Module 1 - Fiche résumé

Le pronostic en physiothérapie

Pourquoi s'intéresser au pronostic ?

Les types de facteurs liés au pronostic

De modèle pronostique à outil pronostique

Le pronostic, un ingrédient-clé à incorporer dans la recette !

À retenir

Les mesures de performance

Les mesures de classification

1. Calibration

2. Discrimination

1. Sensibilité
2. Spécificité
3. Valeurs prédictives

Elles nécessitent le choix d'une valeur seuil pour la prédiction du résultat clinique (par exemple, prédire la probabilité de la persistance d'une douleur supérieure ou égale à 7/10). Le clinicien doit s’assurer que le seuil choisi est pertinent pour le patient en question. Moons, et al., 2015

Références

Références

1. Lentz T, Goode A, Thigpen C, George S. Value-Based Care for Musculoskeletal Pain : Are Physical Therapists Ready to Deliver? Phys Ther. 2020;100(4):621-632.
2. Organisation mondiale de la Santé. Facteurs de risque. Published 2012. Accessed November 17, 2019. https://www.who.int/topics/risk_factors/fr/
3. da Costa BR, Vieira ER. Risk factors for work-related musculoskeletal disorders: a systematic review of recent longitudinal studies. Am J Ind Med. 2009;53(3):n/a-n/a. doi:10.1002/ajim.20750
4. Sawyers CL. The cancer biomarker problem. Nature. 2008;452(7187):548-552. doi:10.1038/nature06913
5. Italiano A. Prognostic or predictive? It’s time to get back to definitions! J Clin Oncol. 2011;29(35):4718; author reply 4718-9. doi:10.1200/JCO.2011.38.3729
6. Hill JC, Fritz JM. Psychosocial Influences on Low Back Pain, Disability and Response to Treatment. Phys Ther. 2011;91(5):712-721.
7. Ritchie C, Hendrikz J, Jull G, Elliott J, Sterling M. External validation of a clinical prediction rule to predict full recovery and ongoing moderate/severe disability following acute whiplash injury. J Orthop Sports Phys Ther. 2015;45(4):242-250.doi:10.2519/jospt.2015.5642
8. Hayden JA, Wilson MN, Stewart S, et al. Exercise treatment effect modifiers in persistent low back pain: an individual participant data meta-analysis of 3514 participants from 27 randomised controlled trials. Br J Sport Med. Published online 2019:1-16. doi:10.1136/bjsports-2019-101205
9. Riley, R. D., Hayden, J. A., Steyerberg, E. W., Moons, K. G. M., Abrams, K., Kyzas, P. A., Malats, N., Briggs, A., Schroter, S., Altman, D. G., & Hemingway, H. (2013). Prognosis Research Strategy (PROGRESS) 2 : Prognostic Factor Research. PLoS Medicine, 10(2). https://doi.org/10.1371/journal.pmed.1001380
10. Foroutan, F., Guyatt, G., Zuk, V., Alba, A. C., Mustafa, R., Vernooij, R., Arevalo-Rodriguez, I., Munn, Z., Roshanov, P., Riley, R., Schandelmaier, S., Kuijpers, T., Siemieniuk, R., Canelo-Aybar, C., Schunemann, H., & Iorio, A. (2020). GRADE Guidelines 28 : Use of GRADE for the assessment of evidence about prognostic factors : Rating certainty in identification of groups of patients with different absolute risks. Journal of Clinical Epidemiology, 121, 62‑70. https://doi.org/10.1016/j.jclinepi.2019.12.023
11. Collins, G. S., Reitsma, J. B., Altman, D. G., & Moons, K. G. M. (2015). Transparent reporting of a multivariable prediction model for individual prognosis or diagnosis (TRIPOD) : The TRIPOD statement. BJOG: An International Journal of Obstetrics and Gynaecology, 122(3), 434‑443. https://doi.org/10.1111/1471-0528.13244
12. Moons, K. G. M., Kengne, A. P., Woodward, M., Royston, P., Vergouwe, Y., Altman, D. G., & Grobbee, D. E. (2012). Risk prediction models : I. Development, internal validation, and assessing the incremental value of a new (bio)marker. Heart, 98, 683‑690. https://doi.org/10.1136/heartjnl-2011-301246
13. Kent P, Cancelliere C, Boyle E, Cassidy JD, Kongsted A. A conceptual framework for prognostic research. BMC Med Res Methodol. 2020;20(1):172. doi:10.1186/s12874-020-01050-7
