module 7 Flashcards
2 sources d’erreur qui peuvent engendrer des écarts entre notre estimation et le paramètre
- erreur aléatoire: manque de précision
- erreur systématique: manque de validité
v ou f
l’erreur aléatoire est due au devis alors que l’erreur systématique est due au hasard
f
contraire
aléatoire = hasard d’échantillonnage
systématique = notre étude n’est pas parfaite et entraîne un biais
effet de “n” sur la validité vs précision
+ grande taille d’échantillon améliore la PRÉCISION en réduisant l’erreur aléatoire
mais PAS d’effet sur l’erreur systématique et la VALIDITÉ
exactitude d’une mesure
- VALIDITÉ INTERNE (pas de biais de sélection, d’observation, ni de FC) +
- PRÉCISION (hasard n’explique pas à lui seul le résultat)
et si exacte (je crois au résultat): est-ce qu’il est généralisable (VALIDITÉ EXTERNE)
exactitude = est-ce que je crois au résultat de mon étude
toutes les études ont des erreurs de classification non-différentielle: quel est leur effet
biais d’observation non-différentiel => asso tend vers la nulle (sous-estime le résultat mais celui-ci reste vrai)
biais conservateur
pourquoi on veut éviter une erreur de classification différentielle
car peut surestimer résultat (créer une association là où il n’y en a pas)
(peut aussi sous-estimer dépendant)
en cohorte ou en ECR: mesure de la maladie est dépendante de l’expo (pas pareille chez expo vs non-expo)
OU
en cas-témoin: mesure de l’expo est dépendante de la maladie (pas pareille chez cas vs témoin)
Les mères non-allaitantes qui ont accepté de participer à l’étude sont celles dont l’enfant avait des problèmes gastrointestinaux:
on pense à quel biais
biais sélection: surestime l’asso si + de participants parmi les exposées dans cette cohorte
v ou f
les erreurs aléatoires sont incontrôlables
v
erreur de type 1
erreur a: rejeter H0 quand H0 est vrai (résultat statistiquement significatif alors que qu’il n’existe pas d’association en réalité)
erreur de type 2
erreur B: ne pas rejeter H0 quand HA est vraie (résultats non significatif alors qu’il l’est en réalité)
l’étude n’a pas été assez puissante pour montrer statistiquement qu’il y a un lien
sensibilité de 70% dans une étude cas-témoins
70% des sujets considérés exposés le sont réellement
spécificité de 80% dans une étude cas-témoin
80% des sujets considérés non-exposés sont réellement non-exposés
une étude cas-témoins avec une spécificité de 70% et une sensibilité de 80% autant chez les cas que chez les témoins, le OR aura tendance à bouger dans quelle direction?
OR tend vers 1 (sous-estimé) en erreur non-différentielle (pcq autant chez cas que chez témoins donc aléatoire)
+ les erreurs aléatoires sont élevées, + ça fait tendre l’association vers la nulle
impact d’un sous-diagnostic aléatoire (ex FA cliniquement silencieuse) sur la mesure d’association en COHORTE (baisse de sensibilité)
ne biaise PAS le RR mais réduit la puissance (augmente l’erreur B)
impact d’un sur-diagnostic aléatoire sur la mesure d’association en COHORTE (baisse de spécificité)
sous-estime le RR mais garde sa signification statistique
pourquoi un sous-dx dans une cohorte diminue sa puissance
si on diminue l’incidence, on diminue la puissance
v ou f
si on a que du sous-diagnostic en étude cas-témoins, on aura un OR qui ne sera pas biaisé (qui ne tendra pas vers la nulle comme en sur-dx)
f
slm en cohorte que ce statement est vrai
Peut-on avoir une erreur de classification non- différentielle de l’issue en ECR ?
oui, erreur de mesure est possible partout => fait tendre l’asso vers la nulle
Peut-on avoir une erreur de classification non- différentielle de l’exposition en ECR?
