes

Vérifiez vos interprétations. Ils connaissent leurs données mieux que vous.

4

Validate Transformations

Reproduire les résultats publiés de l'IPD. S'ils ne correspondent pas, enquêtez.

🔀 Le dilemme de définition

Vous harmonisez l'IPD à partir de 8 essais sur le diabète. Votre critère de jugement principal est la « mort cardiovasculaire ».

Six essais utilisaient une définition standard (codes CIM). Deux essais des années 1990 utilisaient la « mort cardiaque évaluée par l'investigateur » sans critères standardisés. Ces deux essais montrent des effets de traitement plus importants.

Comment gérez-vous cela ?

A Incluez les 8 essais - plus de données sont meilleures et les définitions sont « suffisamment proches »

B Exclude the 2 non-standardized trials to maintain outcome consistency

C Analyse primaire avec 6 essais cohérents ; analyse de sensibilité en ajoutant les 2 autres

Diapositive 8.5 : L'étape de validation

La validation cruciale

THE TEST

Avant toute nouvelle analyse :

Reproduisez les résultats publiés de chaque essai à partir de l’IPD.

Si votre analyse donne RR = 0,78 mais que la publication indique RR = 0,85,
something is wrong.

Find the discrepancy. Fix it. Then proceed.

"Different languages, different rulers,
different ways to name the same disease.
Avant de pouvoir combiner, vous devez traduire.
Avant de traduire, il faut comprendre."

Le traitement fonctionne on average.

Mais est-ce que cela fonctionne de la même manière pour les jeunes et les vieux ?
Pour les cas légers et graves ?
Pour celui avec le biomarqueur et celui sans ?

L'interaction qui a changé l'oncologie

EBCTCG, 1985-1998

The Early Breast Cancer Trialists' Group didn't just ask "Does tamoxifen work?"

They asked: "Does the effect differ by estrogen receptor status?"

L’interaction a été massive :

ER-positive: 47% reduction in recurrence
ER-negative: No benefit at all

EBCTCG. Lancet 1998;351:1451-67

p_interaction < 0.00001

The most important interaction in cancer medicine

Testing Treatment-Covariate Interactions

THE MODEL

Outcome = β₁Treatment + β₂Covariate + β₃(Treatment × Covariate)

β₃ is the interaction term - does treatment effect vary by covariate?

INTERPRETATION

If β₃ is statistically significant:

L'effet du traitement differs between subgroups defined by the covariate.

Sinon : l’effet du traitement est similar across subgroups (or you lack power to detect a difference).

La distinction critique

Between-Study Interaction

Compares trial-level averages
Ecological fallacy risk
Confounded by trial design
Low statistical power
Peut faire avec des données agrégées

Within-Study Interaction

Compares patients within each trial
No ecological fallacy
Randomization preserved
Much higher power
Requires IPD

L'APERÇU CLÉ

IPD vous permet de tester within-study interactions, where randomization ensures the comparison is fair.

C’est la référence en matière de modification des effets.

🔀 La question de l'interaction avec l'âge

Votre méta-analyse IPD de l'anticoagulation pour la fibrillation auriculaire inclut 12 000 patients. Vous testez l’interaction selon l’âge et trouvez p = 0,03. Les patients de ≥ 75 ans présentent un bénéfice plus important (RR 0,55) que les patients de < 75 ans (RR 0,72).

Vous avez testé 8 modificateurs d’effets potentiels dans votre analyse.

Comment interprétez-vous ce constat ?

A Signalez que l'anticoagulation fonctionne mieux chez les patients âgés - l'interaction est significative

B Apply multiple testing correction; with 8 tests, p=0.03 is likely a false positive

C Report as hypothesis-generating, note the multiple comparisons, request external validation

"La moyenne cache l'interaction.
The interaction reveals who benefits.
Testez-le au sein des études, pas entre...
car c'est là que se trouve la vérité.

L’IPD ne concerne pas uniquement les traitements.

Quand tu cherches à predict who will die,
who will recover, who will relapse—
l'individu est tout.

Diapositive 10.2 : L'histoire d'IMPACT

Predicting Recovery After Brain Injury

IMPACT CONSORTIUM, 2005-PRESENT

Après un traumatisme crânien, les familles se posent la question dévastatrice :

"Will they ever wake up?"

