Académique Documents
Professionnel Documents
Culture Documents
Évaluation quasi-expérimentale
des interventions médicales :
méthode des variables instrumentales
1
Service d’Évaluation Économique et de Santé Publique (SeeSP), haute autorité de Santé
2
réseau d’Évaluation en Économie de la Santé (reeS), 28 rue d’assas, 75006 Paris
Correspondance :
Salah Ghabri, haute autorité de Santé, 2 avenue du Stade de France,
93218 Saint-Denis la Plaine Saint Denis
e_mail : s.ghabri@has-sante.fr
RÉsumÉ
l’objectif de cet article est de présenter, sans formalisation statistique excessive, la méthode
des variables instrumentales (Vi) pour analyser l’effet causal de l’efficacité et de la sécurité
comparative des traitements dans des conditions en vie réelle. la méthode des Vi est utilisée
dans le cadre des études observationnelles. nous l’illustrerons à l’aide d’un exemple de la lit-
térature portant sur la sécurité comparative des anti-inflammatoires non stéroïdiens (ainS) uti-
lisant les préférences de prescription des médecins pour les ainS comme Vi. l’approche des
Vi permet de contrôler le biais d’indication mais elle est toutefois très contraignante au niveau
de la vérification de la validité des Vi.
mots-clefs : Variable instrumentale, confusion par indication, efficacité comparative, étude
observationnelle, préférences de prescription des médecins.
ABSTRACT
QUASI-EXPERIMENTAL EVALUATION OF MEDICAL INTERVENTIONS: INSTRU-
MENTAL VARIABLES METHOD
The aim of this paper is to present, without excessive statistical formalisation, the method of
instrumental variables (IV) for making causal inference in comparative effectiveness and safety
studies of medical interventions. The IV method is used in observational studies. We illustrate
our paper with an example from the literature on the comparative safety of non-steroidal anti-
inflammatory drugs (NSAID) using physician prescribing preferences for NSAID as an instru-
mental variable. The IV method allows controlling for confounding by indication. However, test-
ing the validity of IV is challenging.
Keywords: Instrumental variables, confounding by indication, comparative effectiveness
research, observational study, physician prescribing preferences.
Deux catégories de biais caractérisent les d’exploiter des bases de données administra-
données observationnelles : le biais lié à des tives françaises après la signature récente de
variables observables qualifié de biais « mesu- l’accord cadre leeM-CePS qui introduit la
rable » (overt bias) et celui associé à des notion de prix conditionnels dont la pérenni-
variables non observables (ou omises) appelé sation sera subordonnée aux résultats obser-
biais caché (hidden bias). le biais observable vés en situation réelle, d’expliquer ses moda-
se traduit par des facteurs de confusion qui sont lités d’utilisation à la lumière d’exemples
à la fois liés à l’allocation (ou choix) du trai- empruntés à la littérature récente et d’en mon-
tement (t) et au critère de jugement (Y). il trer les limites [14, 15, 16, 17].
peut alors être contrôlé en ayant notamment
recours à la méthode du score de propension la première section rappellera brièvement
(rosenbaum et rubin, 1983) [2] et/ou la comment l’effet causal peut être rigoureuse-
méthode de régression standard (régression ment isolé dans un contexte expérimental. la
linéaire, régression logistique, régression de deuxième section discutera les biais induits par
Cox...). Cependant le problème du contrôle les différents schémas d’études observation-
des biais des variables non observables reste nelles. la troisième section illustrera sous
entier. Deux techniques peuvent être envisa- forme de diagramme l’approche des variables
gées pour en assurer la maîtrise : les modèles instrumentales en expliquant son principe, et
de sélection de heckman [3] et l’approche des en montrant ses avantages et ses limites. la
variables instrumentales [4,5]. quatrième section donnera un exemple d’uti-
lisation de cette technique dans le cas de la
l’approche des variables instrumentales est prescription des anti-inflammatoires non sté-
très utilisée par les économistes dans les roïdiens (ainS) et mettra l’accent sur l’inté-
domaines de la finance et de la consommation rêt des travaux de brookhart et al. [9,10, 16]
des substances licites et/ou illicites [6]. le tra- et de rassen et al. [18] portant sur des données
vail d’angrist et al. [4] a initialement introduit américaines et le travail de Davies et al [19]
la méthode des variables instrumentales dans portant sur les données britanniques. la conclu-
les essais cliniques pour étudier l’observance. sion résumera les principaux enseignements
en dépit de quelques travaux en épidémiolo- et les perspectives de développement de cette
gie [7,8], son application dans l’évaluation des méthode.
