Dans ce chapitre, nous nous intéressons à 3 cas d’utilisation illustrant l’intérêt que peut avoir l’approche bayésienne pour les sciences biomédicales.
Analyse post-mortem d’un essai clinique randomisé sous-dimensionné
L’essai clinique randomisé EOLIA (Combes et al., NEJM, 2018)1 a évalué un nouveau traitement pour le Syndrome de Détresse Respiratoire Aiguë (SDRA — Acute Respiratory Distress Syndrome ou ARDS) en comparant le taux de mortalité à 60 jours chez 249 patients randomisés entre un groupe témoin (recevant un traitement conventionnel, c’est-à-dire une ventilation mécanique) et un groupe recevant une Oxygénation par Membrane Extra-Corporelle (ExtraCorporeal Membrane Oxygenation ou ECMO) — le nouveau traitement évalué.
Une analyse fréquentiste des données a estimé le risque relatif de décès de 0,76 dans le bras ECMO comparé au groupe témoin (en intention de traiter), avec un intervalle de confiance à \(96\%\) : \(CI_{95\%} =[0,55, 1,04]\) et une p-valeur associée de \(0,09\).
| Groupe ECMO | Groupe témoin | |
|---|---|---|
| Taille du groupe \(\boldsymbol{n}\) | \(124\) | \(125\) |
| Nombre de décès à 60 jours | \(44\) | \(57\) |
Goligher et al. (JAMA, 2018)2 ont effectué une ré-analyse de ces données avec une approche bayésienne, continuant d’explorer les éléments apportés par ces données et comment ils peuvent être quantifiés et résumés par l’approche bayésienne.
Alain Combes et al., “Extracorporeal Membrane Oxygenation for Severe Acute Respiratory Distress Syndrome,” New England Journal of Medicine 378, no. 21 (2018): 1965–75, doi:10.1056/NEJMoa1800385.↩︎
Ewan C. Goligher, George Tomlinson, and Arthur S. Slutsky, “Post Hoc Bayesian Analyses—Reply,” JAMA 321, no. 16 (2019): 1632–33, doi:10.1001/jama.2019.1202.↩︎