Prsentation PowerPoint

1
Étude longitudinale de la dépendance des
personnes âgées Isabelle Carrière, INSERM
U500 26 novembre 2002
2
Epidos

• Etude prospective, multicentrique, des facteurs
  de risque de fracture du col fémoral
•  Critères dinclusion 
• Femmes âgées de 75 ans et plus
• Vivant à domicile ou en hébergement collectif
• Pouvant se déplacer sans laide dune tierce
  personne
• En 1992-1993, 7598 femmes ont été recrutées dans
  les 5 centres participants
• Le centre de Montpellier a recruté 1548 femmes.

3
Suivi Epidos

• Un suivi, tous les 4 mois, des fractures et des
  chutes par courrier
• Un suivi récapitulatif, tous les ans, par
  courrier qui comprend 
• Nouvelles chutes, fractures
• Nouvelles maladies, symptômes
• Évolution du poids
• Habitat
• Ensemble des traitements
• Dépendance
• Notre étude porte sur lauto évaluation, chaque
  année, de lincapacité

4
Indicateur de désavantage (Colvez)

• 1 Confiné au lit ou au fauteuil
• 2 Besoin d'aide pour la toilette et l'habillage
• 3 Besoin d'aide pour sortir
• 4 Autres
• Critère binaire besoin daide pour sortir ou
  confinée chez elle évalué chaque année, pendant 6
  ans

5
Description de l'évolution des sujets
Réponses manquantes sur les 970 femmes
présentes à l'année 6, 15 avaient eu au moins
une réponse manquante auparavant. Réversibilité
importante 32 des femmes "reversent" au moins
une fois
6
Cinq caractéristiques des données longitudinales

• Les données répétées d'un sujet ont tendance à
  être corrélées
• Le temps de mesure peut être une variable
  explicative
• Certaines covariables peuvent être dépendantes du
  temps (hospitalisée dans l'année qui précède
  l'évaluation de l'incapacité)
• Les réponses (incapacité) manquantes au cours du
  suivi peuvent induire un biais
• La réponse de baseline doit-elle être considérée
  comme les autres réponses du suivi ?

7
Choix de l'origine du temps

• L'incapacité mesurée à l'inclusion peut être
  considérée comme
• Une partie de la réponse et l'on a 7 réponses par
  sujets (années 0, 1, 2, 6)
• Ou comme une covariable de baseline et l'on a 6
  réponses (années 1, 2, 6)

8
Choix de l'origine du temps

• Odds ratios d'être en incapacité lors d'une
  évaluation par rapport
• à l'évaluation des années précédentes

9
Modèle logistique pour données groupées 2
extensions

• Modèle marginal GEE (Generalized Estimating
  Equations) Zeger, Liang, Albert 1988
• Modèle à effets aléatoires (GLMM)

Ajout effet aléatoire
LM Linear model ANOVA, ANCOVA
LMM Linear mixed model Eisenhart 1947
Nouvelle distribution
GLMM Generalized linear mixed model Années 80
GLM Generalized linear model Wedderburn, Nelder
1972
10
Modèle Marginal
i sujet, j année, k covariable

• Dans l'estimation des paramètres on tient compte
  de la corrélation intra-sujet en modélisant
  séparément la matrice de covariance
• La corrélation est supposée être la même pour
  tous les sujets
• Les odds ratios (exp(?)) sont des OR moyens
  (population averaged)
• L'estimation des paramètres se fait à l'aide des
  équations GEE
• Les données manquantes doivent être manquantes
  complètement au hasard (MCAR), indépendantes des
  caractéristiques du sujet (observées ou non)

11
Modèle à effets aléatoires
i sujet, j année, k covariable

• Les Ui sont indépendants d'un sujet à l'autre,
  distribués selon une loi normale de moyenne nulle
• La corrélation intra-sujet est modélisée par les
  Ui
• La partie fixe et de la partie aléatoire sont
  estimées simultanément
• Les odds ratios (exp(?)) sont des OR spécifiques
  au sujet (subject-specified)
• L'estimation des paramètres se fait à l'aide
  d'algorithmes complexes
• Les données manquantes doivent être manquantes au
  hasard (MAR), seulement dépendantes des
  caractéristiques observées du sujet

12
Choix du modèle

• Si l'on considère
• Le processus des données manquantes
• Le possible biais de sélection à l'entrée
• Notre intérêt pour la recherche sur les
  mécanismes d'entrée en incapacité
• Le modèle à effets aléatoires est plus approprié

13
Étude de l'évolution de l'incapacité selon l'âge
à l'inclusion et le temps
Modèle marginal
La matrice de travail définissant la structure de
la matrice de covariance est choisie quelconque
(non structurée)
Modèle à effets aléatoires
U0 et U1 suivent chacun une loi normale de
moyenne nulle, les 2 variances sont à estimer
14
Étude de l'évolution de l'incapacité selon l'âge
à l'inclusion et le temps
15
Probabilité d'être en incapacité à 5 ans selon
l'âge à l'inclusion
(chez des femmes sans incapacité au départ et
vivantes à 6 ans)
16
Probabilité d'être en incapacité et délai depuis
l'inclusion
(chez des femmes sans incapacité au départ et
vivantes à 6 ans, âgées de 75 et 85 ans à
l'inclusion)
Modèle marginal
Modèle à effets aléatoires
17
Hétérogénéité des individus
Les différences entre les paramètres estimés par
le modèle marginal et le modèle à effets
aléatoires sont proportionnelles à
l'hétérogénéité entre individus.
La probabilité d'être dépendante est davantage
due à une "fragilité" individuelle non
caractérisée qu'à l'âge ou l'incapacité à
l'inclusion.
18
Étude des autres facteurs de risque ajustés sur
l'âge, le temps, Incap0, décès
19
Remarque sur les covariables dépendantes du temps

• Lorsque ces covariables sont elles mêmes
  corrélées dans le temps, elles peuvent interférer
  avec la structure de la covariance entre les
  réponses longitudinales
• (ajout ou suppression d'effets aléatoires)

20
Conclusion Modèle marginal ou à effets
aléatoires ?