non => pcq on randomise l’exposition
par contre la compliance pourrait avoir un effet similaire de biais non-différentiel => tend vers la nulle
qu’arrive-t-il au OR si les témoins se souviennent mieux de leur exposition
meilleure sensibilité chez les témoins: sous-estime l’association (OR vers la nulle)
qu’arrive-t-il au OR si la sensibilité est meilleure chez les cas mais la spécificité est meilleure chez les témoins
sensibilité meilleure = les cas se rappellent mieux de leur expo que les témoins (biais de mémoire)
spécificité meilleure = les témoins se rappellent mieux ne pas avoir été exposés
donc surestime le OR
v ou f
si l’étude est à l’aveugle, on SAIT que s’il y a un biais d’observation, il est aléatoire (non-différentiel)
v
v ou f
erreur de classification différentielle fréquente en cas-témoin
v
pcq cas se sont + questionnés sur leur expo
dans une cohorte, on mesure l’incidence de cancer chez les diabétique. Qu’arrive-t-il si 7% des cancers sont non-détectés chez les DB vs 25% non-détectés chez les non-DB
ça donne l’impression qu’il y a plus de cancer chez les DB: surestime le RR => erreur différentielle car les exposés (DB) n’ont pas le même suivi que les non-exposés (non-DB)
+ de suivi médical = + propension de détecter la maladie (biais de détection)
biais de détection
erreur différentielle où une exposition est associée à un suivi médical + rigoureux et donc + de chances de détecter la maladie (meilleure détection chez les exposés que les non-exposés donc surestimation de l’association)
Peut-on avoir une erreur de classification différentielle sur l’issue en ECR ?
oui si pas à l’aveugle => si sait qu’il prend le traitement, va possiblement + rapporter l’issue
en cohorte l’erreur de classification différentielle peut se produire…
si interviewer n’est pas aveugle (va plus creuser chez les exposés)
OU
biais de étection: expo affecte l’intensité du suivi
en cas témoin l’erreur de classification différentielle peut se produire
si éval des expo antérieure n’est pas à l’aveugle
OU
biais de mémoire (sujet qui connaissent leur maladie (cas) se souviennent mieux de leur exposition)
prévention des biais d’observation différentiels
- AVEUGLE
- obtenir qualité d’info similaire entre les groupes
prévention erreur non-différentielle
- questionnaires OBJECTIFS et validés, entrevues structurées, examens médicaux std
- outils précis
- entraînement des observateurs
- sources non-biaisées (RAMQ) indépendante de la mémoire
- plusieurs sources et validation croisée (patient vs dossier)
causes de biais de sélection en ECR
pertes au suivi
causes de biais de sélection en cas-témoin
sélection groupes
v ou f
pertes au suivi possible en cas-témoin
NON
donc biais de sélection uniquement due au modèle de sélection:
- survie sélective (cas)
- Berkson (cas)
- témoins n’ont pas expo représentative de tous les témoins potentiels
- non-participation des témoins
causes de biais de sélection en cohorte
prospective: pertes au suivi
rétrospective: recrutement d’exposés volontaires (asso à la mx)
résultat d’un biais de sélection en cas-témoin ou cohorte
si sélection n’est pas indépendante de la susceptibilité à la maladie (cohorte rétrospective) ou à l’exposition (CT),
l’association observée chez les sujets étudiés est différente de celle des sujets ÉLIGIBLES mais non-étudiés
asso mesurée de l’échantillon diffère du paramètre qu’elle estime (soit l’asso réelle dans la population)
v ou f
si problème de recrutement/échantillonnage en ECR, ça cause un biais de sélection
f
pcq survient avant la randomisation: affecte la validité externe mais pas interne (on randomise donc 2 groupes comparables et expo indépendante de la mx)
seule méthode = par pertes au suivi
v ou f
le fait de prendre un échantillon d’une population de base (donc plus petit n) peut causer un biais de sélection en cohorte
F
on garde les même proportion si on a un bon échantillonnage
comment on a un biais de sélection en cohorte rétrospective
si parmi les exposés, + de malades participent => surestime l’association
(ne survient pas en prospectif car on ne connait pas encore l’issue au moment de demander le consentement)
effet de pertes au suivi en ECR ou en cohorte
si aléatoires: équilibrées & perdus de vue ont les mêmes caractéristiques de base que les restants: pas de biais mais diminue la puissance (plus petit N = IC + large = + erreur B possible)
si non-aléatoire: sur ou sous estime l’asso
v ou f
le refus de participer cause un biais en ECR
f
