Diagramme consort du flux des participants avec R

Table des matières

Introduction au diagramme consort

Si vous vous intéressez de près ou de loin aux essais randomisés ou aux études observationnelles, vous avez très probablement rencontré des diagrammes Consort du flux des participants, notamment dans les publications. Il s’agit de diagrammes qui résument le flux des participants dans une étude. Comme ceci, par exemple : 

exemple de diagramme du flux des participants d'un essai randomisé contrôlé

D’après Billa, O., Bonnetain, F., Chamois, J., Ligey, A., Ganansia, V., Noel, G., … & Maingon, P. (2021). Randomized Trial Assessing the Impact of Routine Assessment of Health-Related Quality of Life in Patients with Head and Neck Cancer. Cancers, 13(15), 3826.

L’architecture de ces digrammes de flux de participants a été standardisée par la recommandation CONSORT  (CONsolidated Standards Of Reporting Trials) dont le but est d’améliorer la rédaction et la transparence des essais randomisés contrôlés.

Voici le template disponible sur le site :

Et comme avec R on peut à peu près tout faire (ou presque !) , hé bien il existe un package pour réaliser ce type de diagramme : le package ggconsort développé par Travis Gerke.

Le principe de ce package est de réaliser automatiquement le diagramme à partir des données, en employant plusieurs étapes :

  1. Définir les différentes cohortes (éligibles, ecxlus, exclus_raison1, exclus_raison2, randomisés, traitement_A, traitement_B etc…)
  2. Leur donner des étiquettes
  3. Définir un objet graphique en :
    1. créant les boites correspondantes aux différentes cohortes définies précédemment
    2. créant les lignes et les flèches.
  4. Réaliser le graphique avec ggplot2, à partir de l’objet graphique défini

Alors honnêtement, on peut se demander quel est l’intérêt de réaliser un diagramme du flux des participants sous R alors qu’on peut le faire avec d’autres outils comme word, docs, powerpoint ou Slides, etc., c’est-à-dire avec des outils bien plus maniables.

À mon sens, il y a quelques avantages qui peuvent dépasser l’inconvénient majeur de maniabilité. Le premier c’est d’inscrire la réalisation du diagramme dans une démarche reproductible. Le second, c’est de limiter les erreurs puisque le diagramme est réalisé à partir des données. Le troisième, c’est d’automatiser la réalisation de ce graphique : le premier diagramme n’est pas facile à faire, mais une fois le template de code réalisé, il n’y a plus qu’à le réutiliser !

Je vous montre en pas à pas comment ça fonctionne !

Le package ggconsort

Le package est à télécharger à partir d’un répertoire GitHub :

# install.packages("devtools")
devtools::install_github("tgerke/ggconsort")
library(ggconsort) 

Un exemple de réalisation du digramme consort du flux des participants est également fourni sur le répertoire GitHub du package : https://github.com/tgerke/ggconsort.

Les data

L’exemple fourni s’appuie sur des données nommées  trial_data contenues dans le package :

head(trial_data)
## # A tibble: 6 x 5
##      id declined prior_chemo bone_mets treatment
##   <int>    <int>       <int>     <int> <chr>    
## 1 65464        0           0         0 Drug A   
## 2 48228        0           0         0 Drug B   
## 3 92586        0           0         0 Drug A   
## 4 70176        0           0         0 Drug B   
## 5 89052        0           0         0 Drug A   
## 6 97333        0           0         0 Drug B 

Remarque : Les données permettent uniquement de réaliser, le graphique ci-dessous, c’est-à-dire jusqu’à l’étape “Allocation”.  Elles ne contiennent pas assez d’informations pour réaliser les étapes “Follow-up” et “Analysis”.

Les variables declined prior_chemo,  bone_mets vont permettre de spécifier les groupes d’exclusion correspondants, et la variable treatment va permettre de créer le groupe “Randomized” et les deux groupes de traitement.

