Axe 3

Méthodes de mesure et d'interprétation des résultats autodéclarés

Description

Cet axe est centré sur certains des défis méthodologiques rencontrés lors de l’analyse et de l’interprétation des données issues de questionnaires autorapportés comme les Patient-Reported Outcomes (PRO). Parfois, des patients avec le même état de santé (qualité de vie ou QdV par exemple) peuvent comprendre ou interpréter les questions sur leur expérience différemment selon leur groupe (fonctionnement différentiel des items, DIF) et/ou au cours du temps (response shift, RS). L’hypothèse d’invariance de la mesure est alors remise en cause. Le DIF et le RS, lorsque leurs effets confondants sont ignorés, peuvent aboutir à des interprétations erronées des critères d’évaluation des soins basés sur des PRO. Le response shift en lui-même est également un phénomène intéressant à étudier, car il pourrait résulter d’une adaptation positive des patients face à des événements de santé majeurs ou il pourrait également révéler des troubles de l’adaptation qui méritent d’être détectés.

  • Bulteau S, Sauvaget A, Vanier A, Vanelle J-M, Poulet E, Brunelin J, et al.
    Depression Reappraisal and Treatment Effect: Will Response Shift Help Improve the Estimation of Treatment Efficacy in Trials for Mood Disorders?
    Front Psychiatry. 2019;10:420.
    Lire le publication
     
  • Tessier P, Blanchin M, Sébille V.
    Does the relationship between health-related quality of life and subjective well-being change over time? An exploratory study among breast cancer patients.
    Soc Sci Med 1982. 2017;174:96–103.
    Lire le publication


  •  

 

Illustration Alice

Nous nous intéressons en particulier à l’invariance de la mesure et ses implications méthodologiques et cliniques.

Dans ce but, nous avons développé et validé, par des études de simulations, des méthodes basées sur des modèles à variables latentes (modèles de Rasch, modèles à équations structurelles) pour la détection du DIF et du RS comme le RespOnse Shift ALgorithm at Item-level ROSALI. Tous les modules de logiciels statistiques automatisant les méthodes développées dans l’unité sont librement disponibles en ligne.

  • Guilleux A, Blanchin M, Vanier A, Guillemin F, Falissard B, Schwartz CE, et al. RespOnse Shift ALgorithm in Item response theory (ROSALI) for response shift detection with missing data in longitudinal patient-reported outcome studies. Qual Life Res Int J Qual Life Asp Treat Care Rehabil. 2015 Mar;24(3):553–64.
    Lire le publication
     
  • Blanchin M, Guilleux A, Hardouin J-B, Sébille V. Comparison of structural equation modelling, item response theory and Rasch measurement theory-based methods for response shift detection at item level: A simulation study. Stat Methods Med Res. 2019 Oct 30;962280219884574.
    Lire le publication
     
  • Blanchin M, Brisson P. ROSALI. Stata module to detect of response shift at item-level between two times of measurement [Internet]. Statistical Software Components. 2020 [cité 17 juill 2020].
    Lire le publication
     
  • Hammas K, Sébille V, Brisson P, Hardouin J-B, Blanchin M. How to Investigate the Effects of Groups on Changes in Longitudinal Patient-Reported Outcomes and Response Shift Using Rasch Models. Front Psychol. 2020;11:3704.
    Lire le publication
     

 

Nous continuons actuellement les développements méthodologiques et statistiques pour la prise en compte des variations inter-individuelles du RS qui est souvent considéré homogène au sein d’un échantillon. Ces développements se font dans le cadre d’un workpackage du projet HAP2, projet européen H2020, dont l’objectif est d’évaluer l’évolution de la QdV et des troubles anxieux et dépressifs ainsi que la survenue de RS entre 1 et 3 mois après la sortie de soins intensifs du point de vue des patients et de leurs proches afin de mieux comprendre le processus de rétablissement des patients.

 

figure sf36

Comme il est naturel de s’attendre à l’apparition de RS après la survenue d’un événement majeur de santé, la plupart des méthodes pour l’analyse du RS prennent en compte deux temps de mesure : avant et après cet événement (par exemple, un diagnostic, un traitement). Mais limiter les analyses de RS à deux temps de mesure peut être trop restrictif lorsque les trajectoires de santé sont plus complexes. Nous aimerions donc avoir une meilleure idée de la cinétique du RS en étendant les analyses de RS au niveau des items à plus de deux temps de mesure.

Enfin, nous sommes également intéressés par les approches multidisciplinaires dont des approches mixtes (qualitative et quantitative) pour étudier l’hétérogénéité et la temporalité de la non-invariance de la mesure (DIF et RS).