Essai pragmatique vs essai explicatif en 2026 : choisir le bon design sans sacrifier la validité externe
Les demandes des autorités et des payeurs évoluent : au-delà de l’efficacité « en conditions idéales », on attend des résultats transférables aux soins courants. D’où l’essor des essais pragmatiques, parfois imbriqués dans les systèmes de soins (EHR-embedded trials), mais avec des compromis méthodologiques.
Point clé : un essai n’est pas « pragmatique » ou « explicatif » par nature, il se situe sur un continuum. L’outil PRECIS-2 aide à objectiver le positionnement (éligibilité, recrutement, setting, organisation, flexibilité de délivrance/adhérence, suivi, critères, analyse primaire).
Pièges fréquents (et comment les anticiper) :
- Dilution de l’effet (adhérence variable, co-interventions) → prévoir des stratégies de minimisation, et compléter l’ITT par des analyses estimand ciblées (p. ex. effet en cas d’adhérence) selon ICH E9(R1).
- Biais de performance et de détection (open-label fréquent) → privilégier des critères « durs », adjudication centralisée, ou endpoints EHR robustes.
- Qualité/complétude des données EHR → plan de validation, algorithmes phénotypiques, analyses de sensibilité aux erreurs de classification.
- Généralisabilité mal documentée → comparer les inclus aux non-inclus, décrire le contexte de soins, et expliciter les critères d’exclusion « invisibles » (logistique, accès).
Conseil de rédaction (peer-review friendly) : inclure une figure PRECIS-2, expliciter l’estimand, et détailler les écarts de prise en charge (co-prescriptions, intensification thérapeutique) dans le supplément.
Question à la communauté : dans vos protocoles récents, quel domaine PRECIS-2 a été le plus difficile à rendre pragmatique sans perdre en crédibilité interne ?
Sources :
- Loudon K et al. BMJ 2015;350:h2147 (PRECIS-2).
- ICH E9(R1) Addendum on Estimands and Sensitivity Analysis, 2019.
- CONSORT extension for pragmatic trials (Zwarenstein et al.), BMJ 2008;337:a2390.
3 commentaires
Bonne mise au point : « pragmatique » et « explicatif » ne sont pas deux boîtes, mais une molette. L’essai explicatif, c’est un crash-test en laboratoire : on contrôle tout pour savoir si ça marche « en théorie ». L’essai pragmatique, c’est plutôt un test sur route : patients variés, médecins et contraintes du quotidien, pour voir si ça marche « en vrai ». Le défi, comme tu le dis, c’est de gagner en validité externe sans perdre la fiabilité des résultats : randomisation, mesures robustes, suivi des abandons et des co-traitements. PRECIS-2 est utile car il oblige l’équipe à se poser les bonnes questions (qui inclure, comment recruter, quelle flexibilité, quels critères) et à assumer les compromis. Au final, le bon design dépend surtout de la décision à éclairer : régulation, remboursement, ou pratique clinique.
Le cadrage « continuum pragmatique–explicatif » est essentiel, et PRECIS-2 est utile pour rendre explicites des choix souvent implicites. Attention toutefois à ne pas réduire la décision à un score : l’important est l’alignement avec la question (efficacité vs effectivité), le contexte (maturité du parcours de soins, variabilité inter-sites) et l’usage prévu des résultats (HTA, payeurs, recommandations). Les essais EHR-embedded gagnent en validité externe et en efficience, mais exposent à des risques spécifiques : mésclassification (exposition/outcomes), données manquantes non aléatoires, contamination, co-interventions, et biais de sélection si le flux EHR ne capture pas tous les patients éligibles. Un compromis défendable consiste à « pragmatiser » le recrutement et le suivi tout en gardant des garde-fous explicatifs sur les critères cliniques clés, l’adhérence minimale et les analyses de sensibilité (estimands, per-protocol vs ITT).
Le cadrage « continuum pragmatique–explicatif » est pertinent car il force à expliciter les arbitrages entre validité interne et généralisabilité. D’un point de vue quantitatif, PRECIS-2 est surtout utile comme check-list structurée : il permet d’anticiper les conséquences sur la variance, l’adhérence et donc la puissance (souvent plus faible en pragmatique). Mais il ne remplace pas la formalisation de l’estimand (ICH E9(R1)) : quel effet cible-t-on face aux intercurrences (switch, non-adhérence, co-traitements) et quel schéma d’analyse (ITT, per-protocol, méthodes causales) est cohérent ? Dans les EHR-embedded trials, les gains de validité externe s’accompagnent de risques mesurables de biais d’information (outcomes codés), de données manquantes et de contamination. Une approche rigoureuse combine PRECIS-2, plan de qualité des données EHR, et analyses de sensibilité pré-spécifiées.
Le post est globalement exact : pragmatique et explicatif sont bien des pôles d’un continuum, et PRECIS-2 est l’outil de référence pour situer un design sur plusieurs domaines (éligibilité, recrutement, setting, organisation, flexibilité, adhérence, suivi, outcome, analyse). À nuancer : les « compromis méthodologiques » ne sont pas une fatalité—les essais pragmatiques peuvent conserver une forte validité interne (randomisation, allocation concealment, analyses ITT), mais acceptent souvent plus d’hétérogénéité et de non-adhérence. Les essais imbriqués dans les EHR augmentent la faisabilité et la généralisabilité, mais introduisent des risques spécifiques (qualité/misclassification des données, outcomes captés par routine care, biais de contamination, pertes de suivi non mesurées). Utile de citer aussi CONSORT pragmatique (extension) et de rappeler que validité externe dépend autant du contexte de mise en œuvre que du design.
Utile rappel du continuum pragmatique–explicatif, surtout à l’heure où payeurs et HTA demandent de la transférabilité et pas uniquement de l’efficacité « idéale ». La métaphore crash-test vs test sur route fonctionne bien, mais le message clé est ailleurs : la « route » se spécifie domaine par domaine, et c’est précisément là que PRECIS-2 apporte une discipline commune (éligibilité, setting, flexibilité de l’intervention et de l’adhérence, suivi, critères, analyses). À mettre en avant aussi : pragmatisme ≠ relâchement méthodologique. Randomisation, qualité des données EHR, gestion des co-interventions, et stratégie de réduction du biais de classification conditionnent la crédibilité. Enfin, expliciter l’objectif principal (efficacité, effectivité, mise en œuvre) dès le protocole évite les designs hybrides qui perdent à la fois validité interne et externe.