Brainscape's Knowledge GenomeTM

Browse over 1 million classes created by top students, professors, publishers, and experts.


See full index

3040 final > 7- BIAIS > Flashcards

7- BIAIS Flashcards

1
Q

Erreur totale

se sépare en 2

A
  • erreur systématique

- erreur aléatoire

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
2
Q

Erreur systématique (4)

A
  1. protopathique
  2. sélection
    a) admission
    b) participation
    c) notoriété
    d) prévalence
  3. Information
    a) n-différentiel
    b) différentiel
  4. Confusion
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
3
Q

Erreur aléatoire

précision (3)

A

Valeur réelle = moyenne des estimés à partir des échantillons multiples

  1. valeur p
  2. IC
  3. Puissance statistique
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
4
Q

Comment améliorer la précision ?

A

^^ taille d’échantillon

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
5
Q

Erreur systématique

due à ?
ne peut pas être ?

A

des erreurs méthodologiques

-contrôlé en augmentant la taille d’éch

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
6
Q

validité

A

Différence entre ce que l’on estime et la valeur réelle dans la populatio

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
7
Q

PRoblèmes méthodologiques

A
  • Choix des participants /pts
  • qualité des instruments de collecte de données
  • covariables non prises en compte
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
8
Q

Biais cause de la distorsion ,donc il faut ?

A

contrôler les biais

=> pas d’étude parfait ,mais il faut but est de minimiser

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
9
Q

Validité interne/externe

vs éch

A

éch : old ppl in mtl
pop.cible : old pl
pop externe : all ppl

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
10
Q

Biais de sélection

particularité de l’étude c-t à l’hôpital

A

on applique bcp de filtre qui va restreindre la population => augmentation de distorsion qui pourrait amener un biais de sélection

admission
identification
contact/participation

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
11
Q

biais de sélection

sous-type : admission

solution

A

si on prend des pts à l’hopital, on aurait juste des cas exposés au mx

pcq les cas non-exposés pcq ces derniers on été conseillés par les mds de rester chez eux et de ne pas aller à l’hopital => SOUS ESTIMATION DES CAS N-EXPOSÉS

  • regarder dossiers cliniques pis on check la proportion qui est aller à ‘hopital
    => cette solution est une étude de validation => différence entre une bonne étude
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
12
Q

Biais de sélection
sous-type : prévalence /survie

2 exemples

A

cas encore vivants peuvent ne pas être représentatifs de l’ensemble des ca p/r à l’exposition au mx

=> probabilité de survie p-e influencée par le mx

ex:
surment que yen a qui sont rip => on peut pas les interroger

=> ce qui est pas normal : si le risque decéder est associé à l’AINS

ex : étude comparative des hypoglyécmiants oraux de plusieurs lignes:

on impose aux gens de dpp4 d’Avoir survécu + longtemps que les gens sur metformin => il faudrait prendre des gens qui ont survécu le mm temps après avoir été traité avec le metformin

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
13
Q

biais d’information
erreur ds la détermination ?

autre définition

A
  • exposition
  • event

-erreur ds classification des pts ds les catégories d’expo ou d’event ( problème de codage

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
14
Q

Biais d’information

non dfférentiel

A
  • critères diagnostics n-validés
  • exposition (n–adhésion)

=> qualité/validité des codes ne diffèrent pas peu importe exposés ou non
=> va survenir partout ds la base de données

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
15
Q

Biais d’information
n- différentiel

50% erreur

A

50% moins d’exposés (cas et témoins

600 + 300 => 300 et 150

on aurait un OR de 2.4,mais en réalité c’Est 3.5 . Les erreurs n-différentiels sous estime le or

OR de 3 à 2 : ok
OR de 3 à 1.1 : dangereux => dépend des résultats de l’étude

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
16
Q

Biais d’information
différentiel

au niveau de exposition

exemple

A

=> biais de mémorisatin
=> erreur est + /- importante chez les cas que chez les témoins

=> peut biaiser ds toutes les directions (sur ou sous estimation de l’OR)

exemple : famn enceintes

17
Q

Biais protopathique

avant la maladie (event arrive avant la prise du mx)

4

A
  • dû au délai entre la survenue des 1er sx de l’ei et le diagnostic
  • mx utilisé pr traiter les 1er sx
  • attribue injustement un risque au mx
  • le biais protopathique est d’autant + important d’autant que la date index est loin de la date diagnostic (alzheimer)
18
Q

exemple

biais protopathique

erreur dans la séquence des événements

A

=> ains => IPP => HD(hémorragie)

on associe ipp et hd, mais on associe les ains à la douleur abdominale

erreur ; on s’est trompé ds nos dates => plutot que de prendre une date d’index, on a pris une date de diagnostic (HD, ce qui inclut les ipp)

19
Q

3 spécificités des études post commercialisation

A

-études observationnelles sont n-interventionnelles : pas de randomisation
-pts traités ak mx différents sont différents
-besoin de prendre en compte les covariables (caractéristiques du pt)
qui peuvent être des facteurs de confuson

20
Q

Confusion
définition
3 conditions

A
  1. Associé avec l’exposition (old ppl use more ains que young)
  2. associé avec l’event (pt ak $$ ont + de visite médicales que les pauvreS)
  3. Pas dans le lien entre exposition au médicament et l’Event ( pas un facteur intermédiaire)
21
Q

Contrôle du biais de confusion

au moment de l’étude
au moment de l’analyse

A
  • restriction
  • appariement
  • stratification
  • analyses multivariées
22
Q

Restriction

A

si on a un débalancement entre hommes et femmes on peut décider de faire juste une étude sur les femmes

mais on pourra pas valider à l’externe de la population

23
Q

Appariement

A

pairing pour un covariable en particulier
ex : sexe : homme vshomme pour med a et med B

=> on vient d’enlever le lien entre EXPOSITION et SEXE

si on apparie homme témoins et hommes cas => enlève le lien entre sexe et EVENT

24
Q

Apppariement

limites (3)

A
  • peut perdre des cas si pas de témoin apparié (peut perdre des gens si on a pas de gens à apparier )
  • ne peut pas apparier sur trop de covariables
  • ne peut plus étuder l’effet de cette covariable sur le risque d’event => OR=1
25
Q

Stratification

A

faire des sous-groupe lors de l’analyse avoir des RR pour chaque s-grp

26
Q

2 problèmes avec la stratification

A
  • trop de s-grp (2x2) s’il y a bcp de facteurs de confusion

- nbr de s-grp = nbr de combinaisons

27
Q

Régression multivariées pr ctrl plusieurs facteurs de confusion au moment de l’analyse

A

résultats ajustés vs non ajustés

28
Q

Conclusions (3)

A
  • en raison de biais potentiels, on ne peut conclure que le mx cause l’évent à partir d’une seul étude
  • doit s’assurer au moment de la planification de l’étude que toutes les sources de biais potentiels ont été identifiées (sinon problème $)
  • toutes les études sont différentes (pas de recette unique
29
Q

COnclusion

quelle serait la solution ?

A

considérer des sous-études et analyses de sensibilité

3040 final (9 decks)

Brainscape helps you reach your goals faster, through stronger study habits.
© 2024 Bold Learning Solutions. Terms and Conditions