Les scores de propension (PS) sont fréquemment utilisés dans l’ajustement pour des facteurs confondants liés au biais d’indication. Cependant, ils sont limités par le fait qu’ils permettent uniquement l’ajustement pour des facteurs confondants connus et mesurés. Les scores de propension à hautes dimensions (hdPS), une variante des PS, utilisent un algorithme standardisé afin de sélectionner les covariables pour lesquelles ils vont ajuster. L’utilisation de cet algorithme pourrait permettre l’ajustement de tous les types de facteurs confondants. Cette thèse a pour but d’évaluer la performance de l’hdPS vis-à-vis le biais d’indication dans le contexte d’une étude observationnelle examinant l’effet diabétogénique potentiel des statines. Dans un premier temps, nous avons examiné si l’exposition aux statines était associée au risque de diabète. Les résultats de ce premier article suggèrent que l’exposition aux statines est associée avec une augmentation du risque de diabète et que cette relation est dose-dépendante et réversible dans le temps. Suite à l’identification de cette association, nous avons examiné dans un deuxième article si l’hdPS permettait un meilleur ajustement pour le biais d’indication que le PS; cette évaluation fut entreprise grâce à deux approches: 1) en fonction des mesures d’association ajustées et 2) en fonction de la capacité du PS et de l’hdPS à sélectionner des sous-cohortes appariées de patients présentant des caractéristiques similaires vis-à-vis 19 caractéristiques lorsqu’ils sont utilisés comme critère d’appariement. Selon les résultats présentés dans le cadre du deuxième article, nous avons démontré que l’évaluation de la performance en fonction de la première approche était non concluante, mais que l’évaluation en fonction de la deuxième approche favorisait l’hdPS dans son ajustement pour le biais d’indication. Le dernier article de cette thèse a cherché à examiner la performance de l’hdPS lorsque des facteurs confondants connus et mesurés sont masqués à l’algorithme de sélection. Les résultats de ce dernier article indiquent que l’hdPS pourrait, au moins partiellement, ajuster pour des facteurs confondants masqués et qu’il pourrait donc potentiellement ajuster pour des facteurs confondants non mesurés. Ensemble ces résultats indiquent que l’hdPS serait supérieur au PS dans l’ajustement pour le biais d’indication et supportent son utilisation lors de futures études observationnelles basées sur des données médico-administratives. / Propensity scores (PS) are frequently used to adjust for confounders leading to indication bias. However, PS are limited by the fact that they can only adjust for measured and known confounders. High-dimensional propensity scores (hdPS), a specific type of PS, select which variables they adjust for by means of a standardized selection algorithm. Thanks to the use of this selection algorithm, hdPS could potentially adjust for all type of confounders. This thesis aims to evaluate the hdPS’s performance in the adjustment for indication bias in the context of an observational study focussing on the potential diabetogenic effect of statins. The first article’s aim was to identify if the exposure to statins was associated with the risk of diabetes. Results of this article suggest that exposure to statins is associated with an increase in the risk of diabetes and that this association is dose-dependent and reversible in nature. After having identified this association, we examined if the hdPS outperforms the PS in the adjustment for indication bias. Both methods’ performance were compared by means of the obtained adjusted measures of associations and by means of the standardized differences regarding 19 characteristics following the creation of two matched sub-cohorts (each matched on either patients’ PS or patients’ hdPS). Results of this second article identify that the performance of either method could not be differentiated by means of the first approach but that, based on the second approach, the hdPS outperforms the PS in its adjustment for indication bias. The last article aimed to evaluate if the hdPS could adjust for known confounders which were hidden to the selection algorithm. Results of this third article suggest that the hdPS method can adjust for at least some hidden confounders and that it could potentially adjust for some unmeasured confounders. As a whole, this thesis suggests that the hdPS method could be superior to the PS method in its ability to adjust for indication bias and supports its use in future observational studies using medico-administrative databases.