Exercice 5 : Ré-analyse bayésienne post-mortem d’un essai clinique randomisé sous-dimensionné

L’essai clinique randomisé EOLIA Alain Combes et al., “Extracorporeal Membrane Oxygenation for Severe Acute Respiratory Distress Syndrome,” New England Journal of Medicine 378, no. 21 (2018): 1965–1975, doi:10.1056/NEJMoa1800385. a évalué un nouveau traitement du syndrome respiratoire aigu sévère (SDRA) en comparant le taux de mortalité après 60 jours chez 249 patients répartis de manière aléatoire parmi un groupe contrôle (traité de manière traditionnelle, c’est-à-dire par ventilation mécanique) et un groupe traitement recevant une oxygénation extracorporelle par membrane (ECMO), le nouveau traitement étudié. Une analyse fréquentiste des données a conclu à un Risque Relatif de décès de \(0,76\) dans le groupe ECMO par rapport au groupe témoin (en intention de traiter), avec \(IC_{95\%} =[0,55 ; 1,04]\) et la p-valeur associée de \(0,09\).

Ewan C. Goligher et al. “Extracorporeal Membrane Oxygenation for Severe Acute Respiratory Distress Syndrome and Posterior Probability of Mortality Benefit in a Post Hoc Bayesian Analysis of a Randomized Clinical Trial,” JAMA 320, no. 21 (2018): 2251, doi:10.1001/jama.2018.14276. ont ré-analysé ces données avec une approche bayésienne, explorant différentes façon de quantifier et de résumer les résultats apportés par cette études.

1. Écrire le modèle Bayésien utilisé par Goligher et al., “Extracorporeal Membrane Oxygenation for Severe Acute Respiratory Distress Syndrome and Posterior Probability of Mortality Benefit in a Post Hoc Bayesian Analysis of a Randomized Clinical Trial”.

2. Écrire le modèle BUGS correspondant.

3. Commencer par créer 2 vecteurs de données binaires (1 ou 0) ycontrol et yecmo encodant les observations individuelles résumées dans la table ci-dessus. Utiliser ensuite les fonctions jags.model() et coda.samples() pour reproduire les estimations de Goligher et al., “Extracorporeal Membrane Oxygenation for Severe Acute Respiratory Distress Syndrome and Posterior Probability of Mortality Benefit in a Post Hoc Bayesian Analysis of a Randomized Clinical Trial”. (ProTip: utiliser la fonction window() afin de retirer les observations correspondant à la phase de chauffe de coda.samples fonction).

4. Évaluer la convergence, puis commenter les résultats et les estimations (ProTip: la fonction R effectiveSize() du package coda permet de calculer la taille d’échantillon effective).

5. Changer pour une loi a priori plus informative en utilisant une distribution Gaussienne pour le \(log(RR)\), centrée en log(0.78) et avec un écart-type de 0.15 (dans l’échelle du log(RR), ce qui correspond à une précision \(\approx 45\)). Commenter les resultats. Essayer d’autres distributions a priori.