Pourquoi est-il important d'étudier la sclérose en plaques ?
La sclérose en plaques (SEP) est une maladie chronique du cerveau, de la colonne vertébrale et des nerfs. Des millions de personnes dans le monde souffrent de cette maladie, mais la maladie et son évolution peuvent être très différentes d'une personne à l'autre. Bien que la SEP ne puisse pas être guérie, il existe différents traitements qui peuvent aider à réduire les symptômes et à ralentir l'aggravation de la maladie. Ces traitements agissent différemment, certains ayant des effets secondaires plus graves que d'autres. Il est important pour les patients et les professionnels de la santé de comprendre la gravité de la SEP d'une personne.
Pourquoi les modèles pronostiques sont-ils importants dans le contexte de la sclérose en plaques ?
Les modèles pronostiques aident les patients et les professionnels de santé à comprendre dans quelle mesure une personne est ou sera malade. Cette compréhension peut aider les patients dans leurs choix de vie et de traitement. Les modèles pronostiques peuvent également aider les professionnels de la santé à prendre des décisions sur la meilleure façon de traiter une personne, à mieux comprendre la maladie ou à mettre au point des traitements. Les modèles pronostiques pour la SEP pourraient impliquer la combinaison d'une série d'informations différentes sur un individu afin de prédire l'évolution de sa SEP. Les éléments d'information importants à inclure dans un modèle pronostique pourraient être, par exemple, des informations sur les caractéristiques personnelles (telles que l'âge, le sexe, l'indice de masse corporelle), des informations sur leur comportement (par exemple, s'ils fument) et des informations sur leur SEP (par exemple, depuis combien de temps ils sont atteints de la maladie). D'autres caractéristiques cliniques ou mesures pourraient également être importantes.
Que voulions-nous découvrir ?
Nous voulions rechercher et trouver tous les modèles pronostiques qui combinent plusieurs éléments d'information pour prédire l'évolution et l'aggravation de la SEP chez l'adulte.
Comment avons-nous procédé ?
Nous avons utilisé différentes techniques pour rechercher toutes les études décrivant des modèles pronostiques, qui combinent plusieurs éléments d'information, développés dans le contexte de la SEP. Nous nous sommes intéressés aux études montrant comment ces modèles de pronostic ont été développés, ainsi qu'aux études évaluant leur efficacité dans la pratique. Une fois que nous avons trouvé toutes les études pertinentes, nous les avons résumées et avons évalué la qualité de la présentation des résultats et de la conduite des études.
Qu’avons-nous trouvé ?
Nous avons trouvé 57 études décrivant des modèles pronostiques combinant plusieurs éléments d'information pour prédire l'évolution et l'aggravation de la SEP chez l'adulte. Ces études ont décrit le développement de 75 modèles pronostiques différents. Dans 15 cas, les performances de modèles pronostiques spécifiques ont été évaluées.
Nous avons constaté que les modèles de pronostic se concentrent sur différents critères de jugement : 41 % s'intéressent à la progression de la maladie, 8 % aux rechutes, 18 % au passage d'une première poussée à une SEP certaine, et 28 % au passage des premiers stades de la SEP à une SEP progressive. Les modèles de pronostic que nous avons trouvés étaient très différents les uns des autres à bien des égards. Les patients qu'ils ont utilisés pour développer les modèles, par exemple, étaient très différents en termes de traitements. En outre, les éléments d'information qu'ils ont utilisés pour prédire l'évolution de la SEP étaient très différents les uns des autres. Nous avons constaté que les modèles pronostiques ont évolué au fil du temps en fonction du diagnostic de la SEP et de l'augmentation de l'utilisation des traitements, des informations observées avec de nouvelles techniques ou de nouvelles approches de modélisation. Nous avons également constaté que l'utilisation de ces modèles de pronostic nécessite des informations sur l'individu qui requièrent un coordinateur de recherche documentaire et souvent un équipement spécialisé, deux éléments qui pourraient ne pas être disponibles dans de nombreuses cliniques et hôpitaux.
Quelles sont les limites des données probantes ?
