Module 4 Flashcards
Deux types d’erreurs possibles
- Aléatoire
- Systématique
Définir validité, précision et justesse
- Validité = capacité d’appréhender correctement un phénomène ou d’en mesure la valeur réelle ⇒ liée aux erreurs systématiques
- Précision = absence relative d’erreur aléatoire; mesure qui fluctue peu
- Justesse = valeur juste ET précise
Validité vs Précision (Schéma)

Précison: Nommer des exemples de situations qui pourraient faire varier la précison d’une mesure
- Variations biologiques: fluctuations niveau d’éveil, nourriture, humeur, etc
- Instruments de mesure
Validité: 2 types
- Interne = capacité d’une étude d’estimer correctement les mesures ou le sliens recherchés
- Externe = capacité de généraliser un résultat à une population cible
Qu’est-ce qu’un biais?
= source d’erreurs systématiques
Un biais apparait lorsqu’un mesure s’écarte ou dévie systématiquement de la valeur réelle.
Une valeur biaisée n’est pas valide.
Biais: Nommer les 3 types
- De confusion
- De délection
- D’information

Biais de sélection: Définition + nommer les sous-types
= erreur systématique qui découle des procédures adoptées pour choisir les sujes à l’étude
- D’échantillonnage (ou de survie sélective)
- D’admission (ou de Berkson)
- De migration (ou des perdues de vue)
- De volontariat
- De bonne santé des travailleurs
- De publication
Biais de sélection: D’Échantillonage
Défintion & exemple
= personnes de la population à étude sont moins susceptibles d’être admises à cause d’une caractéristique (comme être asx ou bien être mort)
- peut sous ou sur- estimer la valeur réelle

Biais de sélection: D’admission
Défintion et exemple
= lorsque les personnes sélectionnées dans la population à l’étude sont différentes de la population cible à cause de l’exposition étudiée (et donc la population à l’étude n’est pas représentative de la population générale)
- peut sous ou sur-estimer la population

Biais de sélection: De migration
Définiton et exemple
= lorsque les personnes perdues de vue lors de l’étude ne sont plus prises en compte et qu’on ne les mentionne pas
**important de mentionner dans un article la façon dont sont analysés les sujet perdus de vue en cours de suivi**
Biais de sélection: De volontariat
Définition et exemple
= provient de la stratégie de recrutement de l’échantillon; caractéritiques des sujets volontaires sont souvent non-représentatifs de la population

Biais de sélection: “Bonne santé des travailleurs”
= des groupes de travailleurs sélectionnées (surtout ceux qui font du travail physique) dans un étude présentent un tauc de mortalité/morbidité plus faible que celui du reste de la population (les résultats de l’étude ne peuvent donc pas être généralisés)
Biais de sélection: De publication
= lié à la tendance qui consiste à publier principalement les articles qui appuient les hypothèses de recherche établies (essais cliniques et étude sur les risques environnementaux ++)
- Souvent, les auteurs d’une étude ne réussisent pas à publier des résultats négatifs (association nulle ou allant dans le sens contraire)
- Touche particulièrement les études de synthèse qui portent sur des articles publiés (les chercheurs doivent donc trouver des articles non-publiés avec des hypothèses négatives)
Biais de sélection: Comment réduire les effets?
- Faire preuve d’esprit critique
- Voir si les auteurs ont cherché à éliminer ou à réduire les biais de sélection
- Vérifier comment les sujets ont été choisis
- La sélection aléatoire = la meilleure méthode pour un échantillon représentatif de la popualation
- Regarder si les chercheurs ont précisé les critères d’inclusion et d’exclusion des sujets de leur étude (pour comparer et juger de la représentativité)
Biais de sélection: Comment prévenir chacun des types de biais et comment le contrôler lors de l’analyse?

Biais d’information
- Définition
- Exemples
= erreur systématique entrainée par la mesure ou l’observation incorrecte de l’exposition ou de la maladie
1) Qualité des intruments de mesure (Ex: Un test de chlamydia négatif, alors que la personneest en réalité positif)
2) Pratiques de l’observateur (Un médecin ne soupconne pas la présence d’une maladie chez un patient x, donc ne dépiste pas)
2 types d’erreurs de classification: Différentielle et non-différentielle
Biais d’information: Erreur de classification non-différentielle
= erreur qui affecte de la même façon les cas et les témoins
- En étude de cohorte: si l’erreur qui influe sur la mesure de la maladie est la même pour les exposés et les non-exposés
- En étude cas-témoins: si l’erreur qui influe sur la mesure est la même chez les cas et chez les témoins
Attention: Amène toujours à une sous-estimation de la vraie mesure d’association
Biais d’information: Erreur de classification différentielle
= erreur qui affecte différement la mesure de l’exposition des cas pour les témoins/non-exposés et les cas/exposés
Peut conduire à une sous ou une sur-estimation
Biais d’information: Qu’est-ce que le biais de rappel?
= est une des nombreuses erreurs différentielles qui peut survenir dans un étude cas-témoins ou transversale
Personne présentant un rpoblème de santé peuvent avoir tendance à se rappeler et à déclrare les expositons antérieures à un facteur d’exposition et ce, de façon différente que s’ils étaient en bonne santé
Biais d’information: Quelles questions se poser pour vérifier si un auteur a déployé les mesures nécessaires pour réduire ce biais?

Biais de confusion
= erreur systémique induite par la présence d’un facteur associé de façon indépendante tant à la maladie qu’au facteur d’exposition à l’étude (facteur non-lié à la chaine causale: facteur de confusion est un facteur de risque de la maladie mais pas de l’exposition de celle-ci)

Biais de confusion: Comment le contrôler?
- Étudier des strates dans lesquelles le facteur est absent
- En cours d’échantillonage:
- Restriction = on exclut de l’étude les gens avec ce facteur
- Assortiment = rendre les groupes étudiés comparables au regard du facteur à contrôler
- Dans le cadre d’un essai clinique: répartition des sujets dans des groupes de comparaison en procédant par tirage au sort
- attention!!: important de vérifier que la distribution au hasard a bien marché
- En cours d’analyse:
- Stratification
- Utilisation de modèle mathématique
- Ajustement de la mesure brute
Biais de confusion: comment prévenir et contrôler selon le type d’étude?