traitements mis en œuvre dans la vraie vie est
assez récente. À partir de la seconde moitié
des années 2000, la littérature sur les variables
instrumentales s’est progressivement déve- CONTEXTE EXPÉRImENTAL
loppée. la technique a été employée pour éva- ET EFFET CAusAL
luer les effets du médicament en vie réelle
[9,10,11] et pour étudier l’impact du cathété- un essai randomisé en double aveugle avec
risme cardiaque sur le taux de mortalité des groupe de contrôle est le plan d’expérience
patients souffrant d’infarctus aigu du myocarde idéal pour analyser l’efficacité d’un traitement.
aux États-unis [12]. la randomisation rend les groupes compa-
rables au début de l’étude en équilibrant les
l’objectif de cet article est de présenter, caractéristiques des sujets affectés à chacun
sans formalisation statistique excessive, com- des groupes, que ces caractéristiques soient
ment la méthode des variables instrumentales observables ou non. un risque de biais d’at-
est mise en œuvre dans le cadre des études trition ne peut cependant pas être complète-
observationnelles pour analyser la sécurité ment exclu lorsqu’il existe des perdus de vue
comparative des médicaments en vie réelle du fait de non réponse ou d’un défaut d’ob-
[13] ; d’enrichir la réflexion sur la possibilité servance. en son absence, le double aveugle
permet de neutraliser l’effet patient ainsi que études observationnelles sont souvent mises
l’effet investigateur. en place. en l’absence d’affectation aléatoire,
Dans ce contexte, les différences observées une association peut exister non seulement
sur le critère de jugement entre les groupes entre les facteurs de confusion (observables/non
sont attribuables à l’effet du seul traitement. observables) et le choix du traitement, mais
aussi entre les facteurs de confusion et le cri-
tère de jugement. Dans les études observa-
tionnelles (figure1), les caractéristiques ini-
ÉTuDEs OBsERVATIONNELLEs
tiales de l’état de santé du patient sont une
ET BIAIs
source potentielle de biais, (exemple, l’inten-
Pour des raisons éthiques ou opérationnelles sité de la douleur) puisqu’elles sont à la fois
relatives à la mise en place d’un plan d’expé- liées au choix du traitement et à son critère de
rience randomisé, il n’est pas toujours facile jugement. en pratique, nous observons deux
de réaliser des essais randomisés lorsqu’on cas fréquents dans les études observationnelles,
cherche à conduire une étude de médicament que nous allons expliciter. lorsqu’il s’agit
ou d’interventions médicales en vie réelle. Des d’études prospectives de terrain, les variables
Caractéristiques du
patient
Mesurées:
Mesurées:
Staff, coût,
congestion…
Caractéristiques
Non mesurées:
institutionnelles
Attitude, habileté
Guides, législations,
pratiques
d’intérêt sont colligées. en revanche, dans les moins, la corrélation entre des variables inob-
banques de données (ou les registres) un grand servables avec le traitement et le critère de
nombre de variables ne sont pas documentées. jugement risque d’induire des biais « cachés»
que les approches de régressions classiques
et/ou les scores de propension sont incapables
1. schéma d’étude avec collection de contrôler. Ces biais cachés sont liés à l’exis-
de la plupart des variables d’intérêt tence de variables importantes qui ont été
le premier schéma d’une étude observa- omises au départ comme, par exemple, les habi-
tionnelle idéalement préféré par le chercheur tudes de prescription des médecins, les choix
est celui où la plupart des variables pertinentes thérapeutiques, l’organisation des soins dans
(par exemple, toutes les caractéristiques indi- un établissement de santé, les plaintes des
viduelles importantes au regard du phénomène patients quant à la sévérité de leur douleur…
étudié) ont été identifiées dans le protocole de une solution pour neutraliser ces biais
l’étude et ont été présentées dans les données cachés, consiste à chercher une variable dite
de l’enquête en question. elle illustre une situa- « instrument » qui exerce une influence sur le
tion où les biais sont « mesurables ». les choix du traitement mais non sur son critère
méthodes classiques : score de propension et de jugement. on s’intéresse aux personnes qui
régressions standards (linéaires, logistiques, ont bénéficié d’un traitement parce qu’elles
modèles de survie ou de comptage) permet- ont été exposées à une certaine valeur de la
tent de les neutraliser. l’approche des scores variable instrumentale mais qui n’en n’auraient
de propension1 permet de rendre les popula- pas bénéficié si celle-ci avait pris une autre
tions incluses dans chacun des groupes com- valeur.
