Réseaux psychologiques dans les populations cliniques : étude des conséquences du biais de Berkson

CONTEXTE : Dans la recherche clinique, les populations sont souvent sélectionnées en fonction du score total des critères de diagnostic tels que les symptômes. Estimer des modèles statistiques où un sous-ensemble des données est sélectionné en fonction d'une fonction des variables analysées introduit le biais de Berkson, qui constitue une menace potentielle pour la validité des résultats dans la littérature clinique. L'objectif du présent article est d'examiner l'effet du biais de Berkson sur la performance des deux modèles de réseaux psychologiques les plus couramment utilisés : le Modèle Graphique Gaussien (GGM) pour les données continues et ordinales, et le Modèle d'Ising pour les données binaires. MÉTHODES : Dans deux études de simulation, nous testons la capacité des deux modèles à récupérer une véritable structure de réseau lorsque l'estimation est basée sur un sous-ensemble des données généralement observé dans les études cliniques. Le réseau est basé sur un ensemble de données de 2807 patients diagnostiqués avec une dépression majeure, et les nœuds du réseau sont des éléments de l'Échelle de Notation de Hamilton pour la Dépression (HRSD). Les études de simulation testent différents scénarios en faisant varier (1) la taille de l'échantillon et (2) la valeur seuil du score total qui régit la sélection des participants. RÉSULTATS : Les résultats des deux études indiquent que des valeurs seuils plus élevées sont associées à une récupération moins efficace de la structure du réseau. Comme on pouvait s'y attendre d'après la littérature sur le biais de Berkson, la sélection a réduit les taux de récupération en induisant des connexions négatives entre les éléments. CONCLUSION : Nos résultats montrent que le biais de Berkson est un problème considérable et sous-estimé dans la littérature sur les réseaux cliniques. De plus, nous discutons des solutions potentielles pour contourner le biais de Berkson et de leurs écueils.