Étude de divers estimateurs de la prévalence de la maladie mentale grave fondés sur un échantillon à deux phases
Section 4. Quelques observations finales
Les attributs de la santé mentale de la population ont été estimés en utilisant des données provenant d’un sous-échantillon de personnes sélectionnées parmi les participants à une grande enquête générale et soumises à une évaluation diagnostique clinique pour élaborer des modèles prévisionnels qui sont ensuite appliqués à l’échantillon complet (voir, par exemple, Kessler, Abelson, Demler, Escobar, Gibbon, Guyer, Howes, Jin, Vega, Walters, Wang, Zaslavsky et Zheng, 2004). Il s’agit de la méthodologie utilisée par la SAMHSA pour la NSDUH annuelle et le sous-échantillon d’adultes de la MHSS pour la période de 2008 à 2012.
Nous avons montré au moyen des données du sous-échantillon NSDUH/MHSS que l’estimation de la prévalence de la MMG pour l’ensemble de la population, ici les adultes, en utilisant les probabilités directement estimées d’avoir une MMG plutôt que la méthodologie du seuil diagnostique classique produit une erreur-type plus faible. Néanmoins, l’estimateur de la prévalence de la MMG que nous avons convenu d’appeler estimateur par probabilité peut souvent présenter un biais important au niveau du domaine, contrairement à l’estimateur par seuil diagnostique classique.
Nous avons également étudié les versions corrigées du biais des deux estimateurs fondés sur la théorie des sondages. Malheureusement, ces estimateurs étaient à peine plus efficaces que le simple calcul direct des estimations à partir du sous-échantillon de la MHSS, surtout pour les sous-populations.
Nous avons évalué un estimateur par seuil diagnostique hybride qui était légèrement plus efficace que l’estimateur par seuil diagnostique classique pour estimer la prévalence de la MMG chez les adultes. Il ne présentait pas les biais importants au niveau du domaine dont souffrait l’estimateur par probabilité, mais la question de savoir s’il est dépourvu de biais au niveau du domaine n’est pas entièrement éclaircie.
En 2013, la SAMHSA a mis un terme à la réalisation des évaluations cliniques. Néanmoins, l’organisme a continué de calculer les estimations de la prévalence de la MMG chez les adultes en se basant sur le modèle et les seuils diagnostiques établis en se servant du sous-échantillon de la MHSS pour la période de 2008 à 2012. L’estimateur par seuil diagnostique classique qui affichait des biais au niveau du domaine plus faibles dans nos tableaux continue aussi d’être utilisé pour l’estimation de la prévalence de la MMG au niveau de l’État, ainsi que pour les domaines analysés ici.
Une question troublante est celle de savoir comment un estimateur par seuil diagnostique classique pour la MMG dérivé d’un modèle logistique ajusté aux données du sous-échantillon de la MHSS peut être moins sujet au biais qu’un estimateur par probabilité fondé sur un modèle ajusté à l’échantillon complet. Nous soupçonnons que la régression logistique produit un classement raisonnablement bon des probabilités relatives que les adultes aient une MMG, mais non une estimation raisonnablement bonne des probabilités individuelles, spécialement dans les queues de la distribution. Les domaines où les prévalences sont habituellement élevées ou faibles, comme les adultes recevant (ou ne recevant pas) un traitement pour une maladie mentale, se sont avérés particulièrement sujets à des estimations de probabilité biaisées. Il se pourrait que l’application de la théorie asymptotique ne soit pas appropriée dans les queues de la distribution.
Le lecteur que la question intéresse voudra vraisemblablement savoir comment on peut calculer les erreurs-types pour les estimateurs par seuil diagnostique au niveau du domaine. Parce qu’un estimateur par seuil diagnostique n’est pas continu, nous avons essayé de calculer les erreurs-types par la méthode des répliques répétées équilibrées ou méthode BRR (de l’anglais balanced repeated replications) de Fay. Malheureusement, comme il est expliqué dans le rapport du Center for Behavioral Health Statistics and Quality (2015, chapitre 2.4.2.), nos estimateurs de variance pour les estimations de domaine n’étaient pas satisfaisants dans une modeste expérience par simulation.