parables en équilibrant leurs caractéristiques
en début de l’étude, et l’analyse de régression
multivariée classique permet (en présence ou
en absence des scores de propension) d’ajus-
LA mÉTHODE DE LA VARIABLE
ter le critère de jugement sur d’éventuelles INsTRumENTALE (VI)
covariables. les variables instrumentales permettent de
contrôler les biais des variables non obser-
2. Études utilisant des banques vables ou omises (biais de sélection...). elles
de données administratives et variables sont très utiles pour évaluer les traitements
non observables médicaux en vie réelle. la méthode recherche
une source de variation qui joue le rôle d’un
un second schéma d’une étude observa- tirage au sort dans une étude expérimentale,
tionnelle est le cas d’une base de données très où les patients à priori suffisamment compa-
volumineuse (registres, banques de données rables sont affectés à des traitements différents.
de l’assurance maladie…) où un grand nombre un schéma d’étude doit justifier le choix de la
des variables ne sont pas documentées. les variable instrumentale et décrire le support sur
biais observables peuvent être contrôlés à l’aide lequel on identifie un effet causal dans le choix
des méthodes précédemment décrites. néan- du traitement.
1
le score de propension est la probabilité pour un patient de caractéristiques données (co-variables observées) d’être
exposé à un traitement. Chaque patient exposé est apparié au patient non exposé dont le score est le plus proche. le
sous-échantillon ainsi constitué a des caractéristiques proches de l’essai clinique randomisé (pas de différence entre
les groupes des patients exposés et non exposés à l’étape initiale de l’étude).
2
Pour obtenir ce résultat, l’instrument doit affecter le traitement de façon uniforme (propriété de monotonicité: il ne
faut pas qu’une variation de l’instrument permette d’induire un accès au traitement pour certains et son contraire
pour d’autres).
la consommation des substances licites et/ou être inclus dans la revue, les travaux retenus
illicites sur la qualité de vie des individus. Ce devaient avoir explicitement vérifié que les
travail se focalise sur la littérature de l’effica- 3 hypothèses sur lesquelles reposait la méthode
cité (ou la sécurité) comparative des traitements des variables instrumentales avaient été empi-
en vie réelle (i.e. études post-inscription). riquement vérifiées. ils ont distingué ainsi
5 catégories majeures de variables instrumen-
après avoir procédé à l’interrogation de tales : les variations des pratiques médicales
plusieurs bases de données médicales (Med- régionales et des structures de soin (13 études),
line, Psych.info, econlit...) et économiques les préférences des médecins (8 études), les
entre 1961 et 2009, Chen et briesacher ont réa- caractéristiques des patients telles que leur sta-
lisé une revue systématique de la littérature. tut financier et bilan médical passé (3 études)
785 publications ont été identifiées. 28 d’entre et le temps calendaire (4 études). le tableau i
elles ont été retenues dont 16 avaient des dates décrit des exemples se rapportant à ces 5 caté-
de publication postérieures à 2007 [15]. Pour gories d’instruments.
Tableau I : exemples de catégories, dimensions et type d’instruments
Catégorie Dimension Type de variables Exemple d’étude
accessibilité du Géographique Distance par rapport au Étude : effet du cathétérisme cardiaque
service de soins domicile du patient sur la mortalité [7]
traitement: Cathétérisme cardiaque
(oui/non) Variable instrumentale : hôpital
le plus proche du domicile du patient
Variation des régionale : Fréquence régionale de Étude : efficacité d’un traitement anti andro-
pratiques ou offreurs de soins l’utilisation d’un trai- génique versus traitement conservateur en
interventions Établissement tement (ou interven- cas de cancer localisé de la prostate chez
médecins tion) des hommes âgés d’au moins 66 ans [37]
traitement : traitement anti-androgénique
vs. traitement conservateur
Variable instrumentale : Fréquence des trai-
tements anti-androgénique par région
Préférences de Médecin Préférences du méde- Étude : effet des ainS anti-CoX2 sélec-
l’offreur de soins cin (dernière prescrip- tifs sur les complications gastro-intesti-
tion du médecin d’un nales [9,10] traitement : ainS anti-CoX2
traitement) sélectifs vs. ainS non sélectifs
Variable instrumentale: Prescription d’ainS
du dernier patient reçu par le médecin
temps de prescription temporelle : 1. Jour de la semaine Étude : efficacité de l’oxaliplatin vs. 5-Fu
