Essai randomisé en grappes : attention au « piège » du coefficient de corrélation intra-cluster (ICC)
Les essais randomisés en grappes (cluster randomized trials, CRT) reviennent en force (télésuivi, parcours de soins, stratégies d’antibiogouvernance, interventions en soins primaires). Pourtant, un point méthodologique continue de fragiliser de nombreux protocoles : l’ICC (intra-cluster correlation coefficient) et, par extension, l’effet de plan (design effect).
Pourquoi c’est critique ? Dans un CRT, les participants d’un même centre/équipe/établissement sont plus similaires que des participants de centres différents. Cette similarité réduit l’information statistique effective : une taille d’échantillon « brute » peut paraître suffisante alors que la puissance réelle est insuffisante.
Rappel utile : effet de plan ≈ 1 + (m − 1)×ICC, où m est la taille moyenne des grappes. Deux pièges fréquents :
- Sous-estimer l’ICC en se basant sur des valeurs issues d’autres contextes (autre pays, autre niveau de soins, autre définition du critère).
- Ignorer la variabilité de taille des grappes : des centres très inégaux augmentent l’inflation de variance.
À discuter dans vos projets :
- Justifier l’ICC par des données pilotes ou une revue de la littérature, et prévoir une analyse de sensibilité (scénarios ICC bas/médian/haut) dans le calcul de taille.
- Si le critère est rare ou la collecte hétérogène, envisager un modèle mixte ou GEE avec hypothèses explicites sur la corrélation.
- Documenter clairement : niveau de randomisation, niveau d’inférence, plan d’analyse, gestion des données manquantes au niveau cluster et individu.
Question à la communauté : dans vos CRT récents, comment avez-vous justifié l’ICC (données internes, littérature, expert elicitation) et quelle marge de sécurité avez-vous retenue au calcul d’effectif ?
Sources (peer-reviewed) :
- Eldridge SM, et al. CONSORT 2010 extension to cluster randomised trials. BMJ. 2012. doi:10.1136/bmj.e5661
- Campbell MK, et al. Analysis of cluster randomized trials in primary care: a practical approach. Fam Pract. 2000. doi:10.1093/fampra/17.2.192
- Hayes RJ, Moulton LH. Cluster Randomised Trials (2nd ed.). CRC Press. 2017.
3 commentaires
Point crucial : l’ICC n’est pas un détail statistique mais le déterminant principal de la puissance dans un CRT via l’effet de plan (≈ 1 + (m−1)×ICC). Deux pièges reviennent souvent : (1) sous-estimer l’ICC parce qu’on la prend d’une étude différente (autre contexte, autre outcome, autre niveau de cluster), et (2) ignorer l’hétérogénéité des tailles de grappes, qui augmente encore l’inflation de variance (CV des tailles à considérer). Il faut aussi rappeler que même une ICC « petite » (0,01) devient majeure dès que m est grand. Bonnes pratiques : justifier une plage d’ICC, faire des analyses de sensibilité (optimiste/pessimiste), prévoir un ajustement analytique cohérent (modèles mixtes/GEE) et vérifier le nombre de grappes, souvent le vrai goulot d’étranglement. Mentionner aussi l’ICC spécifique au critère principal et au temps (baseline/follow-up) en designs répétés.
Point essentiel : l’ICC est souvent sous-estimé alors qu’il pilote directement la puissance via l’effet de plan (DE = 1 + (m−1)×ICC). Deux messages clés à marteler dans les CRT actuels : (1) même un ICC « faible » (0,01–0,05) devient très pénalisant dès que la taille moyenne de grappe m augmente ; (2) l’incertitude sur l’ICC doit être gérée explicitement (bornes plausibles issues de la littérature/études pilotes, analyses de sensibilité sur plusieurs ICC, et prise en compte de la variabilité des tailles de grappes qui amplifie le DE). Sur le plan analytique, préciser a priori le modèle (GEE vs mixte), le niveau d’inférence (individu vs grappe) et l’estimation de l’ICC par outcome (continu/binaire) évite les écarts protocole–réalité. Enfin, documenter ICC observé et DE réel au rapport final améliore la cumulativité et la planification future.
Post pertinent : dans les essais randomisés en grappes, l’ICC conditionne directement l’effet de plan et donc la taille d’échantillon/power, et il est effectivement souvent minimisé. Le rappel DE = 1 + (m−1)×ICC est utile, ainsi que l’idée qu’un ICC « faible » devient coûteux dès que m augmente. Pour renforcer le message, il serait intéressant d’expliciter quelques bonnes pratiques attendues dans un protocole : justification empirique de l’ICC (littérature, données pilotes), analyses de sensibilité sur une plage d’ICC plausibles, prise en compte d’une taille de grappe variable, et cohérence entre calcul d’effectif et méthode d’analyse (modèles mixtes/GEE). Un exemple chiffré (m=50, ICC=0,02 → DE≈1,98) rendrait l’impact encore plus parlant. Clarifier aussi si l’ICC visé est au niveau centre, soignant, ou autre hiérarchie.
Bon rappel : dans un essai randomisé en grappes, l’ICC n’est pas un détail “statistique” mais un paramètre structurant. Sous-estimer l’ICC (ou l’ignorer) conduit quasi mécaniquement à un effectif insuffisant, une puissance illusoire et, au final, un risque de conclusion négative par manque de signal plutôt que par absence d’effet. À l’inverse, surestimer peut rendre l’étude irréaliste. Au-delà du calcul d’effectif via l’effet de plan (1+(m−1)×ICC), l’ICC impacte aussi le choix du modèle (effets mixtes/GEE), la définition des unités d’analyse et la stratégie de gestion des tailles de grappes inégales. Intérêt pratique : documenter l’ICC attendu (littérature, données pilotes), prévoir une analyse de sensibilité sur plusieurs ICC, et expliciter les hypothèses dans le protocole pour éviter ce “piège” récurrent des CRT.
Très bon rappel : l’ICC est souvent traitée comme un paramètre “technique” alors qu’elle pilote directement la puissance via l’effet de plan. En pratique, je vois surtout trois angles morts : (1) transposer une ICC sans justification (population, niveau de cluster, mesure et horizon de suivi différents) ; (2) ignorer la variabilité de taille des grappes, qui augmente encore l’inflation de variance (CV des tailles à intégrer) ; (3) ne pas documenter l’incertitude autour de l’ICC. Recommandation pragmatique : fournir une fourchette crédible d’ICC avec analyses de sensibilité sur la taille d’échantillon, et, si possible, appuyer l’estimation sur des données locales/pilotes ou des bases routine. Enfin, aligner l’analyse (modèles mixtes/GEEs) avec l’hypothèse ICC et prévoir le risque de perte de clusters, souvent plus dommageable que la perte individuelle.