Individual trials were too small to develop accurate prediction models.

IMPACT a rassemblé les IPD de 11 études, portant sur 9 205 patients, et a construit un modèle qui prédit les résultats à 6 mois à partir des caractéristiques cliniques initiales.

IMPACT Study Group. PLoS Med 2008;5:e165

Why Prognosis Demands IPD

1

External Validation Across Populations

Develop in some studies, validate in others. True test of generalizability.

2

Non-linear Relationships

Explore how predictors relate to outcome: linear? threshold? U-shaped?

3

Multiple Predictor Interactions

Age + GCS + pupil reactivity may interact in ways aggregate data cannot reveal

4

Proper Handling of Missing Predictors

Imputation multiple au niveau du patient, pas au niveau de l'étude

Reporting Standards

TRIPOD

Prediction model reporting
Développement et validation
Calibrage et discrimination
22 item checklist

PRISMA-IPD

IPD meta-analysis reporting
Détails de l'acquisition de données
Harmonization process
Integrity checking

POUR LES MODÈLES PRONOSTIQUE IPD

You need both: TRIPOD pour le modèle lui-même, PRISMA-IPD pour le processus de synthèse des données.

When Prediction Saves Lives

L'IMPACT CLINIQUE

The IMPACT model is now embedded in clinical decision support systems worldwide.

Lorsqu'un patient arrive avec un traumatisme crânien, le modèle fournit une probability of survival and probability of favorable outcome.

Cela guide les conversations avec les familles. Cela informe sur l’intensité du traitement. Cela aide à allouer les ressources de l’USI.

Construit à partir de données individuelles. Servir des patients individuels.

"To predict one patient's future,
vous devez apprendre de milliers de passés.
IPD détient ces histoires...
each one a teacher, if you will listen."

N'avez-vous pas pensé à la petite tablette blanche
qui a été donné à millions pour leur cœur ?

On leur a dit : "Prends ceci et tu seras protégé."

But was every heart equally in need of protection?

Diapositive 11.2 : L'histoire du prix Netflix

L'histoire du prix Netflix

A TRUE STORY

In 2006, Netflix released 100 million "anonymized" movie ratings for a $1 million prize.

Researchers quickly re-identified users by matching ratings with public IMDb reviews.

One lawsuit alleged a closeted lesbian was outed through her viewing patterns.

The lesson: removing names isn't anonymization.

L'IPD contient suffisamment de combinaisons d'âge, de diagnostic, de réponse au traitement et de dates pour identifier de manière unique les individus. La confidentialité nécessite plus que la suppression de la colonne de nom : elle nécessite de comprendre comment les combinaisons de données deviennent des empreintes digitales.

Diapositive 11.3 : La collaboration sur le TCA

Oxford, 2009

ANTITHROMBOTIC TRIALISTS' COLLABORATION

L’ATT a collecté des données individuelles auprès de 95,000 patients across 6 primary prevention trials of aspirin.

The published trials said: "Aspirin prevents heart attacks."

Mais l'ATT a posé la question interdite :

"A quel prix ? Et pour qui ?"

ATT Collaboration. Lancet 2009;373:1849-60

Diapositive 11.4 : La révélation

Les chiffres révélés

-12%

Heart Attacks Prevented

+32%

Major Bleeds Caused

THE BALANCE

For every 1,000 low-risk patients prendre de l'aspirine depuis 5 ans :

2-3 heart attacks prevented
2-3 major bleeds caused

Les avantages et les inconvénients s’annulent.

Diapositive 11.5 : L'arbre de décision

La décision basée sur le risque

Ce patient devrait-il prendre de l’aspirine en prévention primaire ?

10-Year CVD Risk?

↓

>20%

High Risk

10-20%

Intermediate

<10%

Low Risk

↓

Consider aspirin
(benefit > harm)

Shared decision
(benefit ≈ harm)

Avoid aspirin
(harm > benefit)

Why did published meta-analyses miss this?

LA CÉCITÉ DES GRANULATS

Published trials reported average benefits.

Ils n'ont pas pu démontrer que les patients à haut risque gagnaient
while low-risk patients lost.

Only by examining each patient's baseline risk,
each patient's outcomes,
could the interaction be revealed.