(ou d’admission pour Jour, mois, année... d’admission à l’hôpital dans la réductionde la mortalité [38]
une intervention) 2. Date relative à une traitement : oxaliplatin vs. 5-Fu Variable
décision réglementaire instrumentale : Périodes avant et après la
sur la prescription d’un date de l’approbation par la FDa approba-
traitement médical tion d’oxaliplatin
Caractéristiques individuelle-patient Coût de traitement à la Étude : effet de l’adhérence au traitement
des patients Caractéristiques du charge du patient sur l’hospitalisation des patients souffrant
patient (dépenses de d’insuffisance cardiaque chronique [39]
santé…) traitement : inhibiteurs de l’enzyme de
Conversion de l’angiotensine vs. des béta-
bloquants
Variable instrumentale : Coût de traitement
à la charge du patient (oui/non)
matoires non stéroïdiens (ainS) en vie réelle et sans variable instrumentale. la différence
en nous fondant sur les données utilisées par de risque absolu (Dra) était approximée par
brookhart et al [9], les travaux de brookhart la différence de proportions des saignements
et al [9,10,16] ainsi que ceux de rassen et al gastro-intestinaux entre les coxibs et les ainS
[18] et Davies et al [19]. le choix de cet non sélectifs ; ii) les analyses multivariées
exemple est essentiellement motivé par des (sans variable instrumentale) ont été estimées
raisons pédagogiques : il nous permettra d’in- à l’aide de la procédure GenMoD (SaS ver-
troduire et d’expliquer le principe de la sion 9.1) et les modèles avec variable instru-
méthode sans formalisation économétrique mentale ont été estimés à l’aide de la procé-
excessive, de montrer son intérêt pour appré- dure iVreG (Stata version 7.0) selon la
hender la sécurité comparative des traitements variante linéaire de la méthode Vi (cf.
dans la vraie vie, d’enrichir notamment la annexe 1). les covariables introduites dans ces
réflexion sur la possibilité d’exploiter des bases modèles étaient les caractéristiques des patients
de données administratives françaises pour (démographiques et cliniques) à l’inclusion.
produire des évaluations des interventions
médicales (utilisant par exemple la méthode les colonnes 2 et 3 du tableau ii récapitu-
de la variable instrumentale et/ou d’autres tech- lent la répartition des variables présentes dans
niques existantes). enfin les avantages et les la base de données entre les coxibs et les ainS
inconvénients de la méthode des variables ins- non sélectifs. la comparaison des variables :
trumentales pourront être présentés à la lumière score de Charlson, utilisation des anticoagu-
de ces enseignements. lants, nombre d’hospitalisations, nombre de
traitements pour les complications gastro-intes-
tinales renforce l’hypothèse de l’existence d’un
1. Analyse de l’innocuité comparative biais de confusion par indication3, et montre
des AINs utilisés en vie réelle que les ainS CoX2 sélectifs ont été prescrits
aux patients ayant un risque de saignements
brookhart et al. [9,10] ont étudié les effets gastro intestinaux.
à court terme des ainS sur les complications
gastro-intestinales à partir d’une cohorte de Selon ces données, les ainS Cox 2 sélec-
49 919 patients âgés de 65 ans ou plus (Medi- tifs ne semblaient pas avoir un effet protecteur
care-Pennsylvanie-États-unis) ayant eu au sur les sujets âgés de 65 ans ou plus. Ceci peut
moins une prescription d’ainS (sélectifs ou être expliqué par une mauvaise observance, la
non) entre janvier 1999 et juillet 2002. co-prescription d’autres médicaments n’en-
traînant pas de complications gastro-intesti-
les traitements comparés étaient les ainS nales et la présence de facteurs de risque inob-
CoX2 sélectifs (coxibs) et les ainS non sélec- servables. les facteurs de risque des
tifs. le critère de jugement retenu reposait sur saignements gastro-intestinaux non mesurés
la recherche d’une différence à 60 jours entre dans les bases de données « Health Care
le risque absolu des saignements gastro-intes- Claims » sont, par exemple, la consommation
tinaux dans chacun des deux groupes. le plan de tabac, l’obésité, la consommation d’alcool,
d’analyse statistique était le suivant : i) ana- la consommation d’aspirine et les plaintes des
lyses univariées du risque absolu des SG avec patients au sujet des évènements indésirables
3
le biais d’indication est un type de biais de sélection. Dans le cas des études de post-inscription comparant deux
traitements a et b, il survient quand la prescription du traitement a est liée au risque de la maladie étudiée. Ceci
génère une gravité initiale non comparable entre les traitements a et b.