Exemple de digramme du flux des participants réalisé avec le package ggconsort

Construction du diagramme consort du flux des participants

Création des groupes

Comme expliqué en introduction, la première étape consiste à définir les différents groupes de participants qui apparaissent dans le graphique. Pour cela, on emploie les fonctions cohort_start() et cohort_define(). La fonction cohort_start() sert à initialiser en quelque sorte le groupe de départ (qui s’appelle alors .full), et c’est dans la fonction cohort_define() que l’on définit les différents groupes.

Le code fourni en exemple m’a paru assez complexe, alors j’ai préféré le re-écrire comme cela :

library(dplyr)
study_cohorts <- 
  trial_data %>%
  cohort_start("Assessed for eligibility") %>%
  cohort_define(
    randomized = .full %>% filter(!is.na(treatment)),
    
    treatment_a = randomized %>% filter(treatment == "Drug A"),
    treatment_b = randomized %>% filter(treatment == "Drug B"),
    
    excluded = anti_join(.full, randomized, by = "id"),
    excluded_declined = excluded %>% filter(declined==1),
    excluded_chemo =  excluded %>% filter(declined==0 & prior_chemo==1),
    excluded_mets = excluded  %>% filter(declined==0 & prior_chemo==0 & bone_mets==1)) 

Remarque : Pour ceux qui veulent comparer avec le code original, ce qui m’a embêté, c’est par exemple, que l’on définit un groupe “consented” dont on ne se sert pas directement dans le graph, mais que l’on utilise ensuite, uniquement pour filtrer l’ensemble du fichier ( excluded_declined = anti_join(.full, consented, by = "id")).

On peut afficher les groupes créés comme cela :

summary(study_cohorts)
## # A tibble: 8 x 3
##   cohort            count label                   
##   <chr>             <int> <chr>                   
## 1 .full              1200 Assessed for eligibility
## 2 randomized          938 <NA>                    
## 3 treatment_a         469 <NA>                    
## 4 treatment_b         469 <NA>                    
## 5 excluded            262 <NA>                    
## 6 excluded_declined    59 <NA>                    
## 7 excluded_chemo      113 <NA>                    
## 8 excluded_mets        90 <NA> 

Etiquette des groupes (label)

Nous pouvons ensuite appliquer des étiquettes aux différents groupes :

study_cohorts <- study_cohorts %>% 
    cohort_label(
    randomized = "Randomized",
    treatment_a = "Allocated to arm A",
    treatment_b = "Allocated to arm B",
    excluded = "Excluded",
    excluded_declined = "Declined to participate",
    excluded_chemo = "Prior chemotherapy",
    excluded_mets = "Bone metastasis"
  ) 
summary(study_cohorts)
## # A tibble: 8 x 3
##   cohort            count label                   
##   <chr>             <int> <chr>                   
## 1 .full              1200 Assessed for eligibility
## 2 randomized          938 Randomized              
## 3 treatment_a         469 Allocated to arm A      
## 4 treatment_b         469 Allocated to arm B      
## 5 excluded            262 Excluded                
## 6 excluded_declined    59 Declined to participate 
## 7 excluded_chemo      113 Prior chemotherapy      
## 8 excluded_mets        90 Bone metastasis 

Création des boites, des flèches et des lignes

Voici l’ensemble du code :

