Module 4: Validité, précision et sources d'erreur Flashcards
L’objet de la section discussion:
contester la validité des résultats observés et de ressortir s’il y a lieu la présence de bias/distorsions qui pourraient en affecter la validité
Les deux types d’erreurs:
- Aléatoires
- Systématiques
Absence d’erreur systématique =
Validité
Absence d’erreurs aléatoires =
Précision
Validité
Capacité d’évaluer correctement un phénomène/mesurer la valeur réelle
Validité interne vs. externe:
Externe: capacité de généraliser un résultat à une pop. cible
Interne: capacité d’une étude d’estimer correctement les mesures
Validité et bias
Apparaît lorsqu’une mesure écarte systématiquement de la valeur réelle
ex: instrument mal calibré
Comment prévenir le bias?
Employer une démarche rigoureuse (recherche et clinique)
Présicion:
Fait qu’une valeur fluctue peu → Ø d’erreur aléatoire
Comment prévenir l’erreur aléatoire
Utilisation des instruments bien conçus et un échantillon de grande taille
Les 3 types de biais:
- Sélection
- Information
- Confusion
Biais d’échantillonnage/survie élective
Survient quand membres de la population ont moins de chance d’être sélectionnés dans une étude
Ex: patients asx, maladie qui cause rapidement le décès (impact of car accidents on hospitalization rate, people who died on impact were injured +++ but weren’t hospitalized cause they’re dead)
Biais d’admission/de Berkson
Quand les sujets sélectionnées sont différentes que la population cible en raison de l’exposition étudiée
(sample Ø taken from representative population, ex: blood pressure rates but taken from blood pressure clinic)
Biais de migration/perdue de vue:
dans une étude où il y a eu des sujets perdus de vue, il est possible de surévaluer ou de sous-évaluer l’efficacité d’une intervention puisque l’on ne peut pas savoir si les gens perdus de vue ont été guéri ou non par le traitement
Biais de volontariat :
lorsque le recrutement des sujets de l’étude se fait par volontariat
people who volunteer ø completely representative of population
Biais de bonne santé des travailleurs:
travailleurs ont généralement un taux de morbidité et de mortalité moins élevé que la population générale → secondaire au fait que les personnes en bonne santé ont plus de chance de conserver un emploi
Biais de publication:
Retrouvé dans les articles de synthèse:
Il est lié à la tendance des chercheurs de publier davantage les articles qui appuient les hypothèses de recherche plutôt que ceux qui les contredisent
Réduction de biais de échantillonnages
S’assurer que tous les membres de la population ont la même probabilité d’être sélectionnés pour l’étude.
Par exemple, en effectuant un échantillonnage aléatoire stratifié
Biais de admission
Vérifier que les caractéristiques des sujets à l’étude sont représentatives de la population cible
Réduction de biais de migration
Employer des méthodes pour minimiser les perdus de vue
Réduction de biais de volontariat
Utiliser un échantillonnage aléatoire
Réduction de biais de “bonne santé des travailleurs”
Comparer les résultats obtenus dans un groupe de travailleurs uniquement à une population de travailleurs
Réduction de biais de publication
Prendre des mesures pour retrouver les études qui n’ont pas été publiées
Biais d’information:
mesure incorrecte de l’exposition ou de la maladie
Ex: instruments de mesure de mauvaise qualité, mauvaise méthode de récolte des données ou encore par de mauvaises pratiques de la part de l’observateur
Trois types de biais d’information:
- Erreur de classification non différentielle
- Erreur de classification différentielle
- Biais de rappel
Erreur de classification non différentielle:
Survient lorsque les mesures sont prises par un même instrument imparfait dans les deux groupes comparés
Affecte de la même façon les deux groupes
Cause une sous-estimation de la vraie mesure d’association
Erreur de classification différentielle:
Affecte différemment les deux groupes comparés dans l’étude
Peut mener à une surestimation ou à une sous-estimation de la mesure d’association
Biais de rappel
Études cas-témoins et dans les études transversales
Les personnes souffrant d’un problème de santé ont tendance à se rappeler davantage de l’exposition antérieure à un facteur de risque que les individus en santé
Comment réduire biais d’information?
- Nécessaire de décrire convenablement les méthodes d’obtention des données ainsi que les instruments utilisés
- Bien décrire les instruments qu’ils emploient et de décrire leurs limites
- Études expérimentales:
- Il est important que la répartition et la sélection des sujets soient effectuées aléatoirement.
- Idéal que la personne qui analyse les résultats ignore quel traitement est administré à quel sujet
Biais de confusion:
- Causé par la présence d’un facteur influençant de façon indépendant la maladie et le facteur d’exposition à l’étude
- Ne doit donc pas entrer dans la chaîne causale de la maladie
- Peut provenir des caractéristiques de la population à l’étude ou de la façon dont les sujets ont été sélectionnés
- Traduira par le fait que la mesure d’association brute ne sera pas comprise entre la mesure spécifique la plus élevée et la mesure spécifique la plus basse
Comment réduire biais de confusion:
- Étudiant les mesures selon les strates du facteur de confusion
-
Lors de l’échantillonnage:
- Procéder par restriction ou par assortiment
- Individus qui sont semblables par rapport au facteur de confusion potentiel
- Exclut de l’étude les gens exposés au facteur potentiellement confondant
- Procéder par restriction ou par assortiment
-
Répartition des sujets par hasardisation:
- Faut vérifier que la distribution des caractéristiques de personne est semblable entre les deux groupes étudié
- Lors de l’analyse par stratification ou à l’aide de modèles mathématiques
- L’ajustement de la mesure d’association