(par exemple, les évènements liés aux com- al [24] ont montré que la préférence de pres-
plications gastro-intestinales). cription des médecins était un déterminant
important pour la prescription des ainS CoX
Selon le schéma d’une étude observation- 2 sélectifs.
nelle avec banque de données médico-admi-
nistratives et présence de variables non obser- le tableau iii montre que si la prescription
vables, la variable instrumentale est une du dernier patient reçu par le médecin est un
technique potentielle pour pallier le biais des coxib, 77,3% des prescriptions actuelles des
variables non mesurées contrairement à la ainS sont des coxibs. De même, si la pres-
régression standard et les variantes de l’ap- cription du dernier patient reçu par le généra-
proche des scores de propension (appariement, liste est un ainS non sélectif, 54,5% des pres-
ajustement sur le score en présence de cova- criptions actuelles sont des ainS non sélectifs.
riables, ou analyse stratifiée sur le score de Ces données montrent que l’instrument (la der-
propension). nière prescription d’un ainS) est bien associé
au traitement (prescription actuelle), et per-
l’instrument choisi dans les études [9,10] mettent de vérifier la première condition du
est fondé sur la préférence de prescription des choix de la variable instrumentale (association
médecins. en effet, la dernière prescription entre la variable instrumentale et le traitement,
d’un ainS à un patient influence largement la représentée par une flèche entre Z et t dans la
prescription actuelle d’un ainS. Solomon et figure 2).
Tableau II : Caractéristiques des patients selon la prescription des coxibs et des ainS
(avec ou sans variable instrumentale) - Source : brookhart et al. (2006)
COXIBs (%) AINs non sélectifs (%)
Sexe 86 84 81 84
age > 75 75 73 65 72
hospitalisation 31 29 26 27
Polyarthrite rhumatoïde 5 4 3 4
arthrose 49 45 33 41
Condition 3 : VI Non
corrélée avec les
Facteurs de confusion
caractéristiques du patient
(C)
X
Condition 1 : VI
Corrélée avec T
ainS antiCoX-2 ainS non sélectifs ainS antiCoX-2 ainS non sélectifs
Dr/100 Dr/100
(*) (*)
n events n events n events n events
Gi dans
32 273 211 17646 110 0,03 % 25363 148 12479 99 -0,21%
60 jours
ristiques du patient (âge, arthrose et hospitali- tion de la sécurité et/ou de l’efficacité compa-
sation) laissent présager la présence d’un sous- rative des interventions médicales en vie réelle.
groupe homogène de patients à risque parmi
la population analysée.
3. Les enseignements à retenir
en ce qui concerne la modélisation écono-
métrique, il aurait été préférable de réaliser des l’approche de la variable instrumentale
estimations fondées sur d’autres méthodes plu- contribue à enrichir le débat sur l’analyse de
tôt compatibles avec la nature dichotomique la sécurité des médicaments dans des condi-
du critère de jugement comme la méthode 2Sri tions de vie réelle à partir des registres ou
(« two stage residual inclusion) de terza [27]. banques de données administratives. avec le
rassen et al [18] ont essayé de pallier ce pro- vieillissement de la population et l’augmenta-
blème en proposant des techniques tenant tion du nombre de médicaments mis sur le mar-
compte de l’aspect binaire du critère de juge- ché, les études sur les bénéfices et les risques
ment (par exemple, le modèle de probit struc- médicamenteux en conditions réelles d’utili-
turel et le modèle logistique à double étape) et sation dans la population âgée deviennent de
permettant notamment l’estimation du risque plus en plus importantes. néanmoins, le choix
relatif associé à la survenue des complications des préférences des médecins (i.e. la dernière
gastro-intestinales (via l’estimation des odds prescription d’un ainS par le médecin) comme
ratios dans le cadre du modèle logistique estimé variable instrumentale n’est pas unanimement
à deux étapes). leurs résultats confirment glo- accepté si on pense que la préférence des méde-
balement ceux de brookhart [9] et montrent cins peut être, a priori, influencée par d’autres
que l’amplitude des intervalles de confiance à facteurs (campagnes publicitaires…), et que
95% des risques relatifs est plus faible que celle des prescriptions concomitantes interférant
des intervalles de confiance à 95% du risque avec l’instrument risquent de remettre en ques-
absolu sur les complications gastro-intesti- tion la condition d’exclusion.
nales.
