Approche quasi expérimentale basée sur la régression quand la randomisation n’est pas une option: analyse de séries chronologiques interrompues

Points récapitulatifs L’analyse de séries chronologiques interrompues est sans doute le “ next best ” Bien que plusieurs hypothèses doivent d’abord être satisfaites, ce modèle quasi-expérimental peut être utile pour fournir des réponses sur les interventions et les effets au niveau de la population. Cependant, leur mise en œuvre peut être difficile, en particulier en ce qui concerne les interventions. pour les non-statisticiensIntroductionLes essais contrôlés randomisés (ECR) sont considérés comme l’approche idéale pour évaluer l’efficacité des interventions. Cependant, toutes les interventions ne peuvent pas être évaluées avec un ECR, alors que pour de nombreuses interventions, les essais peuvent être prohibitifs. En outre, même des ECR bien conçus peuvent être sujets à des erreurs systématiques conduisant à des estimations biaisées, en particulier lors de la généralisation des résultats à “ monde réel ” paramètres. Par exemple, la validité externe des essais cliniques sur le diabète semble être médiocre; la proportion de la population écossaise qui répondait aux critères d’admissibilité pour sept essais cliniques majeurs variait de 3,5% à 50,7% .1 L’une des plus grandes préoccupations concerne les patients atteints de multimorbidité, qui sont généralement exclus des ECR.2Les études bactériologiques peuvent remédier à certaines de ces lacunes. mais le manque de contrôle des chercheurs sur les variables confusionnelles et la difficulté à établir la causalité signifient que les conclusions des études utilisant des approches observationnelles sont généralement considérées comme plus faibles. Cependant, avec des plans d’étude quasi-expérimentaux, les chercheurs sont capables d’estimer les effets causaux en utilisant des approches observationnelles. L’analyse des séries chronologiques interrompues (ITS) est un modèle quasi-expérimental utile pour évaluer les effets longitudinaux des interventions, par modélisation de régression3. Le terme quasi-expérimental renvoie à une absence de randomisation et l’analyse des STI est principalement un outil d’analyse. des données d’observation où la randomisation complète, ou une conception cas-contrôle, n’est pas abordable ou possible. Son principal avantage par rapport aux approches alternatives est qu’elle peut utiliser pleinement la nature longitudinale des données et tenir compte des tendances avant l’intervention (fig 1 ​ 1).) kamagraforsale.org. Cette conception est particulièrement utile lorsque “ expériences naturelles ” Dans les paramètres de mots réels, par exemple, lorsqu’un changement de politique de santé entre en vigueur. Cependant, il n’est pas approprié lorsque les tendances ne sont pas (ou ne peuvent être transformées) linéairement, l’intervention est introduite graduellement ou à plus d’un moment, il y a des effets externes variant dans le temps ou autocorrélation (par exemple, saisonnalité), ou les caractéristiques de la population changent avec le temps — bien que tous ces éléments puissent être potentiellement traités par la modélisation si les informations pertinentes sont connues.Les variations sur cette conception sont également connues sous le nom d’analyse par régression segmentée ou discontinuité de régression et ont été décrites ailleurs4, mais nous nous concentrerons sur les données longitudinales et la modélisation pratique. Les STI englobent un large éventail d’approches de modélisation et nous décrivons les étapes nécessaires pour effectuer des analyses simples ou plus avancées, en utilisant comme exemple les analyses précédemment publiées de notre groupe de recherche.