14. Moons, K. G. M., Wolff, R. F., Riley, R. D., Whiting, P. F., Westwood, M., Collins, G. S., Reitsma, J. B., Kleijnen, J., & Mallett, S. (2019). PROBAST: A tool to assess risk of bias and applicability of prediction model studies : Explanation and elaboration. Annals of Internal Medicine, 170(1), W1‑W33. https://doi.org/10.7326/M18-1377
15. Wolff, R. F., Moons, K. G. M., Riley, R. D., Whiting, P. F., Westwood, M., Collins, G. S., Reitsma, J. B., Kleijnen, J., & Mallett, S. (2019). PROBAST: A tool to assess the risk of bias and applicability of prediction model studies. Annals of Internal Medicine, 170(1), 51‑58. https://doi.org/10.7326/M18-1376
16. Justice, A. C., Covinsky, K. E., & Berlin, J. A. (1999). Assessing the generalizability of prognostic information. Annals of Internal Medicine, 130(6), 515‑524.
17. Debray, T. P. A., Vergouwe, Y., Koffijberg, H., Nieboer, D., Steyerberg, E. W., & Moons, K. G. M. (2015). A new framework to enhance the interpretation of external validation studies of clinical prediction models. Journal of Clinical Epidemiology, 68, 279‑289. https://doi.org/10.1016/j.jclinepi.2014.06.018
18. Steyerberg EW, Moons KGM, van der Windt DA, et al. Prognosis Research Strategy (PROGRESS) 3: Prognostic Model Research. PLoS Med. 2013;10(2):e1001381. doi:10.1371/journal.pmed.1001381
19. Damen, J. A. A. G., Hooft, L., Schuit, E., Debray, T. P. A., Collins, G. S., Tzoulaki, I., Lassale, C. M., Siontis, G. C. M., Chiocchia, V., Roberts, C., Schlüssel, M. M., Gerry, S., Black, J. A., Heus, P., Van Der Schouw, Y. T., Peelen, L. M., & Moons, K. G. M. (2016). Prediction models for cardiovascular disease risk in the general population : Systematic review. BMJ, 353, i2416‑i2416. https://doi.org/10.1136/bmj.i2416
20. Bellou, V., Belbasis, L., Konstantinidis, A. K., Tzoulaki, I., & Evangelou, E. (2019). Prognostic models for outcome prediction in patients with chronic obstructive pulmonary disease : Systematic review and critical appraisal. BMJ, 367, l5358‑l5358. https://doi.org/10.1136/bmj.l5358
21. Crowson, C. S., Atkinson, E. J., Therneau, T. M., Lawson, A. B., Lee, D., & MacNab, Y. (2016). Assessing calibration of prognostic risk scores. Statistical Methods in Medical Research, 25(4), 1692‑1706. https://doi.org/10.1177/0962280213497434
22. Shipe, M., Deppen, S., Farjah, F., & Grogan, E. (2019). Developing prediction models for clinical use using logistic regression : An overview. Journal of Thoracic Disease, 11(Suppl 4), S574‑S584. https://doi.org/10.21037/jtd.2019.01.25
23. Scrutinio, D., Lanzillo, B., Guida, P., Mastropasqua, F., Monitillo, V., Pusineri, M., Formica, R., Russo, G., Guarnaschelli, C., Ferretti, C., & Calabrese, G. (2017). Development and validation of a predictive model for functional outcome after stroke rehabilitation the maugeri model. Stroke, 48(12), 3308‑3315. https://doi.org/10.1161/STROKEAHA.117.018058
24. Moons, K. G. M., Altman, D. G., Reitsma, J. B., Ioannidis, J. P. A., Macaskill, P., Steyerberg, E. W., Vickers, A. J., Ransohoff, D. F., & Collins, G. S. (2015). Transparent reporting of a multivariable prediction model for individual prognosis or diagnosis (TRIPOD) : Explanation and elaboration. Annals of Internal Medicine, 162(1), W1‑W73. https://doi.org/10.7326/M14-0698
25. McGee, D.L. (2018). Compréhension des examens médicaux et des résultats des examens. Le manuel Merck : version pour les professionnels de la santé. https://www.merckmanuals.com/fr-ca/professional/sujets-sp%C3%A9ciaux/prise-de-d%C3%A9cision-clinique/compr%C3%A9hension-des-examens-m%C3%A9dicaux-et-des-r%C3%A9sultats-des-examen
26. Office québécois de la langue française. (2003). Pronostic. Grand dictionnaire terminologique. http://gdt.oqlf.gouv.qc.ca/ficheOqlf.aspx?Id_Fiche=8360305
27. Office québécois de la langue française. (2019). Diagnostic. Grand dictionnaire terminologique. http://gdt.oqlf.gouv.qc.ca/ficheOqlf.aspx?Id_Fiche=8366863