il est donc important de rechercher d’autres
les travaux sur l’innocuité comparative des types d’instruments et de les comparer à la pré-
ainS utilisés en vie réelle ont le mérite d’ex- férence des médecins afin d’optimiser à la fois
pliquer le choix de l’instrument et la discus- la neutralité de l’instrument et sa forte asso-
sion de l’hétérogénéité de l’effet estimé par la ciation avec le traitement. une première piste
méthode Vi mais n’explorent pas l’optimisa- consiste à utiliser, par exemple, la technique
tion de la sélection d’un instrument parmi un des variables instrumentales proposée par abra-
ensemble d’instruments potentiels (exemple, hamowicz et al. [30] adaptée à l’hypothèse réa-
le test de Sargan [28,19] dit « test de sur-iden- liste de changement des préférences des méde-
tifications » permettant d’identifier le(s) cins dans le temps, et qui permet, selon les
«bons » instrument(s) parmi un ensemble d’ins- simulations des auteurs d’optimiser l’associa-
truments potentiels). De même ils ne discutent tion de l’instrument avec le traitement et d’aug-
pas suffisamment la portée des tests écono- menter la précision de l’effet estimé par l’ap-
métriques permettant de justifier l’utilisation proche par variable instrumentale.
de la méthode Vi (test d’hausman [28,29]).
une deuxième piste à explorer des
Dans la perspective d’élaboration d’un recherches méthodologiques pour comparer
guide de bonnes pratiques sur l’utilisation de l’approche par variable instrumentale et le
l’analyse par la méthode Vi, l’utilisation de modèle de sélection d’heckman [3]. le modèle
ces techniques fréquemment utilisées dans les d’heckman est approprié aux biais de sélec-
applications de la méthode Vi en économie tion liés à des variables mesurées/non mesu-
reste à explorer dans le domaine de l’évalua- rées. il permet tout d’abord de modéliser la
[2] rosenbaum Pr, rubin Db. the Central role [13] Pizer SD. an intuitive review of methods for
of the Propensity Score in observational Stud- observational studies of comparative effective-
ies for Causal effects. Biometrika 1983;7:41- ness. Health Serv Outcomes Res Method
55. 2009;9:54-68.
[3] heckman J. Sample selection bias as a specifi- [14] Swanson Sa, hernán Ma. Commentary: how
cation error. Econometrica 1979;47:153-61. to report instrumental Variable analyses. Epi-
demiology 2013;24:370-74.
[4] angrist JD, imbens GW, rubin Db. identifi-
cation of causal effects using instrumental vari- [15] Chen Y, briesacher ba. use of instrumental
ables. Journal of the American Statistical Asso- variable in prescription drug research with obser-
ciation 1996;81:444-55. vational data: a systematic review. J Clin Epi-
demiol 2011;64(6):687-700.
[5] Cameron aC, trivedi PK. Microeconometrics:
Methods and Applications. new York: Cam- [16] brookhart Ma. introduction to pharmacoepi-
bridge university Press.2009:883-8. demiology, university South australia; ade-
laide, September 2012. http://www.vicbio-
[6] French Mt, Popovici i. that instrument is lousy! stat.org.au/sites/default/files/docs/Brookhart_fin
in search of agreement when using instrumen- al_booklet.pdf.
tal variables estimation in substance use
research. Health Econ 2011;20(2):127-46. [17] ionescu-ittu r, abrahamowicz M., Pilote l.
treatment effect estimates varied depending on
[7] McClellan M, Mcneil bJ, newhouse JP. Does the definition of the provider prescribing pref-
more intensive treatment of acute myocardial erence-based instrumental variables. J Clin Epi-
infarction in the elderly reduce mortality? anal- demiol 2012;65(2):155-62.
ysis using instrumental variables. JAMA
[18] rassen J, Schneeweiss S, Glynn rJ, Murray a,
1994;272(11):859-66.
Mittleman Ma, brookhart Ma. instrumental
[8] Greenland S. an introduction to instrumental variable analysis for estimation of treatment
variables for epidemiologists. International effects with dichotomous outcomes, Am J Epi-
Journal of Epidemiology 2000;29:722-29. demiol 2009;169:273-84.
[9] brookhart Ma, Wang PS, Solomon Dh, [19] Davies nM, Smith GD, Windmeijer F, Martin
Schneeweiss S. evaluating short-term drug rM. CoX-2 Selective nonsteroidal anti-inflam-
effects using a physician-specific prescribing matory Drugs and risk of Gastrointestinal tract
preference as an instrumental variable. Epi- Complications and Myocardial infarction: an
demiology 2006;17(3):268-75. instrumental Variable analysis. Epidemiology
2013;24(3):352-62.
[10] brookhart Ma, rassen Ja, Schneeweiss S.
instrumental variable methods in comparative [20] Givord P. Méthodes économétriques pour l’éva-
safety and effectiveness research. Pharma- luation de politiques publiques. Document de
coepidemiol Drug Saf 2010;19:537-54. travail 2010, inSee. Paris.
[21] Greene Wh. Econometrics Analysis. upper Sad-
[11] hadley J1, Yabroff Kr, barrett MJ, Penson DF,
dle river:Prentice hall ;2003:65-83.
