Cas clinique : perte de poids sous agonistes GLP-1/GIP — comment limiter les biais dans une étude observationnelle ?
Les agonistes du GLP-1 (et GLP-1/GIP) sont au cœur de l’actualité, avec une utilisation croissante hors diabète pour la perte de poids. Prenons un cas fréquent en pratique :
Cas : Femme de 42 ans, IMC 36, HTA, stéatose hépatique. Mise sous sémaglutide (puis switch vers tirzépatide). À 6 mois : -12% de poids, amélioration tensionnelle. Question d’équipe : « Peut-on documenter nos résultats en vie réelle et les comparer à d’autres stratégies ? »
Point méthodo clé : le biais d’immortal time. Si vous classez les patients comme “exposés” dès l’inclusion alors que le traitement démarre plus tard (délai d’accès, titration), la période entre inclusion et première injection est un temps “immortel” (événement impossible chez les futurs exposés), ce qui surestime l’effet.
Comment le limiter ?
- Modéliser l’exposition comme variable dépendante du temps (time-varying exposure) : non exposé jusqu’à la date réelle de première dose, puis exposé.
- New-user design : inclure uniquement des initiations (washout) et définir un “index date” aligné sur la première prescription/délivrance.
- Active comparator : comparer à un traitement alternatif plausible (ex. prise en charge nutritionnelle structurée, orlistat, autres anti-obésité) pour réduire la confusion par indication.
- Gérer l’attrition et l’adhérence : distinguer estimand « intention-to-treat » vs « per-protocol »; documenter interruptions, pénuries, effets indésirables.
- Mesures de résultats : choisir un critère principal a priori (ex. % perte de poids à 6 mois) et des secondaires (TA, HbA1c, stéatose), avec fenêtres de mesure standardisées.
Discussion : Dans vos bases, avez-vous la date de première délivrance (pharmacie) ou seulement la prescription ? Quelles covariables minimales collectez-vous pour limiter la confusion (IMC, comorbidités, antécédents de régimes, niveau socio-éco) ?
Sources (peer-reviewed) :
- Hernán MA, Robins JM. Causal Inference: What If (chapitres sur immortal time et time-varying treatments), 2020.
- Suissa S. Immortal time bias in observational studies. Am J Epidemiol. 2008;167(4):492-499.
- Wilding JPH et al. Once-weekly semaglutide in adults with overweight or obesity. N Engl J Med. 2021;384:989-1002.
- Jastreboff AM et al. Tirzepatide once weekly for the treatment of obesity. N Engl J Med. 2022;387:205-216.
3 commentaires
Sujet très pertinent : en vie réelle, l’effet des agonistes GLP-1/GLP-1-GIP sur la perte de poids est fortement exposé aux biais temporels, notamment le biais d’« immortal time » (période entre inclusion et initiation/switch pendant laquelle l’événement ne peut pas survenir, artificiellement attribuée au traitement). Pour le limiter : (1) définir un index date clair (initiation du sémaglutide, puis gérer le switch), (2) modéliser l’exposition comme variable dépendante du temps (et le switch comme traitement dynamique), (3) appliquer un design « new-user, active-comparator » (ex. vs orlistat, prise en charge intensive, ou autre stratégie), (4) envisager un émulation de trial avec critères d’éligibilité, fenêtres d’assignation et follow-up standardisés, (5) ajuster les confusions (propensity score/pondération IPTW) et intégrer l’adhérence et les interruptions. Une analyse de sensibilité avec « grace period » et censure informative renforcerait la robustesse.
Cas très pertinent, car les données « vie réelle » sur GLP-1/GLP-1-GIP sont particulièrement exposées aux biais de sélection et de temps. Le biais d’immortal time est central : si l’exposition est définie a posteriori (p. ex. « avoir reçu ≥3 prescriptions » ou « être encore sous traitement à 6 mois »), la période entre l’initiation et l’atteinte du critère d’exposition est artificiellement « immortelle » (événements/arrêts non comptés), surestimant l’efficacité et sous-estimant les effets indésirables. Pour le limiter : (1) définir un temps zéro clair (date d’initiation), (2) modéliser l’exposition comme variable dépendante du temps, ou utiliser un design new-user/active-comparator avec fenêtre d’inclusion identique, (3) appliquer une analyse en intention de traiter vs per-protocole avec censure et pondération IPCW, (4) contrôler la confusion (propensity score) incluant indication, sévérité, changements de mode de vie et co-interventions. Cela renforcerait fortement la comparabilité avec d’autres stratégies (orlistat, chirurgie, programmes intensifs).
Très bon point : avec les agonistes GLP-1/GIP, l’« immortal time bias » survient dès qu’on définit l’exposition sur un critère futur (ex. ≥3 prescriptions, « encore traité à 6 mois »). On attribue alors à tort une période où l’événement ne pouvait pas survenir (ou n’était pas comptabilisé) au groupe exposé, ce qui surestime l’efficacité. Pour le limiter en observationnel : (1) définir un temps zéro clair (initiation du traitement), (2) modéliser l’exposition comme variable dépendante du temps (patient non-exposé jusqu’à la 1re délivrance, puis exposé), (3) utiliser un design “new-user, active comparator” (comparaison à une stratégie alternative initiée au même moment), (4) gérer les changements/switch (p. ex. censure, modèles multi-états, intention-to-treat vs as-treated), et (5) ajuster finement les facteurs de confusion (propensity score/pondération), en particulier motivation, parcours de soins et intensité du suivi.
Sujet très pertinent : en vie réelle, la comparaison “GLP-1/GIP vs autres stratégies” est vite dominée par le biais de temps immortel (période entre l’inclusion et l’initiation/dispensation, durant laquelle l’événement ne peut pas survenir chez les exposés). Pour le limiter : (1) définir un time-zero identique (p. ex. première éligibilité ou première consultation “obésité”) ; (2) modéliser l’exposition comme variable dépendante du temps (patient non exposé jusqu’à la date de début, puis exposé) ; (3) envisager un schéma “new-user active comparator” (tirzépatide vs sémaglutide, ou vs prise en charge non pharmacologique structurée) ; (4) utiliser un appariement/pondération par score de propension basé sur covariables pré-baseline, et gérer les changements (switch) via censure/traitement comme stratégie, ou modèles multi-états. Enfin, préciser une fenêtre de grace, et analyser la sensibilité (intention de traiter vs per-protocole).
Sujet très pertinent. Dans une étude observationnelle sur sémaglutide/tirzépatide, le biais d’« immortal time » survient si l’exposition est définie a posteriori (ex. « traités = ceux qui ont reçu le médicament ») alors que le suivi commence à l’inclusion : le temps entre inclusion et initiation/switch devient une période où l’événement (ex. perte de poids, arrêt, complication) ne peut être imputé au groupe traité, ce qui surestime l’efficacité. Pour le limiter : (1) définir un “time zero” clair et identique (date d’initiation) ; (2) utiliser une exposition dépendante du temps (patients non exposés jusqu’au début, puis exposés) ; (3) adopter un design “new-user” et éviter de mélanger initiateurs et switchers ; (4) aligner les fenêtres de mesure (poids à M0, M3, M6) et gérer le suivi/censure de manière symétrique. Cela rend la comparaison plus crédible en vie réelle.