🔀 Le dilemme de la prévention primaire

Un homme de 52 ans pose des questions sur l'aspirine pour prévenir les crises cardiaques. Il n'a aucun antécédent de maladie cardiovasculaire, le taux de cholestérol est limite, la tension artérielle est contrôlée et il est non-fumeur. Son risque de maladie cardiovasculaire à 10 ans est de 8 %.

Il a lu en ligne que « l'aspirine prévient les crises cardiaques » et souhaite votre avis.

Que lui dis-tu ?

A "Yes, take aspirin daily - it's proven to prevent heart attacks"

B "At your risk level, aspirin's bleeding risk roughly equals its heart benefit - I'd recommend against it"

C "Take baby aspirin - the lower dose is safer"

"Le médicament qui sauve les personnes en voie de disparition
peut nuire à la sécurité.

Connaissez le risque de votre patient avant de prescrire.
C'est ce que nous ont appris les données individuelles."

95,000 patients. One truth: risk determines benefit.

N'avez-vous pas vu comment ils ont débattu pendant des décennies :
« Les vieux devraient-ils être traités de la même manière que les jeunes ?

Some said: "Lower is always better."
D'autres disaient : "Les vieux sont fragiles. Soyez prudent."

Qui avait raison ?

Diapositive 12.2 : Le débat

La controverse sur la courbe en J

CARDIOLOGY CONFERENCES, 1980s-2000s

Pendant des années, les médecins ont soutenu :

Le camp agressif : "Every mmHg of BP reduction saves lives.
Treat everyone to target 120/80."

Le camp conservateur : "In the elderly, low BP causes falls, strokes, death.
There's a J-curve—too low is dangerous."

Individual trials were too small to settle it. Jusqu'à ce que le BPLTTC collecte les données individuelles.

Diapositive 12.3 : La collaboration

The Blood Pressure Lowering Treatment Trialists

48

Trials Combined

344,716

Individual Patients

15+

Years of Follow-up

THE QUESTION

Does the benefit of BP lowering vary by age?
Is there a J-curve at very low pressures?
Do the very old (>80 years) still benefit?

BPLTTC. Lancet 2021;397:1625-36

Diapositive 12.4 : La réponse

La réponse, enfin

Benefit at Every Age

La réduction proportionnelle du risque était constante de 55 à 85 ans et plus

WHAT IPD SHOWED

Every 5 mmHg BP reduction:

Age 55-64: 10% lower major CV events
Age 65-74: 10% lower major CV events
Age 75-84: 10% lower major CV events
Age ≥85: Still 10% lower

p_interaction = 0,85. Aucune preuve de modification de l'âge.

Diapositive 12.5 : Le mythe de la courbe en J

Qu’en est-il de la courbe en J ?

THE RESOLUTION

Le BPLTTC a testé une courbe en J en examinant des patients
who achieved very low blood pressures.

Result: No J-curve in randomized comparisons.

La courbe en J apparente dans les données d'observation était reverse causation— sick patients have low BP because they're sick, not sick because their BP is low.

Seuls les IPD issus d’ECR pourraient résoudre ce problème.

Treating Hypertension by Age

Should This Elderly Patient Get BP Treatment?

Patient Age?

↓

55-74

75-84

85+

↓

Treat if BP elevated
Proportional benefit maintained across all ages

THE LESSON

Age alone is not a reason to withhold treatment.
Consider frailty, life expectancy, patient preference—but not age.

🔀 La tension artérielle de l'homme de 82 ans

Une femme de 82 ans a une TA 158/88. Elle est indépendante, intacte sur le plan cognitif et n’a aucun antécédent de chute. Un collègue dit : « Elle est trop vieille pour un traitement agressif de la tension artérielle. La courbe en J, vous savez.

Vous vous souvenez de la méta-analyse BPLTTC IPD.

What do you do?

A D'accord avec votre collègue : acceptez des objectifs de tension artérielle plus élevés pour les personnes âgées.

B Citer les preuves du BPLTTC selon lesquelles le bénéfice persiste chez les personnes très âgées et initier le traitement

C Wait for a cardiovascular event before treating

"Ils disaient que les vieux étaient trop fragiles pour les médicaments.
Mais les données individuelles ont montré le contraire :

At every age, the benefit endures.
Do not let age alone deny protection."