Nous avons trouvé des problèmes dans la plupart des études, ce qui signifie que nous ne pouvons peut-être pas nous fier à leurs résultats. Les problèmes communs concernaient les données et les méthodes statistiques utilisées dans les différentes études. En outre, de nombreuses études rapportent de résultats qui pourraient être très différents si les modèles pronostiques étaient appliqués à un nouvel ensemble de personnes atteintes de SEP. Nous avons également constaté que les études décrivaient mal leurs méthodes et présentaient mal leurs résultats.
Qu’est-ce que cela signifie ?
Les études que nous avons trouvées montrent que les données probantes sur les modèles pronostiques permettant de prédire l'évolution et l'aggravation de la SEP chez l'adulte ne sont pas encore bien développées. De nouvelles recherches sont nécessaires pour utiliser les méthodes recommandées dans les lignes directrices afin de développer des modèles de pronostic et d'évaluer leurs performances. Cette recherche devrait également s'attacher à bien décrire leurs méthodes et leurs résultats, afin que d'autres chercheurs et professionnels de santé puissent les utiliser dans le cadre de la recherche et de la pratique clinique.
Les données probantes actuelles ne sont pas suffisantes pour recommander l'utilisation de l'un des modèles de prédiction pronostique publiés pour les personnes atteintes de sclérose en plaques (SEP) en routine clinique aujourd'hui, en raison du manque de validations externes indépendantes. La communauté des chercheurs en pronostic de la SEP devrait adhérer aux lignes directrices actuelles en matière de rapports et de méthodologie et mener beaucoup plus d'études de validation externe de pointe pour les modèles existants ou nouvellement mis au point.
La sclérose en plaques (SEP) est une maladie inflammatoire chronique du système nerveux central qui touche des millions de personnes dans le monde. L'évolution de la maladie varie considérablement d'un individu à l'autre et de nombreux traitements de fond présentant des profils de tolérance et d'efficacité différents ont été mis au point récemment. Les modèles pronostiques évalués et dont la validité a été démontrée dans différents contextes peuvent aider les personnes atteintes de SEP et leurs médecins à prendre des décisions en matière de traitement ou de gestion de la maladie et de la vie, permettre une interprétation stratifiée et plus précise des essais d'intervention et fournir des informations sur les mécanismes de la maladie. De nombreux chercheurs se sont tournés vers des modèles pronostiques pour aider à prédire les critères de jugement cliniques chez les personnes atteintes de SEP ; cependant, à notre connaissance, aucun modèle pronostique largement accepté pour la SEP n'est encore utilisé dans la pratique clinique.
Identifier et résumer les modèles pronostiques multivariables, et leurs études de validation pour quantifier le risque de progression clinique de la maladie, d'aggravation et d'activité chez les adultes atteints de SEP.
Nous avons effectué des recherches sur MEDLINE, Embase et la base de données des revues systématiques Cochrane de janvier 1996 à juillet 2021. Nous avons également examiné les références bibliographiques des études incluses et des revues pertinentes, ainsi que les références citant les études incluses.
Nous avons inclus tous les modèles pronostiques multivariables statistiquement développés visant à prédire la progression, l'aggravation et l'activité de la maladie clinique, mesurée par l'invalidité, la rechute, la conversion en une SEP définitive, la conversion en une SEP progressive, ou un composite de ces éléments chez les adultes atteints de SEP. Nous avons également inclus toutes les études évaluant la performance de ces modèles (c'est-à-dire les validant). Il n'y avait pas de restrictions basées sur la langue, la source des données, le moment du pronostic ou le moment de l’évaluation des critères de jugement.