study_consort <- study_cohorts %>%
  consort_box_add(
    "full", 0, 50, cohort_count_adorn(study_cohorts, .full)
  ) %>%
  consort_box_add(
    "exclusions", 20, 40, glue::glue(
      '{cohort_count_adorn(study_cohorts, excluded)}<br>
      • {cohort_count_adorn(study_cohorts, excluded_declined)}<br>
      • {cohort_count_adorn(study_cohorts, excluded_chemo)}<br>
      • {cohort_count_adorn(study_cohorts, excluded_mets)}
      ')
  ) %>%
  consort_box_add(
    "randomized", 0, 30, cohort_count_adorn(study_cohorts, randomized)
  ) %>%
  consort_box_add(
    "arm_a", -30, 10, cohort_count_adorn(study_cohorts, treatment_a)
  ) %>%
  consort_box_add(
    "arm_b", 30, 10, cohort_count_adorn(study_cohorts, treatment_b)
  ) %>%
  consort_arrow_add(
    end = "exclusions", end_side = "left", start_x = 0, start_y = 40
  ) %>%
  consort_arrow_add(
    "full", "bottom", "randomized", "top"
  ) %>% 
  consort_arrow_add(
    start_x = 0, start_y = 30, end_x = 0, end_y = 20,
  ) %>%
  consort_line_add(
    start_x = -30, start_y = 20, end_x = 30, end_y = 20,
  ) %>% 
  consort_arrow_add(
    end = "arm_a", end_side = "top", start_x = -30, start_y = 20
  ) %>%
  consort_arrow_add(
    end = "arm_b", end_side = "top", start_x = 30, start_y = 20
  ) 

Les boites sont créées par la fonction consort_box_add() et sont stockées dans l’objet graphique study_consort :

code permettant de créer les boites

Les flèches sont créés par la foncion consort_arrow_add(), les lignes sont créés par la foncion consort_line_add() et sont stockées dans l’objet graphique study_consort :

code permettant de créer les flèches et les lignes

Réalisation du graphique

Une fois le digramme construit, il reste  à le réaliser avec ggplot2, en employant la géométrie geom_consort() :

library(ggplot2)
study_consort %>%
  ggplot() + 
  geom_consort() +
  theme_consort(margin_h = 8, margin_v = 1) +
  # you can include other ggplot geoms, as needed -------------
  ggtext::geom_richtext(
    aes(x = 0, y = 10, label = "Allocation"),
    fill = "#9bc0fc"
  ) 
Exemple de digramme du flux des participants réalisé avec le package ggconsort

Pour aller plus loin

Pour créer les étapes “follow-up” et “analysis”, il est nécessaire de suivre les mêmes étapes :

  • Définir les groupes
  • Mettre des étiquettes aux groupes
  • Créer des box (on peut partir de y=100 plutôt que y=50)
  • Créer les flèches et les lignes
  • Faire le graphique en ajoutant les boites grâce à la fonction ggtext::geom_richtext()


Pour créer les groupes, vos données doivent contenir les informations correspondantes, c’est-à-dire, au moins une variable complete_follow_up (codée en 0/1), voir des variables détaillant le suivi comme died codée (0/1), et lost (codée en 0/1), par exemple.

Conclusion

J’espère que cet article vous aura permis, à minima de découvrir les diagrammes de participants et la recommandation CONSORT. Et pour certaines et certains d’entre vous, qu’il vous permettra de vous lancer plus facilement dans la réalisation automatisée et reproductible de ces diagrammes avec R.

💡 ❓❓ Est ce que cela vous intéresse que je crée un template pour réaliser un digramme consort du flux des participants complet, c’est-à-dire avec les étapes Follow-Up et Analysis . ❓❓

🙏 Dites le moi en commentaire, ou envoyez-moi un mail  : claire@delladata.fr 

Si cet article vous a plu, ou vous a été utile, et si vous le souhaitez, vous pouvez soutenir ce blog en faisant un don sur sa page Tipeee.

Poursuivez votre lecture

Commentaires

Laisser un commentaire

Votre adresse e-mail ne sera pas publiée. Les champs obligatoires sont indiqués avec *

Bonjour !

vous venez souvent ?

Identifiez-vous pour avoir accès à toutes les fontionnalités !

Aide mémoire off'R ;)

Enregistrez vous pour recevoir gratuitement mes fiches “aide mémoire” (ou cheat sheets) qui vous permettront de réaliser facilement les principales analyses biostatistiques avec le logiciel R et pour être informés des mises à jour du site.