Méthodes « self-controlled » et score de propension pour la détection de signaux en pharmacovigilance

vendredi 16 février 2018, 9h30 - 10h30

Salle du conseil, espace Turing

L’objectif principal de la pharmacovigilance est de s’assurer de la sécurité d’emploi des médicaments commercialisés. L’utilisation d’outils statistiques pour la détection de signal constitue un premier pas d’analyse exploratoire vers l’identification d’effets indésirables médicamenteux. L’utilisation récente des bases médico-administratives offre de nombreuses perspectives dans ce contexte. Néanmoins, la présence de nombreux facteurs de confusion mesurés ou non-mesurés rend ces études difficiles. Par leur capacité à prendre en compte les facteurs de confusion non-mesurés invariant dans le temps, les méthodes « self-controlled » telles que le case-crossover ont été proposées pour la détection d’effets secondaires aigus. Ces méthodes sont néanmoins toujours sensibles aux facteurs de confusion dépendant du temps comme les co-prescriptions.

Nous présentons une approche permettant de prendre en compte de tels facteurs de confusion basée sur l’utilisation d’un score de propension en grande dimension, tout en gardant les propriétés du case-crossover. En comparaison d’approches de type régression pénalisée LASSO, cette approche permet en outre de fonder la règle de génération de signaux sur des critères d’erreurs statistiques tels que le False Discovery Rate.

L’intérêt de cette approche est illustré au travers de simulations par comparaison à des versions univariée et LASSO multiple du case-crossover.