Des paires d'auteurs de la revue ont indépendamment examiné les titres/résumés et les textes complets, extrait les données à l'aide d'un formulaire piloté basé sur la liste de vérification CHARMS (Checklist for Critical Appraisal and Data Extraction for Systematic Reviews of Prediction Modelling Studies), évalué le risque de biais à l'aide de l’outil PROBAST (Prediction Model Risk Of Bias Assessment Tool), et évalué les défauts de notification sur la base des éléments de la liste de vérification TRIPOD (Transparent Reporting of a Multivariable Prediction Model for Individual Prognosis or Diagnosis). Les caractéristiques des modèles inclus et leurs validations sont décrites de manière narrative. Nous avions prévu d’effectuer une méta-analyse de la discrimination et la calibration des modèles ayant fait l'objet d'au moins trois validations externes en dehors de l'étude de développement du modèle, mais aucun modèle ne répondait à ce critère. Nous avons résumé l'hétérogénéité entre les études de manière narrative, mais nous n'avons pas pu effectuer la méta-régression prévue.
Nous avons inclus 57 études, à partir desquelles nous avons identifié 75 développements de modèles, 15 validations externes correspondant à seulement 12 (16 %) des modèles, et six validations rapportées par l'auteur. Seuls deux modèles ont fait l'objet d'une validation externe à plusieurs reprises. Aucune des validations externes identifiées n'a été réalisée par des chercheurs indépendants de ceux qui ont développé le modèle. Le critère de jugement était lié à la progression de la maladie dans 39 (41 %), aux rechutes dans 8 (8 %), à la conversion en SEP définitive dans 17 (18 %) et à la conversion en SEP progressive dans 27 (28 %) des 96 modèles ou validations. Les caractéristiques de la maladie et du traitement des participants inclus, ainsi que les définitions des facteurs prédictifs et des critères de jugement, étaient très hétérogènes d'une étude à l'autre. En fonction de l'année de publication, nous avons observé une augmentation du pourcentage de participants sous traitement, une diversification des critères de diagnostic utilisés, une augmentation de la prise en compte des biomarqueurs ou du traitement comme prédicteurs, et une utilisation accrue des méthodes d'apprentissage automatique au fil du temps.
Facilité d'utilisation et reproductibilité
Tous les modèles identifiés contenaient au moins un prédicteur dont la mesure ou l'évaluation nécessitait les compétences d'un spécialiste médical. La plupart des modèles (44 ; 59 %) contenaient des prédicteurs nécessitant un équipement spécialisé susceptible d'être absent des soins primaires ou des environnements hospitaliers standards. Plus de la moitié (52 %) des modèles développés n'étaient pas accompagnés de coefficients, d'outils ou d'instructions, ce qui entrave leur application, leur validation indépendante ou leur reproduction. Les données utilisées pour l'élaboration des modèles n'ont été rendues publiques ou déclarées disponibles sur demande que dans quelques études (deux et six, respectivement).
Risque de biais
Nous avons estimé que tous les modèles développés ou validés, à l'exception d'un seul, présentaient un risque de biais global élevé. La raison principale en était les méthodes statistiques utilisées pour le développement ou l'évaluation des modèles de pronostic ; nous avons évalué tous les développements ou validations de modèles inclus, sauf deux, comme présentant un risque de biais élevé dans le domaine de l'analyse. Aucun des modèles développés qui ont été validés de manière externe ou des validations externes de ces modèles ne présentait un faible risque de biais. Plus d'un tiers (38 %) des modèles ou de leurs validations ont suscité des inquiétudes quant à l'applicabilité des modèles à notre question de recherche.
Rapport des déficiences
Les rapports étaient globalement médiocres et il n'y a pas eu d'amélioration observable de la qualité des rapports au fil du temps. Les points qui n'ont pas été clairement indiqués ou qui n'ont pas été indiqués du tout pour la plupart des modèles ou des validations inclus étaient liés à la justification de la taille de l'échantillon, à la mise en aveugle des évaluateurs de critères de jugement, aux détails du modèle complet ou à la manière d'obtenir des prédictions à partir de celui-ci, à la quantité de données manquantes et aux traitements reçus par les participants. Les rapports sur les mesures de performance des modèles préférés en matière de discrimination et de calibration n'étaient pas optimaux.
Post-édition effectuée par Inès Belalem et Cochrane France. Une erreur de traduction ou dans le texte d'origine ? Merci d'adresser vos commentaires à : traduction@cochrane.fr