Saigal CS, Potosky al. Comparative effec-
tiveness of prostate cancer treatments: evaluat- [22] boef aG, Dekkers oM,Vandenbrouke JP, le
ing statistical adjustments for confounding in Cessie S. Sample size importantly limits the
observational data. J Natl Cancer Inst. usefuklness of instrumental variable methods,
2010;102(23):1780-93. depending on instrument strength and level of
confounding, J Clin Epidemiol 2014; pii: S0895-
[12] Stukel ta, Fisher eS, Wennberg De, alter Da, 4356(14) 00232-7.
Gottlieb DJ, Vermeulen MJ. analysis of obser-
vational studies in the presence of treatment [23] Crown Wh, henk hJ, Vanness DJ. Some Cau-
selection bias: effects of invasive cardiac man- tions on the use of instrumental Variables esti-
agement on aMi survival using propensity score mators in outcomes research: how bias in
and instrumental variable methods. JAMA. instrumental Variables estimators is affected by
2007;297(3):278-85. instrument Strength, instrument Contamination,
and Sample Size. Value in Health [32] Johnston KM, Gustafson P, levy ar, Groo-
2011;14(8):1078-84. tendorst P. use of instrumental variables in the
analysis of generalized linear models in the pres-
[24] Solomon Dh, Schneeweiss S, Glynn rJ, levin
ence of unmeasured confounding with applica-
r, avorn J. Determinants of selective cyclooxy-
tion to epidemiological research. Stat Med
genase-2 inhibitor prescribing: are patient or
2008;27(9):1539-56.
physician characteristics more important? Am
J Med 2003;115(9):715-20. [33] Martens eP, Pestman Wr, De boer a, belitser
SV, Klungel oh. instrumental variables: appli-
[25] bombardier C, laine l, reicin a, Shapiro
cation and limitations, Epidemiology
D, burgos-Vargas r, Davis b, Day r, Ferraz
2006;17(3):260-67.
Mb, hawkey CJ, hochberg MC, Kvien tK,
Schnitzer tJ; ViGor Study Group. Compari- [34] rassen Ja, brookhart Ma, Glyn rJ, Mittle-
son of upper gastrointestinal toxicity of rofe- man Ma. Schneeweiss S. instrumental Vari-
coxib and naproxen in patients with rheumatoid able ii: instrumental variable application in 25
arthritis.ViGor Study Group. N Eng J Med variation,the physician prescribing preference
2000;343:1520-8. generally was strong and reduced covariante
[26] Silverstein Fe, Fraich G, Goldstein Jl, Simon imbalance. J Clin Epidemiol 2009;62(12):1233-
lS, Pincus t, Whelton a, Makuch r, eisen 41.
G, agrawal nM, Stenson WF, burr aM, Zhao [35] angrist JD, Pischke JS. Mostly Harmless Econo-
WW, Kent JD, lefkowith Jb, Verburg KM, Geis metrics. Princeton: Princeton university Press,
GS. Gastrointestinal toxicity with celecoxib vs 2009:113-47.
nonsteroidal anti-inflammatory drugs for
osteoarthritis and rheumatoid arthritis: the [36] angrist JD. estimation of limited dependent
ClaSS study: a randomized controlled trial. variable models with dummy endogenous
JAMA 2000;284:1247-55. regressors, simple strategies for empirical prac-
tice. Journal of Business and Economics Statis-
[27] tersa J., bassu a., rathouz PJ. two-stage resid- tics 2001;19:2-28.
ual inclusion estimation: addressing endo-
geneity in health econometric modeling. J [37] lu-Yao Gl, albertsen PC, Moore DF, Shih W,
Health Econ 2008;27(3):531-43. lin Y, DiPaola rS, Yao Sl. Survival following
primary androgen deprivation therapy among
[28] Davidson r, Mackinnon JG. Estimation and men with localized prostate cancer. JAMA
Inference in Econometrics. oxford: oxford uni- 2008;300:173-81.
versity Press. 1993:209-42.
[38] Mack CD, brookhart Ma, Glynn rJ, Stürmer t.
[29] hausman Ja. Specification tests in econo-
Calendar time as an instrumental Variable in non-
metrics. Econometrica 1978;46:1251-71.
experimental Comparative effectiveness research
[30] abrahamowicz M. beauchamp Me, ionescu- of Dynamic therapies. oral presentation, 28th
ittu r, Delaney Joseph aC, Pilote l. reducing international Conference on Pharmacoepidemi-
the variance of the prescribing preference-based ology and therapeutic risk Management,
instrumental variable estimates of the treatment barcelone, 2012. http://www.pharmacoepi.org/
effect. Am J Epidemiol 2011;174(4):494-502. meetings/28ICPE/presentations/aj_oral_presen-
tations_key.cfm.