N'as-tu pas assisté à la course contre la montre
when a clot blocks the brain?

Every minute, two million neurons die.

But when does the window close?
When is it too late to intervene?

Diapositive 13.2 : Les enjeux

Time Is Brain

1.9M

Neurons Lost Per Minute

14B

Synapses Lost Per Minute

THE QUESTION

La thrombolyse peut dissoudre le caillot et rétablir la circulation sanguine.

But given too late, it causes bleeding into dying brain tissue.

What is the time window? 3 hours? 4.5 hours? 6 hours?

Individual trials disagreed. Guidelines were uncertain.

Diapositive 13.3 : La solution IPD

Les essais de thrombolyse accidentelle

STT COLLABORATIVE GROUP, 2014

Le STT a collecté des données individuelles auprès de 6,756 patients across 9 major alteplase trials.

They knew exactly when each patient's stroke began. They knew exactly when thrombolysis was given. They knew exactly who lived, who died, who recovered.

They could map benefit against time, minute by minute.

STT Collaborative Group. Lancet 2014;384:1929-35

Diapositive 13.4 : La courbe temporelle

La fenêtre qui s'estompe

0-3h

OU 1,75 pour un bon résultat

3-4.5h

OU 1,26 pour un bon résultat

4.5-6h

OR 1.15 (not significant)

LA DÉCROISSANCE DU BÉNÉFICE

Every 15 minutes of delay reduced the benefit.

Treated at 90 min: 1 in 4 achieve excellent outcome
Treated at 180 min: 1 in 7 achieve excellent outcome
Treated at 270 min: 1 in 14 achieve excellent outcome

La décision de thrombolyse

Acute Ischemic Stroke: Give Thrombolysis?

Time Since Symptom Onset?

↓

0-3h

Strong benefit

3-4.5h

Moderate benefit

4.5-6h

Uncertain

>6h

Harm likely

↓

TREAT
URGENTLY

TREAT
if eligible

Consider
imaging

Generally
avoid

Diapositive 13.6 : Pourquoi AD n'a pas pu répondre

Why did we need individual data?

LA LIMITE DES MOYENNES

Trial A: "Patients treated within 3 hours" (average: 2.1 hours)
Trial B: "Patients treated within 6 hours" (average: 4.2 hours)

These overlapping, inconsistent windows couldn't be compared.

Only by knowing each patient's exact time
could the continuous decay of benefit be mapped.

🔀 Le coup de 4 heures

Un homme de 68 ans présente un accident vasculaire cérébral aigu. Les symptômes sont apparus il y a 4 heures. Le scanner ne montre aucune hémorragie, le score NIHSS est de 12 (modéré). La famille demande : « Est-il trop tard pour prendre le médicament anti-caillot ?

Door-to-needle time will add 30 minutes, making total time ~4.5 hours.

What do you do?

A "It's too late - the 3-hour window has passed"

B "Nous sommes toujours dans le délai de 4,5 heures - procéder en urgence à la thrombolyse"

C "Wait for MRI to see if there's salvageable tissue"

"Every minute the clot remains,
two million neurons perish.

L'IPD nous a montré la fenêtre qui s'estompe.
Act quickly, or the window closes forever."

Vous avez rassemblé les données individuelles.
Vous ouvrez les dossiers avec espoir.

Et puis tu vois ça : empty cells.

Age: 67. Sex: Male. Smoking status: missing.
Outcome at 1 year: missing.

What now?

Diapositive 14.2 : Les trois types

Les trois types de disparitions

1

Missing Completely at Random (MCAR)

Lab machine broke randomly. No relation to patient characteristics. Safe to ignore (but wasteful).

2

Missing at Random (MAR)

Older patients more likely to miss follow-up. Missingness related to observed variables. Imputation can help.

3

Manquant pas au hasard (MNAR)

Les patients dont les résultats sont médiocres abandonnent. Manque lié au missing value itself. Dangereux. Nécessite une analyse de sensibilité.

Diapositive 14.3 : L'arbre de décision

Gestion des données manquantes

Que faire des valeurs manquantes ?

How much is missing?

