Enseigner la méta-analyse en R à Cochrane Vienne — et le mémoire de Hasselt dont elle est issue

En octobre 2021, Philippe Tadger a été invité à donner une session d’une journée en R pour le Cochrane Anaesthesia, Critical and Emergency Care Group, lors de son meeting éditorial à Vienne. La session a guidé les relecteurs Cochrane à travers le code R pratique nécessaire pour exécuter — et pour critiquer — les méta-analyses à effets aléatoires modernes, y compris les modèles spécifiques aux études d’exactitude diagnostique qui faisaient l’objet de son mémoire de Master à l’Université de Hasselt. Cet article résume ce qui a été enseigné, pourquoi cela compte pour les preuves cliniques, et où lire le fondement méthodologique complet.

Pourquoi la méta-analyse est un problème de clinicien

Chaque fois qu’un kinésithérapeute choisit un traitement ou demande un test, il s’appuie sur des preuves qui ont été synthétisées — quelque part dans la chaîne — par une méta-analyse. Ces méthodes de synthèse ne sont pas interchangeables. Le choix du modèle à effets aléatoires, la façon dont l’hétérogénéité est gérée, les hypothèses derrière un intervalle de prédiction, et la machinerie statistique pour combiner les études diagnostiques : tout cela façonne les estimations poolées que les praticiens finissent par lire dans une recommandation. Quand la machinerie est fausse, la réponse clinique l’est aussi — c’est précisément pour cela que Cochrane investit dans une formation statistique interne pour ses relecteurs et ses auteurs.

Ce que la session de Vienne a couvert

1. Sept modèles à effets aléatoires, comparés

La session s’est ouverte sur la comparaison de Jackson et al. (2018) de sept modèles à effets aléatoires pour la méta-analyse d’issues binaires. En R, les participants ont exécuté plusieurs d’entre eux côte à côte sur le jeu de données classique d’Olkin (1995) sur la thrombolyse :

• Modèle 1 — DerSimonian–Laird et sa contrepartie REML (metafor::rma.uni, meta::metabin avec method.tau = "REML"). Simple, largement implémenté, le choix pragmatique par défaut quand les données ne sont pas rares.
• Modèle 4 — GLMM UM.FS (metafor::rma.glmm(..., model="UM.FS")). Une version modifiée du modèle de Simmonds & Higgins que Jackson et al. recommandent comme alternative sérieuse à l’approche conventionnelle.
• Modèle 5 — GLMM UM.RS avec effets spécifiques à l’étude (model="UM.RS").
• Modèle 7 — hypergéométrique-normal conditionnel CM.EL (model="CM.EL") et sa version approchée CM.AL, toutes deux des approches à vraisemblance exacte préférées pour les événements rares et quand l’expertise statistique est disponible.

Le message-clé pour les éditeurs Cochrane : le modèle DerSimonian–Laird conventionnel reste utilisable parce qu’il est simple et robuste, mais dès que les événements deviennent rares ou l’hétérogénéité extrême, le Modèle 4 (UM.FS) ou le Modèle 7 (CM.EL) livrent des estimations nettement meilleures. Chaque exemple a été montré avec le code R complet et un forest plot, pour que les éditeurs puissent le reproduire dans leurs propres revues.

2. Intervalles de prédiction — et pourquoi la normalité pose problème

Un intervalle de prédiction répond à la question qui intéresse vraiment le clinicien : « si j’applique ce traitement à mon prochain patient, quelle gamme d’effets puis-je attendre ? » L’intervalle de prédiction conventionnel suppose que la distribution des vrais effets est normale — une hypothèse qui s’effondre dans les revues petites ou hétérogènes. La session a introduit le package pimeta et son intervalle de prédiction bootstrap, qui contourne totalement l’hypothèse de normalité. Un exemple travaillé sur le jeu de données ThirdWave a montré comment greffer le PI bootstrap sur un modèle meta::metagen pour qu’un forest plot final affiche une ligne « Bootstrap PI » défendable.

3. Méta-analyse bayésienne de l’exactitude diagnostique

La section la plus technique de la session était l’analyse bayésienne des études d’exactitude diagnostique (DTA). Trois modèles ont été comparés sur le jeu de données classique Glas (télomérase) :

• Le modèle normal-normal de Reitsma (mada::reitsma) — présenté comme une référence historique, non recommandé en pratique car il impose une hypothèse de normalité rarement satisfaite.
• Modèle bivarié binomial-normal à effets aléatoires (metafor::rma.mv sur sensibilités et spécificités transformées en logit) — un pas frequentiste en avant qui respecte la nature binomiale des données.
• Binomial-normal bayésien avec bamdit — l’approche préférée. Elle utilise la distribution binomiale exacte, converge de façon fiable, et accepte une alternative binomial-mélange-de-normales pour les hétérogénéités sévères. L’exemple exécutait un ajustement metadiag() reposant sur JAGS avec des priors informatifs sur la corrélation, puis traçait les densités postérieures pour les variances inter-études et la corrélation sensibilité-spécificité.

La sortie visuelle comprenait un forest plot bivarié via DTAplots, des densités postérieures de sensibilité/spécificité, et des traceplots diagnostiques via coda — un workflow DTA bayésien complet dans une seule session RStudio.

Le lien avec le mémoire de Master à Hasselt

La section bayésienne DTA de la session de Vienne n’était pas un cours isolé — c’était une version condensée du travail méthodologique que Philippe avait achevé à l’Université de Hasselt dans le cadre de son mémoire de Master en Statistique. Ce mémoire, intitulé « Meta-Research on Statistical Methods of Combining Diagnostic Studies », compare systématiquement la machinerie statistique utilisée pour agréger les études d’exactitude diagnostique — les hypothèses, les modes d’échec et les recommandations pratiques pour choisir un modèle plutôt qu’un autre. Pour qui souhaite aller plus loin qu’une journée de cours ne le permet, le mémoire est l’endroit où lire les dérivations, les résultats de simulation et les recommandations finales.

→ Mémoire complet sur le dépôt de l’Université de Hasselt : hdl.handle.net/1942/32304

Télécharger la présentation de Vienne

La présentation originale de la session de Vienne est disponible ci-dessous. Elle contient les blocs de code R discutés plus haut, les forest plots et la sortie DTA bayésienne. Le fichier est protégé par mot de passe ; contactez-nous si vous avez besoin de la clé d’ouverture pour un usage pédagogique.

À retenir

• La méta-analyse n’est pas une méthode unique — choisir le bon modèle à effets aléatoires compte, surtout pour les événements rares et l’hétérogénéité élevée.
• Les intervalles de prédiction devraient utiliser des méthodes bootstrap quand la normalité ne peut être défendue.
• La méta-analyse d’exactitude diagnostique appartient à la famille bayésienne binomiale-normale, pas au modèle normal-normal de Reitsma.
• La formation éditoriale Cochrane est un vrai travail, et la maîtrise statistique fait partie de ce qui rend une revue systématique digne de confiance.