mais affecte validité externe
volontariat cause biais sélection en cohorte rétrospective tho (malade exposés participent plus)
effet de perdre + de non-exposés malades
surestime l’association
effet de perdre + d’exposés malades
sous-estime l’association
Biais de sélection
dans l’étude cas-témoins
- La surveillance (&donc détection cas asx) ne se fait pas à la même intensité selon l’exposition (cancer endomètre et oestrogènes)
- dx mx et hospitalisation des cas est liée à l’expo (Berkson) (CO & TVP)
- participation des cas/témoins liée à leur expo (biais de survie)
- autre raison qui fait que les cas/témoins ne sont pas choisis indépendamment de l’exp (café et pancrés)
comment peut-on voir un risque de biais de sélection en regardant tableau 2x2
on veut que les odds d’exposition soient les même dans la population (vraie valeur d’exposition) que dans l’échantillon => c’est représentatif si on a recruté au hasard
prévention biais de sélection en cas-témoins
- connaître mécanisme référence/dx (limite Berkson)
- maximiser taux participation (sous groupe représentatif de tous éligibles)
- choisir témoins hospitalisés si les cas sont hospitalisés ( meilleure comparabilité)
- comparer expo participants vs non-participants
- définir clairement la pop de base qui a fourni les témoins et les cas
prévention biais de sélection en cohorte
- choisir pop à haut risque
- choisir une cohorte bien organisée + facile à suivre (moins de perdus de vue)
pourquoi on prévient un biais de sélection en choisissant une pop à haut risque
+ incidence = moins durée de l’étude = moins de perdus de vue & + motivés donc meilleurs participants
si on fait un gros cas-témoin à partir de registres de toute une population (compare tous les cas avec l’ensemble des témoins du Qc), ecq risque de biais de sélection
non pcq on n’échantillonne pas
stratégies pour limiter les pertes au suivi (cohorte et ECR)
- contacts fréquents
- récompenses, remboursement
- expliquer importance de ne pas quitter
- s’engager à informer du résultat de l’étude
- consulter stats de mortalité (retracer les décédés et connaître cause de décès)
- prendre plusieurs # tel pour les sujets et quelques proches (retracer en cas d’abandon)
- prévoir un envoi postal à tous participants pour connaître l’issue pour tous les sujets (savoir s’ils sont toujours vivants au minimum)
après l’étude, comment on travaille avec les biais de sélection
- comparer caract base perdus de vue et restant (cohorte et ECR)
- comparer fréquence et intensité soins des participants (biais détection en CT)
- comparer expo participants vs non-participants (CT)
- analyses de sensibilité pour apprécier étendue biais
- méthode stats imputation: mais n’élimine pas l’effet des pertes au suivi
v ou f
Un même mécanisme peut entraîner: Un biais d’observation dans l’étude de cohorte, mais…
Un biais de sélection dans l’étude cas-témoins !
v
surdiagnostique mx va = biais d’information dans la cohorte (erreir classification mx)
mais biais sélection dans l’étude cas-témoins (car on échantillonnage sur le statut de maladie…)
stratégies pour repérer un FC
- stratification (OR stratifié différent du brut mais pas différent entre strates) => mais pas faite tant dans étude, on fait plutôt…
- analyse multivariables (régression logistique)
ou - démontrer les liens FC-M(exp) FC-M (nexp), FC-E et pas intermédiaire:
- mesurer asso (OR) FC avec issue chez les exposés
- mesurer asso FC avec issue chez non-exposés (on veut un OR non nulle pour expo et non-expo)
- mesurer asso avec exposition
- ecq maillon de la chaine causale expo à maladie?
ecq l’indication est un FC (ex. indication d’intuber)
oui => confusion par l’indication
exposés sont intrinsèquement + malades/vulnérables => c’est pourquoi on les expose
indication = exposition
on sait que les indications pour intuber = patients + à risque ou gravement malades
v ou f
Il est très difficile de contrôler entièrement pour la gravité (indication) de la maladie dans une étude observationnelle d’efficacité d’un médicament, vaccin, etc.
v
comment on contrôle les FC
début étude:
- randomisation
- restriction
- appariement (avec analyse pour CT sinon sous-estime)
au moment des analyses:
- standardisation
- stratification
- régression logistique multivariée
comment on sait si effet modifiant
OR brut différent de OR strate et OR entre chaque strate est différent
v ou f
inefficacité d’un ATB par conso d’alcool: alcool = FC
f
facteur modifiant RÉEL
interaction n’est pas un biais !!