↓

<5%

Minor

5-20%

Moderate

>20%

Substantial

↓

Complete case
may suffice

Multiple
imputation

Impute +
sensitivity

Imputation multiple : la norme

THE PROCESS

1. Impute → 2. Analyze → 3. Pool

Create M imputed datasets, analyze each, combine using Rubin's rules

WHY MULTIPLE?

L'imputation unique prétend que vous connaissez la valeur manquante.

Multiple imputation (M=20-50 datasets) reflects uncertainty sur ce qu'aurait pu être la valeur manquante.

Cela préserve les erreurs standard et les valeurs p valides.

Défis liés aux données manquantes spécifiques à l'IPD

1

Systematically Missing Variables

Trial A measured biomarker X. Trial B didn't. Can't impute what was never collected.

2

Multilevel Structure

Patients nested within trials. Imputation model must account for clustering.

3

Different Follow-up Durations

L'essai A a suivi pendant 2 ans. Essai B pendant 5 ans. L’analyse de survie nécessite des soins.

When a Variable Is Missing Entirely

Trial Didn't Collect Your Key Covariate

Is it an effect modifier or confounder?

↓

Effect Modifier

↓

Restrict interaction
analysis to trials
avec la variable

Confounder

↓

Sensitivity analysis
varying assumptions
about unmeasured

🔀 Le biomarqueur manquant

Votre IPD-MA teste si un nouveau médicament anticancéreux fonctionne mieux chez les patients présentant un biomarqueur positif. Vous avez un IPD après 8 essais. Mais 3 essais (40 % des patients) n’ont pas du tout mesuré le biomarqueur.

Ces 3 essais ont tendance à être plus anciens et plus petits.

Comment analysez-vous l’interaction ?

A Impute the biomarker status based on other patient characteristics

B Analyser l'interaction uniquement dans les 5 essais avec des données de biomarqueurs ; analyse de sensibilité comprenant tous les essais pour l'effet global

C Exclure entièrement les 3 essais de la méta-analyse

"La cellule vide n'est pas rien.
It is a question: Pourquoi est-ce inconnu ?

Répondez à cette question avant de combler le vide...
car la raison de l'absence façonne la solution."

N'avez-vous pas vu le chercheur
qui a collecté des données auprès de willing trialists
et déclaré la victoire ?

But the unwilling held secrets.
Et ces secrets ont tout changé.

Diapositive 15.2 : L'histoire du Tamiflu

L'histoire du Tamiflu

A TRUE STORY

Pendant des années, les gouvernements ont stocké du Tamiflu pour lutter contre la grippe pandémique, dépensant des milliards.

Cochrane reviewers requested trial data to verify efficacy. Roche refused, citing confidentiality.

Pendant cinq ans, le BMJ a fait campagne pour la transparence. Lorsque les rapports complets des études cliniques ont finalement été publiés en 2014, la situation a changé : le Tamiflu a réduit la durée des symptômes de moins d'une journée et n'a pas évité les complications.

Des milliards dépensés pour un médicament dont toutes les preuves étaient conservées sous clé.

La saga Tamiflu a transformé les attentes : aujourd'hui, la transparence des essais cliniques devient la norme, et non l'exception.

Diapositive 15.3 : Les données probantes

When IPD Is Selectively Available

LES CONSTATATIONS EMPIRIQUES

Des études ont comparé les essais qui partagent une IIP à ceux qui À ne pas faire :

Industry-sponsored trials: Less likely to share
Essais avec des résultats négatifs : Less likely to share
Older trials: Données souvent perdues

If these trials systematically differ in effect size,
votre IPD-MA est biaisée.

Ahmed I, et al. BMJ 2012;344:d7762

Diapositive 15.4 : La comparaison

Always Compare: IPD vs. Non-IPD Trials

Assessing Availability Bias

Compare AD effects: trials with IPD vs. without

↓

Similar Effects

↓

Low concern
for bias

Different Effects

↓

High concern
Sensibilité analyse nécessaire

Diapositive 15.5 : La liste de contrôle

La liste de contrôle du biais de disponibilité

✓

Report IPD retrieval rate

"Nous avons obtenu l'IPD à partir de 12/15 essais (80%)"

✓

Compare IPD vs. non-IPD trial characteristics

Taille de l'échantillon, financement, date de publication, taille de l'effet à partir de l'ensemble données

✓

Sensitivity analysis including non-IPD trials

Analyse en deux étapes combinant IPD + AD à partir d'essais sans partage

✓

Discutez des raisons de non-partage

Data lost? Refused? Never requested? Each has different implications.