Peu de répondants du sous-échantillon de la MHSS se situaient dans les queues de la distribution (et un nombre encore plus faible de valeurs réalisées pour la probabilité d’avoir une MMG sachant les covariables du modèle). Cela a contrarié nos efforts visant à améliorer l’estimateur par probabilité (pour lequel les erreurs-types au niveau du domaine peuvent être mesurées par linéarisation) par ajustement des probabilités dans les queues (lesquelles n’étaient pas très bien prédites sous le modèle logistique). Nous ne discuterons pas de ces efforts plus en détail ici. Davantage de travaux de recherche sont manifestement nécessaires pour élaborer de bonnes mesures de l’erreur-type pour les estimations par seuil diagnostique classique ou de bonnes estimations de la prévalence de la MMG pour lesquelles les erreurs-types peuvent être mesurées raisonnablement.
Un dernier commentaire au sujet de la « norme de référence » s’impose. Pour les besoins de notre étude, nous avons traité un diagnostic clinique de MMG chez un adulte comme équivalant au fait que la personne était réellement atteinte d’une maladie mentale grave diagnostiquable. En fait, les diagnostics sont plus fluides que cela. Ils peuvent varier selon le clinicien ou l’humeur de la personne qui répond aux questions du clinicien. Le rapport du CBHSQ (2014, chapitres 5 et 6) décrit l’effort déployé en vue d’éliminer autant de variation que possible des diagnostics cliniques de la MHSS. Nous avons supposé ici que chaque diagnostic clinique était effectivement sans biais, c’est-à-dire que la probabilité qu’un diagnostic aléatoire pour une personne dans un domaine soit un faux positif égalait la probabilité qu’il soit un faux négatif.
Bibliographie
American Psychiatric Association (1994). Diagnostic and Statistical Manual of Mental Disorders (DSM-IV) (4ième Éd.). Washington, DC: American Psychiatric Association.
Center for Behavioral Health Statistics and Quality (2015). Estimating Mental Illness among Adults in the United States: Revisions to the 2008 Estimation Procedures. Substance Abuse and Mental Health Services Administration, Rockville, MD: http://www.samhsa.gov/data/sites/default/files/NSDUH-N8-EstimatingMI-2012.pdf.
Center for Behavioral Health Statistics and Quality (2014). 2012 National Survey on Drug Use and Health: Methodological Resource Book (Section 16a, 2012 Mental Health Surveillance Study: Design and Estimation Report). Substance Abuse and Mental Health Services Administration, Rockville, MD: http://www.samhsa.gov/data/sites/default/files/NSDUH2012MRB-Ammended/NSDUHmrbMHSS-DesignEst2012.pdf.
Fawcett, T. (2006). An introduction to ROC analysis. Pattern Recognition Letters, 27, 861-874.
Kessler, R.C., Abelson, J., Demler, O., Escobar, J., Gibbon, M., Guyer, M., Howes, M., Jin, R., Vega, W., Walters, E., Wang, P., Zaslavsky, A. et Zheng, H. (2004). Clinical calibration of DSM-IV diagnoses in the World Mental Health (WMH) version of the World Health Organization (WHO) Composite International Diagnostic Interview (WMHCIDI). International Journal of Methods in Psychiatric Research, 13, 122-139.
Kessler, R.C., Chiu, W., Demler, O. et Walters, E. (2005). Prevalence, severity, and comorbidity of 12-month DSM-IV disorders in the National Comorbidity Survey Replication. Archives of General Psychiatry, 62, 617-627.
Lehtonen, R., et Veijanen, A. (1998). Estimateurs de régression généralisés logistiques. Techniques d’enquête, 24, 1, 53-58. Article accessible à l’adresse https://www150.statcan.gc.ca/n1/pub/12-001-x/1998001/article/3909-fra.pdf.
RTI International (2012). SUDAAN Language Manual, Volumes 1 and 2, Release 11. Research Triangle Park, NC: Research Triangle Institute.
Särndal, C.-E., Swensson, B. et Wretman, J. (1989). The weighted residual technique for estimating the variance of the general regression estimator. Biometrika, 76, 527-537.
- Date de modification :