Abonnez-vous à DeepL Pro pour traduire des fichiers plus volumineux.
Visitez [Link]/pro pour en savoir plus.
Notes de présentation sur les séries temporelles interrompues :
Vue d'ensemble de l'ITS
- Il est souvent nécessaire d'évaluer rétrospectivement des interventions qui ont déjà
été mises en œuvre, souvent pour des raisons politiques, soit sans randomisation,
soit auprès d'une population entière et donc sans aucun contrôle.
- ITS De plus en plus utilisé pour l'évaluation des interventions de santé publique ;
- il est particulièrement adapté aux interventions introduites au niveau de la
population sur une période clairement définie et qui visent des résultats sanitaires
au niveau de la population
Qu'est-ce qu'un STI ?
- Une série chronologique est une séquence continue d'observations sur une
population, prises de manière répétée (normalement à intervalles égaux) au
fil du temps.
- Dans l'ITS, la série temporelle est utilisée pour établir une tendance sous-
jacente pour un résultat d'intérêt, qui est "interrompue" par une intervention à
un moment donné.
- Nous modélisons un scénario hypothétique dans lequel l'intervention n'a pas eu lieu
et où la tendance reste inchangée (cette tendance "attendue", en l'absence de
l'intervention, est appelée "contrefactuel").
- Ce scénario contrefactuel fournit une comparaison pour l'évaluation de l'impact de
l'intervention en examinant tout changement entre le scénario contrefactuel et les
données observées dans la période post-intervention.
La figure montre le taux d'ECA (événement cardiovasculaire aigu) au fil du temps (après
l'interdiction de fumer). Fond blanc, période pré-intervention ; fond gris, période post-
intervention ; ligne continue, tendance pré-intervention ; ligne pointillée, contrefactuel.
Dans la période post-intervention, la plupart des points de données sont inférieurs au
contrefactuel - ce qui suggère visuellement une diminution des ECA à la suite de
l'intervention.
Les modèles ITS peuvent fournir des données statistiques permettant de déterminer s'il s'agit
d'une diminution réelle.
- L'approche d'analyse partage de nombreuses propriétés avec les approches basées
sur la régression
- Cependant, les données de séries temporelles présentent une série de
caractéristiques uniques qui nécessitent des considérations méthodologiques
supplémentaires.
Quand un plan de séries temporelles interrompues est-il approprié ?
Intervention :
- Plus important encore, l'ITS fonctionne mieux lorsque l'intervention est introduite à
un moment précis. Dans certaines évaluations, il peut être difficile de définir le
moment où l'intervention a commencé et de différencier les effets des différentes
composantes.
- n'exige pas nécessairement que l'intervention soit introduite du jour au
lendemain, mais la période de mise en œuvre doit être bien définie de manière à
ce que les périodes avant et après l'intervention puissent être considérées
séparément.
- La mise en œuvre de l'exemple d'intervention a été très claire avec
l'interdiction de fumer dans les lieux publics dans toute l'Italie au début du
mois de janvier 2005.
Résultats :
- Il peut s'agir d'un comptage, d'un comptage continu ou d'un comptage binaire
- Les résultats à court terme (c'est-à-dire ceux qui devraient changer relativement
rapidement après la mise en œuvre d'une intervention) ou ceux dont le délai avant
l'impact est clairement défini (pas trop de variation) sont les plus efficaces.
- En ce qui concerne le résultat de l'exemple, les auteurs citent des preuves selon
lesquelles les effets aigus du tabagisme actif et passif disparaissent rapidement
après la suppression de l'exposition - les admissions en CAE devraient donc
diminuer. Un cas comme le cancer du poumon serait moins approprié, car le délai
entre l'intervention et le résultat est beaucoup moins clair et peut être très
variable.
Données disponibles :
- Les mesures séquentielles du résultat doivent être disponibles avant et après
l'intervention.
- En raison de l'exigence de mesures répétées, les données de routine sont souvent
utilisées pour les STI
- Il n'y a pas de lignes directrices directes concernant le nombre de points dans
le temps, et il y a plusieurs raisons à cela :
La puissance augmente avec le nombre de points dans le temps... Les études avec peu de
points dans le temps ou avec des tailles d'effet attendues faibles doivent être interprétées
avec prudence car elles peuvent être sous-puissantes...
mais il n'est pas toujours préférable d'avoir plus de points de données :
- Par exemple, lorsque les tendances historiques ont changé de manière
substantielle, car cela ne donnerait pas une représentation précise des tendances
sous-jacentes actuelles.
- Il est donc recommandé d'inspecter visuellement les données antérieures à
l'intervention.
