Méthodes statistiques

Dans cette partie, nous présentons d’abord les méthodes permettant le coût moyen par patient et l’efficacité moyenne par patient, où le critère d’efficacité est la survie. Puis, nous présentons l’indicateur le plus répandu de coût-efficacité (le ratio coût-efficacité incrémentiel ou ICER) proposant une aide à la décision basée sur le coût et l’efficacité. Le bénéfice net incrémentiel, qui est une alternative pratique à l’ICER, est également rappelé.

Estimateurs du coût et de l’efficacité moyens par patient

Les arbres décisionnels

Les arbres de décision modélisent les choix d’actions de santé et leurs conséquences dans un contexte d’incertitude (Beck 1983, Sonnenberg 1993). Ils peuvent être non récursifs ou récursifs. Dans le premier cas, toutes les possibilités sont explicitées directement dans l’arbre. Dans le second cas, l’arbre représente la modélisation des trajectoires possibles du patient sur une période courte (appelée cycle), et l’état du patient à la fin d’un cycle est l’état du patient au cycle suivant. La trajectoire du patient est alors modélisée de cycle en cycle. Un exemple est montré dans la figure 1.
Les paramètres (probabilité des nœuds aléatoires, coûts et utilités) d’un arbre décisionnel sont généralement issus de la littérature. Contrairement aux arbres non récursifs, les arbres récursifs permettent une modélisation dans le temps de la trajectoire d’un patient. Toutefois, la durée constante des cycles est une hypothèse forte et assez peu réaliste dans le domaine médical. L’estimation du coût et de l’efficacité moyenne par patient est réalisée avec des simulations de Monte-Carlo. Cette méthode permet aussi d’estimer les variances, ce qui est indispensable pour interpréter les résultats avec rigueur, ainsi que la covariance entre le coût et l’efficacité. Une analyse de sensibilité est nécessaire afin d’étudier la robustesse des résultats et de la conclusion par rapport aux paramètres principaux du modèle : on fait varier la valeur d’un paramètre et on observe si la conclusion change. Les résultats d’une analyse de sensibilité à une voie peuvent être représentés avec un graphe de Tornado. Les modélisations par arbre décisionnel ont un avantage essentiel : elles peuvent être construites à partir des données de la littérature (attention : ne pas confondre avec les méta-analyses). Les résultats provenant d’essais randomisés sont à privilégier car ce sont les plus fiables, viennent ensuite les résultats provenant de suivi de cohortes, et, en dernier recours, les paramètres peuvent être estimés par avis d’experts.

Les méthodes de régression

De plus en plus, les données économiques sont recueillies dans les essais cliniques randomisés ou dans le suivi de cohorte. Ces données permettent d’obtenir des résultats plus fins car elles sont individuelles, ce qui rend possible l’étude de l’impact de certains facteurs sur le coût moyen d’une prise en charge pour une pathologie donnée (âge, sexe, catégorie socio-professionnelle, antécédent, …). Le modèle statistique consacré pour étudier l’influence de variables sur une variable à expliquer est, bien sûr, le modèle de régression. L’utilisation de ce type de modèle dans un but médico-économique nécessite cependant quelques précautions et adaptations.
On peut imaginer un modèle de régression linéaire (1). Un modèle de régression non linéaire (modèle log-linéaire) a également été proposé afin d’amélioration l’adéquation du modèle (car cela permet dans certains cas de normaliser la variable coût). mais l’interprétation devient difficile avec ce type de régression car l’échelle de mesure est changé. Mais deux problèmes surgissent très vite. Le premier concerne l’adéquation du modèle qui peut être très mauvaise. Par exemple, si une partie des patients « va bien », ces patients là auront un coût faible, alors que les autres patients auront un coût élevé. L’hypothèse de normalité des résidus a peu de chance d’être respectée. Le deuxième problème concerne le processus de censure. En effet, le coût total de la prise n’est pas toujours observé (les données censurées sont fréquentes dans ce domaine). Or, si un patient est censuré avant la fin de la prise en charge, il ne peut pas être pris en compte dans ce modèle linéaire. Toute l’information sur ce patient est inexploitée. De plus, le processus de censure peut être informatif (ie non aléatoire). Par exemple, si les patients sont perdus de vue parce qu’ils rentrent en soins palliatifs, la censure est clairement informative. Ces modèles de régression ne sont pas adaptés à l’estimation de l’efficacité (temps de survie).

Les analyses médico-économiques de données de survie

Les processus de censure sont souvent présents dans les données de survie, à cause de la nature même de ce type d’étude. Pour parer à ce problème, des auteurs ont proposé de partitionner la période de suivi et de réaliser un modèle de régression sur chacun des intervalles de temps (Willan 2004, Willan 2003). Ceci permet d’exploiter toute l’information disponible (voir figure 2 pour le découpage des intervalles).