-1-

Les recommandations en matière de soins de santé axés sur la valeur (value-based care) suggèrent de centrer la prise de décision clinique sur le pronostic plutôt qu’uniquement sur le diagnostic afin d’optimiser les résultats des patients en donnant le bon traitement au bon patient et au bon moment.1

Chez des personnes «saines»

Chez des personnes ayant une condition de santé

Facteurs de risque

Facteurs pronostiques

Facteurs prédictifs de la réponse au traitement

Caractéristiques présentes chez une personne saine qui augmentent la probabilité qu'elle développe un problème de santé.2

Caractéristiques d'une personne qui présente un problème de santé qui influencent l'évolution naturelle de sa condition.3-5

Caractéristiques d'une personne qui présente un problème de santé qui influencent sa réponse au traitement.3-5

Exemple

Exemple

Exemple

Développement

Validation interne

Validation externe

Format clinique

Étude d'impact

Modèle pronostique

Outil pronostique

pronostic

« Prévision, après le diagnostic, du degré de gravité et de l’évolution ultérieure d’une maladie y compris son issue, en se référant à l’évolution habituellement observée pour des troubles similaires chez de nombreux autres patients » (Office québécois de la langue française, 2003)

diagnostic

« Détermination de la maladie ou du trouble dont une personne est atteinte à partir de renseignements médicaux obtenus au sujet de cette personne. » (Office québécois de la langue française, 2019)

Les outils pronostiques sont développés en combinant l’effet de plusieurs facteurs pronostiques uniques, ce qui permet de fournir une prédiction plus précise des résultats cliniques attendus pour un patient. Lorsqu’un outil pronostique est disponible, nous nous devons de l’utiliser comme sa capacité prédictive surpasse celle de facteurs considérés de façon isolée.

Un outil pronostique doit répondre à un minimum de 2 critères avant d'être utilisé en clinique :

1. Avoir fait l'objet d'une validation externe;
2. Être présenté dans un format adapté à la pratique clinique.

Mesure de concordance entre la prédiction et ce qui est observé. Elle est généralement évaluée de manière graphique : Crowson et al., 2016 Scrutinio et al., 2017

Capacité du modèle à distinguer les personnes qui vont développer le résultat prédit de celles que ne le développeront pas. Elle est évaluée avec la statistique « c », (c-statistics/c-index)

• La valeur varie entre 0,5 et 1
  • Une valeur de 0,5: Incapacité à discriminer, la prédiction équivaut au hasard
  • Une valeur de 1: Capacité de discrimination parfaite

