Comparaisons indirectes ajustées sur la population : revue méthodologique et évaluation de leur robustesse par simulation

Les comparaisons indirectes ajustées sur la population (PAIC) permettent un ajustement statistique en l'absence d'une partie des données individuelles. Leur utilisation dans les dossiers d'autorisation de mise sur le marché et de négociation de remboursement est croissante. Dans un domaine qui a connu de nombreux développements méthodologiques, cette thèse aborde deux questions en suspens : la qualité d'implémentation des PAIC publiées et les conséquences du recours aux PAIC à défaut d'avoir accès à l'ensemble des données individuelles. Le premier travail est une revue méthodologique des PAIC publiées jusqu'en avril 2021. Nous décrivons les tendances, évaluons la conformité aux recommandations et synthétisons les résultats. La revue met en évidence une croissance rapide du nombre de publications, une hétérogénéité du reporting, une implémentation non-optimale ainsi qu'un biais de publication majeur. Elle conduit à des recommandations pour standardiser le reporting et l'implémentation des PAIC. La seconde contribution est une étude de simulation comparant les performances de la pondération inverse par score de propension (PSW) aux Matching-Adjusted Indirect Comparisons (MAIC) ajustant pour le moment d'ordre 1 (MAIC-1), ou d'ordre 1 et 2 (MAIC-2). Les scénarios étudiés varient selon la distribution des covariables, le recouvrement des populations et l'adéquation des modèles d'ajustement. MAIC-1 apparaissent plus robustes que PSW en cas de faible recouvrement, y compris avec des covariables non normales. Globalement, l'utilisation de données agrégées se traduit par une limitation de la flexibilité de l'analyse plutôt que par la dégradation des performances des estimateurs.