🔀 Les essais réticents

Votre IPD-MA d'une intervention chirurgicale a obtenu les données de 8 sur 12 essais éligibles (67 %). Les 4 essais sans partage sont tous financés par l'industrie et montrent des bénéfices moindres dans leurs publications (OR poolé 0,95) par rapport aux 8 essais IPD (OR poolé 0,72).

Votre analyse IPD montre un OR 0,70.

Comment faites-vous votre rapport ceci ?

A Report IPD result (OR 0.70) as the main finding - IPD is gold standard

B Rapportez le résultat de l'IPD avec un avertissement important concernant le biais de disponibilité et l'analyse de sensibilité, y compris AD à partir d'essais sans partage

C Wait until you get 100% IPD before publishing

Diapositive 15.7 : L'approche combinée

La solution hybride en deux étapes

COMBINING IPD + AD

Stage 1: Analyze IPD trials → get θ_IPD

Stage 2: Meta-analyze θ_IPD + θ_AD de non-IPD essais

Uses all available evidence, even when IPD incomplete

THE PRINCIPLE

L'IPD n'est pas tout ou rien.

Utilisez l'IPD là où vous l'avez (pour les tests d'interaction).
Complétez avec AD pour l'estimation de l'effet global.
Transparence sur ce qui est issu où.

"Le vouloir peut ne pas représenter le tout.
Les portes ouvertes peuvent cacher la vérité derrière des portes verrouillées.

Always ask: Who refused to share?
And what might they be hiding?"

Qu'est-ce que le groupe d'essais sur le cancer du sein précoce a découvert que les essais individuels n'ont pas pu ?

Tamoxifen works better than placebo

Tamoxifen only works in estrogen receptor positive tumors

Tamoxifen has significant side effects

Tamoxifen works better in younger women

What is the "ecological fallacy" in meta-analysis?

Assuming environmental factors don't affect treatment

Assuming between-study relationships apply to within-study (individual) relationships

Regrouper les études de différentes régions écologiques

Using outdated trials in modern meta-analyses

Quand une analyse IPD en une étape est-elle préférée à en deux étapes ?

When trials have sparse events or rare outcomes

When you have many large trials

When you want to create forest plots

Lorsque les résultats sont courants et le suivi est court

Que devez-vous faire avant d'analyser l'IPD de plusieurs essais ?

Regrouper immédiatement toutes les données et exécuter l'analyse principale

Exclude trials with missing variables

Reproduire les résultats publiés de chaque essai à partir de l'IPD pour vérifier les données intégrité

Convert all continuous variables to categorical

References

Sources clés citées dans ce document Cours

Riley RD, et al. Méta-analyse des données des participants individuels : un manuel pour la recherche sur les soins de santé. Wiley, 2021.
Stewart LA, et al. PRISMA-IPD : éléments de rapport préférés pour les revues systématiques et les méta-analyses des données des participants individuels. JAMA 2015;313:1657-65.
Early Breast Cancer Trialists' Collaborative Group. Tamoxifen for early breast cancer. Cochrane Database Syst Rev 2001.
Cholesterol Treatment Trialists' Collaboration. Efficacy and safety of LDL-lowering therapy. Lancet 2010;376:1670-81.
Roberts D, et al. Antenatal corticosteroids for accelerating fetal lung maturation. Cochrane Database Syst Rev 2017.
IMPACT Study Group. Predicting outcome after traumatic brain injury. PLoS Med 2008;5:e165.
Debray TPA, et al. Get real in individual participant data meta-analysis. Int J Epidemiol 2015;44:1287-97.
Burke DL, et al. Meta-analysis using individual participant data. Stat Med 2017;36:320-38.

✔

Course Complete

"Dans l'ensemble, l'individu disparaît.
But you have learned to find them.
You have learned to ask: Who benefits? Who is harmed?

Maintenant, allez-y et ne laissez aucun patient disparaître dans la moyenne."

Le patient caché — Vous les voyez maintenant.