Debray et al., 2015; Shipe et al., 2019 Bien qu'il n'y ait pas de consensus sur une valeur seuil de discrimination assurant que l'outil est utile pour la pratique clinique, notre équipe de recherche propose une interprétation de la valeur de la statistique « c » (c-index) qui peut servir de guide. Noter que le choix des valeurs seuils est totalement arbitraire. c-index ≥ 0.75 : Excellent c-index ≥ 0.7 : Adéquat c-index ≥ 0.6 : Minimal

Par exemple, une revue systématique a identifié trois facteurs qui augmentent le risque de développer un trouble musculosquelettique associé au travail :

• Travail répétitif
• Adopter des postures contraignantes
• Soulever des charges lourdes

da Costa & Vieira, 2009

Par exemple, une règle de prédiction clinique prédit l’absence de symptômes 6 mois après une entorse cervicale chez les personnes présentant :

• Âge de 35 ans et moins
• Score < 32% à l’index d’incapacité cervicale en phase aiguë

Ritchie et al., 2015

Par exemple, cette étude conclue que les personnes qui ont une lombalgie mécanique non-spécifique et qui présentent les caractéristiques suivantes répondent mieux à un programme d'exercices :

• Emploi ayant de faibles exigences physiques
• Prise de médication pour diminuer la douleur.

Hayden et al., 2019

Ils sont importants à identifier dans un contexte de prévention.

Ils influencent la vision du clinicien quant au problème du patient et aux traitements qui sont indiqués.

Ils ont le potentiel de guider le clinicien vers les traitements les plus susceptibles d'aider le patient.

Comment intégrer ces facteurs dans l’analyse et le plan de traitement du patient ? Allez lire la fiche #2 « Le libellé pronostique en physiothérapie »

La première étape est de choisir les facteurs qui prédiront le résultat clinique Le choix des prédicteurs se fait à partir d’une analyse multivariée. Cette analyse permet de sélectionner les facteurs qui ont un réel impact sur le résultat final et de les combiner dans un modèle de prédiction par un processus de modélisation mathématique. Le modèle est développé en combinant plusieurs prédicteurs à l'aide d'un processus de modélisation mathématique Riley et al., 2013 ; Foroutan et al., 2020 ; Collins et al., 2015;

Il s'agit du premier processus de validation. Elle permet d'estimer les mesures de performance. Elle permet d'évaluer le risque que la performance soit surestimée dans l'échantillon de développement. Moons et al., 2012; Kent et al., 2020; Moons et al., 2019;Wolff et al., 2019;

Elle s'effectue avec de nouveaux patients. Elle permet de vérifier si le modèle conserve sa capacité prédictive en-dehors des conditions de l'étude de développement. Moons et al., 2019; Justice et al., 1999; Debray et al., 2015;

Le modèle pronostique doit généralement être simplifié pour pouvoir être utilisé aisément en contexte clinique. C'est à ce stade qu'il devient un outil pronostique.

Elle permet de vérifier l'impact de l'utilisation des outils pronostiques en contexte réel. Steyerberg et al., 2013; Damen et al., 2016; Bellou et al., 2019;

ATTENTION! Le modèle n'est pas encore prêt à être utilisé en clinique!

Si la validation externe est concluante, le modèle pronostique a passé le test minimal pour commencer son utilisation en clinique.

«La sensibilité est la probabilité que le résultat du test soit positif chez des patients souffrant de la maladie (taux de vrai positif)» McGee, 2018

«La spécificité est la probabilité d'un résultat négatif du test chez des patients qui n'ont pas la maladie (taux de vrais négatifs)» McGee, 2018

«La valeur prédictive positive est la proportion de patients qui présentent un test positif qui ont réellement la maladie. [...] La valeur prédictive négative est la proportion des patients qui présentent un résultat négatif et qui sont réellement exempts de la maladie.» McGee, 2018