[31] Pirracchio r, Sprung C, Payen D, Chevret S.
benefits of iCu admission in critically ill [39] Cole Ja, norman h, Weatherby lb, Walker
patients: Whether instrumental variable meth- aM. Drug copayment and adherence in chronic
ods or propensity scores should be used. BMC heart failure: effect on cost and outcomes. Phar-
Med Res Methodol 2011;11:132. macotherapy 2006;26:1157-64.
ANNEXE 1 :
EsTImATION PAR LA mÉTHODE DEs VARIABLEs INsTRumENTALEs
rel [19, 28,5] et la méthode des moments géné- Par ailleurs, dans la littérature économé-
ralisés GMM [19, 28, 32]. trique, une vérification empirique très utile
pour justifier si l’usage de la méthode Vi est
nécessaire consiste à tester l’égalité des esti-
Vérifications empiriques de l’analyse mateurs de la Vi et la méthode standard (i.e.
par VI les MCo) en vérifiant, par exemple, dans
l’équation (5) si le coefficient associé au résidu
les outils actuels utilisés dans le diagnos- est significativement différent de 0. Si le résul-
tic de l’analyse par Vi dans l’évaluation com- tat du test n’est pas significatif au seuil de 5%,
parative de l’efficacité et la sécurité des inter- l’usage de la méthode Vi n’est pas nécessaire
ventions médicales ne permettent pas de car l’écart type estimé de l’estimateur standard
vérifier complètement et d’une façon standar- est plus faible que celui de la méthode Vi.
disée la validité des conditions d’utilisation de Cependant, même si cette procédure, connue
l’analyse par la Vi. la première condition (l’as- sous le nom du test d’hausman [28,29] est faci-
sociation entre l’instrument et le fait de rece- lement utilisable et préprogrammée dans la
voir du traitement) peut être explorée lors de majorité des logiciels économétriques, le rejet
la première étape de l’estimation (équation 1) de l’utilisation de la méthode Vi doit être pru-
à l’aide d’un test de Fisher et le test r de cor- demment interprété car il peut être attribuable
rélation partielle. Dans le cas simple d’une à l’hétérogénéité de l’effet du traitement et non
seule variable instrumentale si la statistique du nécessairement à l’endogenéité de l’instru-
test de Fisher est >10, l’instrument est consi- ment [5,10, 35].
déré comme non faible [33]. le calcul de ces il est à noter que même si le traitement et
statistiques exige la transformation d’une le critère de jugement sont deux variables
variable instrumentale dichotomique en dichotomiques, il est toujours pertinent d’es-
variable continue. la deuxième condition timer des variantes linéaires et non linéaires
(l’instrument n’a pas d’effet sur le critère de de l’approche des variables instrumentales et
jugement excepté à travers le traitement) est de comparer leurs résultats [36].
difficile à vérifier. il est impossible de tester
l’absence d’association entre l’instrument et
le terme d’erreur. Par contre, si l’on dispose Remerciements
de plusieurs instruments potentiels et si le
nombre d’instruments est strictement supérieur Ce travail a été présenté à la journée
au nombre de variables endogènes, il est pos- JGeM/SFeS (l’efficacité comparative des trai-
sible d’effectuer un test appelé test de « sur- tements en vie réelle : comment choisir le bon
identification » (test de Sargan, [28,19]) per- plan d’étude, janvier 2013) et au séminaire du
mettant de se prononcer sur le(s) « bon(s) Conservatoire national des arts et des Métiers
instrument(s) » à conserver parmi les instru- sur les méthodes d’évaluations d’impact appli-
ments candidats. la vérification de la troisième quées sur l’évaluation des interventions en
condition (absence de lien de l’instrument avec santé publique (mai 2014). nous remercions
les caractéristiques du patient) ne peut être les deux rapporteurs anonymes pour leurs com-
vérifiée que sur les variables disponibles ; soit mentaires permettant l’amélioration du fond
par une comparaison de la répartition des carac- de l’article et de sa méthodologie. nous remer-
téristiques des patients selon la variable ins- cions Christian Jannot et Gwenaël le teuff
trumentale, ou soit par la comparaison de la (institut Gustave roussy), Françoise hamers,
différence moyenne standardisée stratifiée par alice Desbiolles, Gwénolé briot et eloïse
le traitement et celle stratifiée par la variable lucotte (haS) pour leurs lectures des diffé-
instrumentale [34]. rentes versions de cet article.