Score de propension : mode d’emploi concret pour des études observationnelles robustes

Pourquoi le score de propension a révolutionné l’épidémiologie observationnelle ?

L'analyse d'effets de traitements ou d'expositions à partir de données observationnelles est au cœur de l'épidémiologie moderne. Or, la distribution des facteurs de confusion entre groupes comparés reste un enjeu méthodologique majeur. L’appariement par score de propension (Propensity Score Matching, PSM), proposé par Rosenbaum et Rubin dès 1983 (Biometrika), s’impose comme une méthode incontournable pour améliorer la comparabilité entre groupes.

• Entre 2010 et 2020, le recours au score de propension dans les publications biomédicales a été multiplié par cinq selon PubMed.
• Il s’agit d’une approche quasi-expérimentale permettant de limiter la confusion sur variables mesurées, donc de renforcer la crédibilité des résultats.
• Cependant, une mauvaise mise en œuvre conduit à des biais aussi importants qu’une absence de contrôle, d’où l’intérêt d’une attention particulière à chaque étape.

Score de propension : rappel conceptuel rapide

Le score de propension est la probabilité, pour un individu, de recevoir le traitement (ou d’être exposé), compte tenu de ses caractéristiques observées. Ce score, compris entre 0 et 1, permet de condenser l’information issue de plusieurs covariables en une unique mesure synthétique.

• Exemple : Pour un patient, la propension à recevoir un nouveau médicament dépendra de son âge, comorbidités, antécédents, etc.
• Le PSM vise à comparer des individus ayant des profils comparables sur les covariables incluses, réduisant ainsi la confusion.

Étapes pratiques de la mise en œuvre du PSM

1. Spécification du modèle de score de propension

Le plus souvent, on utilise une régression logistique pour modéliser la probabilité d’être exposé en fonction de covariables prédéterminées à la lumière de la littérature et de l’expertise métier.

• Inclure uniquement des variables qui prédisent à la fois l’exposition et le critère de jugement (pour éviter le biais d’inclusion de variables uniquement associées à l’exposition).
• Se méfier de l’ajout automatique de toutes les covariables disponibles : l’inclusion de variables collidantes peut aggraver les biais (PLOS Medicine, 2016).

2. Calcul du score de propension

La prédiction du score pour chaque individu se fait à partir du modèle. Vérifier la distribution des scores par groupe d’exposition permet d’anticiper des problèmes de faible recouvrement (overlap) entre groupes – une étape souvent négligée.

3. Appariement des individus

• Par paires les plus proches : chaque exposé est apparié avec le non-exposé au score de propension le plus voisin.
• Caliper (tolérance) : fixer une marge maximale de différence de score acceptée entre deux individus pour être appariés (souvent 0.2 fois l’écart-type du score logit, selon Austin, 2014).
• Sans remise vs avec remise : un même individu non exposé peut être utilisé une seule fois (sans remise) ou plusieurs fois (avec remise) selon la méthode retenue – la remise peut améliorer la précision mais complexifie l’analyse.

4. Analyse post-appariement et diagnostics de qualité

Avant toute estimation d’effet, il est impératif de vérifier que les groupes appariés sont bien comparables sur les covariables (balance).

• Standardized Mean Difference (SMD) : chaque covariable doit obtenir une SMD inférieure à 0,1, seuil communément admis pour assurer l’équilibre (Stuart, 2010).
• Représenter graphiquement la distribution des scores et des covariables avant/après appariement (love plots, density plots).

5. Calcul de l’effet du traitement ou de l’exposition

Les analyses statistiques post-appariement ne sont pertinentes que si l’équilibre est jugé satisfaisant. La méthode de calcul (t-test, régression, risque relatif…) dépend de la nature des données et du critère principal. Toujours ajuster la variance pour tenir compte de la dépendance induite par l’appariement (JAMA, 2019).

Forces et limitations de l’appariement par score de propension

L’efficacité du PSM dépend directement de la qualité des données à disposition et de l’expertise apportée au choix des covariables. Attention : si la distribution des scores de propension ne se recouvre que très partiellement entre groupes, le PSM peut aboutir à la suppression de nombreux sujets et limiter la généralisabilité.

Situations d’application concrètes : études et retours d’expérience

• COVID-19 : L’utilisation du PSM s’est largement généralisée en 2020-2021 pour comparer des traitements chez des patients hospitalisés – exemple avec la dexaméthasone dans le Lancet Respiratory Medicine.
• Évaluation de dispositifs médicaux : Dans les grandes bases de données françaises (SNIIRAM, SNDS), le PSM permet de générer des cohortes comparables en post-AMM, source : ANSM.
• Pharmaco-épidémiologie : Des études sur les antidépresseurs aux statines, le PSM est devenu standard dans la littérature pour réduire le biais de sélection et la confusion (BMJ, 2016).

Il est toujours instructif d’aller examiner les publications, leurs suppléments en ligne et protocoles pour apprécier le détail des diagnostics de qualité et de la transparence méthodologique.

L’appariement par score de propension, une démarche exigeante et évolutive

L’intérêt grandissant pour le PSM traduit les exigences croissantes de rigueur dans l’évaluation de l’effet des interventions à partir de données observationnelles. Malgré ses limites — particulièrement pour le traitement des variables non observées —, le score de propension reste, quand il est appliqué et documenté avec soin, un outil puissant pour renforcer la crédibilité des résultats.

• Prendre le temps de spécifier le bon modèle, de vérifier la qualité de l’équilibrage et de rendre explicite chaque décision méthodologique est un gage de confiance pour les lecteurs et décideurs.
• L’ouverture aux nouveaux outils (algorithmes d’apprentissage automatique pour l’estimation du score, utilisation de méthodes de pondération ou de stratification) encourage à dépasser la vision figée de la méthode originelle, et à l’adapter aux questions contemporaines (Nature Methods, 2017).

L’esprit critique demeure fondamental : questionner la pertinence d’un appariement, la sélection de covariables, la robustesse de la balance obtenue, c’est contribuer à l’évolution collective vers des études observationnelles toujours plus transparentes et robustes.

Pour approfondir :

• Guide pratique par Austin, 2011, Circulation
• Walker et al., Introduction to propensity scores, BMJ, 2013