- La puissance dépend de plusieurs autres facteurs, notamment la distribution des
points de données avant et après l'intervention, la variabilité des données, la force
de l'effet et la présence d'effets confondants tels que la saisonnalité.
Choisir un modèle approprié
- Il est important d'émettre des hypothèses sur l'impact de l'intervention sur le
résultat si elle est efficace,
- un changement progressif de la pente de la tendance,
- un changement de niveau ou les deux,
- et si le changement suivra immédiatement l'intervention ou s'il y aura une période
de latence avant qu'un effet ne soit attendu.
IMPORTANT que le modèle d'impact soit décidé a priori.
Il est déconseillé de s'appuyer sur les données relatives aux résultats pour sélectionner le
meilleur modèle d'impact, car cela augmente la probabilité qu'un effet soit détecté en
raison de fluctuations aléatoires ou du hasard,
Méthodes de régression
Ce modèle de régression représente le modèle d'impact (c) où il y a à la fois un changement
d'échelon et un changement de pente.
Les modèles (a) et (b) peuvent facilement être spécifiés en excluant les termes β TX3t ou β2 Xt
, respectivement.
Nouvel exemple
Comme il s'agit de données de comptage, un modèle de régression de poisson a été utilisé.
D'autres modèles de régression peuvent être utilisés, par exemple la régression linéaire pour
les résultats continus.
Étant donné que l'hypothèse d'un modèle de changement de niveau a été émise, le terme
d'interaction pour le changement de pente n'est pas nécessaire dans le modèle.
Ce modèle suggère qu'il existe des preuves très solides d'une réduction des ECA à la suite de
l'interdiction de fumer.
avec une diminution de 11 % [risque relatif (RR) 0,894 ; intervalle de confiance à 95 % (IC)
0,864-0,925 ; P
< 0.001)
Considérations méthodologiques :
il existe un certain nombre de problèmes spécifiques aux données de séries temporelles
qu'il peut être nécessaire de résoudre afin d'améliorer la robustesse de l'analyse.
Saisonnalité :
- De nombreuses maladies et d'autres problèmes ont un caractère saisonnier
- cela pourrait fausser les résultats, en particulier dans l'analyse des séries courtes
- ex. S'il y a plus de mois d'hiver dans la période pré-intervention et plus de
mois d'été dans la période post-intervention, il y a plus de mois d'hiver dans
la période post-intervention.
- L'autocorrélation est un autre problème. L'une des hypothèses des modèles de
régression standard est que les observations sont indépendantes. Cette hypothèse
est souvent violée dans les données de séries chronologiques, car les observations
consécutives ont tendance à être plus semblables les unes aux autres que celles qui
sont plus éloignées.
- l'autocorrélation doit toujours être évaluée en examinant le tracé des résidus
Il existe plusieurs façons de gérer la saisonnalité dans les analyses de séries
chronologiques :
- Stratifier le modèle par mois (ou autre période)
- Utiliser des fonctions plus complexes telles que les termes de Fourier
- peut fournir un lien vers de plus amples informations à ce sujet si cela l'intéresse.
Facteurs de confusion variables dans le temps :
- Les STI ne sont généralement pas affectés par les variables confusionnelles typiques
qui restent relativement constantes, telles que la répartition de l'âge de la
population ou le statut socio-économique, étant donné que ces variables ne
changent que relativement lentement au fil du temps et sont normalement prises
en compte lors de la modélisation de la tendance sous-jacente à long terme.
- Les STI peuvent être influencés par des facteurs de confusion variables dans le temps
qui changent plus rapidement.
- a parlé de la saisonnalité (qui est un exemple)
- Un autre exemple est celui des maladies sujettes à des épidémies en réponse à
des événements météorologiques (exemple de figure).
- Autres événements ayant eu une incidence sur les résultats, par exemple la crise
financière, les changements dans les méthodes de diagnostic,
- Autres interventions introduites ayant une incidence sur le résultat recherché
Solutions :
- Lorsque de tels facteurs de confusion variables dans le temps ont été mesurés, ils
peuvent être contrôlés en incluant des variables les représentant dans le modèle de
régression (comme dans d'autres analyses de régression).
- Lorsque les facteurs de confusion variables dans le temps ne sont pas mesurés
ou sont inconnus, il est possible d'adapter la conception :
- ITS contrôlé (avec un groupe de contrôle qui ne reçoit pas l'intervention mais
subit tous les autres changements qui ont lieu à ce moment-là).
- plan de référence multiple (l'intervention est introduite à différents
endroits et à différents moments)
- Introduire puis retirer l'intervention afin de déterminer si le retrait de
l'intervention entraîne une inversion de l'effet.