réponse qu’on obtient si on voit un effet d’interaction
2 réponses: 1 pour chq strate
ex: OR = 1 chez F & OR = 3 chez H si sexe est un facteur d’interaction
avec IC (ex sexe: F vs H): si les valeurs des 2 IC ne s’entrecoupent PAS, on peut suspecter interaction
comment on mesure la confusion en présence d’une interaction
on présente les 2 résultats selon l’interaction et on évalue la confusion dans ces 2 résultats
efficacité du tx est X en présence de variable modificatrice et Y en absence de cette variable
v ou f
on veut éviter les effet modifiant
f
on doit rapporter tel quel pcq ce n’est pas un biais, c’est un effet réel, l’expo n’a pas le même effet de E sur M dans les sous-groupes
effet modifiant dépend de quoi
mesure d’effet/asso utilisée
RR = mesure multiplicative
DR = mesure additive
v ou f
c’est précis de dire que modification de l’effet par interaction
f
on préfère dire modification de la mesure d’effet pcq interaction dépend de si on a utilisé RR ou DR
v ou f
peut-on avoir un effet modifiant en ECR
oui
Le RR brut d’une étude qui mesure l’association entre l’exposition A et le cancer X est de 3.2. L’ajout de la variable « sexe » dans le modèle multivarié fait passer le RR de la relation A-X à 4.2.
La variable sexe agit comme facteur de confusion. Vrai ou faux ?
v
changement > 10%
Le RR brut d’une étude qui mesure l’association entre l’exposition A et le cancer X est de 3.2. L’ajout de la variable « sexe » dans le modèle multivarié fait passer le RR de la relation A-X à 4.2.
La variable sexe agit comme facteur d’interaction (effet modifiant). Vrai ou faux ?
il faudrait comparer le RR dans les différentes strates en lien avec le sexe
Laquelle des stratégies suivantes peut être utilisée pour investiguer la présence d’une variable modératrice ?
1. La randomisation
2. La stratification
3. La restriction
- stratification
Dans un essai clinique randomisé, les auteurs ont recruté des patients atteints de zona depuis un maximum de 6 jours pour voir l’effet d’un traitement sur le zona. Cette restriction sur le temps depuis l’avènement des symptômes peut causer un problème de validité interne (biais de sélection) ?
1. Vrai
2. Faux
f
ECR = pertes qui causent biais de sélection
Dans un essai randomisé, la perte au suivi peut provoquer :
1. un biais de sélection
2. un biais d’information
3. un effet de confusion
4. une interaction
5. La randomisation protège contre tous ces problèmes
- un biais de sélection
Dans une étude, les stratégies suivantes peuvent être utilisées pour éliminer l’effet d’une variable de confusion, sauf une. Laquelle?
1. La régression multivariée
2. La régression univariée
3. La stratification
4. La restriction
5. La standardisation
6. La randomisation
- La régression univariée
Dans un essai clinique, quel est l’avantage principal de donner les traitements en double aveugle (double-insu) ?
1. Faciliter la randomisation
2. Prévenir l’effet des facteurs de confusion
3. Maximiser la fidélité au traitement
4. Prévenir les biais d’observation (erreurs de classification différentielles)
5. Rendre les participants représentatifs de la population expérimentale
- Prévenir les biais d’observation (erreurs de classification différentielles)
Si dans une étude cas-témoins portant sur la naissance de bébés de faible poids et le tabagisme de la mère, les mères ayant donné naissance à un bébé de faible poids ont tendance à sous-déclarer leur consommation de tabac, on est en présence :
1. d’une erreur aléatoire (un effet du hasard)
2. d’un effet de confusion
3. d’un biais de sélection
4. d’un biais d’information
Erreur de classification différentielle ou non différentielle ? Sur-estime ou sous-estime le OR ?
- d’un biais d’information
Erreur de classification différentielle qui sous-estime l’association
Quelle source d’erreur tend à disparaître quand on augmente la taille de l’étude, l’erreur systématique ou l’erreur aléatoire?
erreur aléatoire (manque de précision)
Quelle différence voyez-vous entre un facteur de confusion et un facteur de confusion potentiel? Dans quelle situation un potentiel facteur de confusion peut-il s’avérer ne pas être un facteur de confusion?
Potentiel = FDR de la maladie d’intérêt = pas un facteur de confusion si n’est pas associé à la maladie et à l’exposition tout en n’étant pas impliqué dans la physiopathologie qui lie l’exposition à la maladie
Véritable si distribué inégalement entre les groupes d’exposition (asso à l’exposition)
v ou f
une indication est un FC
v
1. indication/gravité mx est associée à l’issue
2. asso exposition-indication car on expose préférentiellement les sujets chez qui il y a une indication (gravité de mx)
3. indication n’est pas intermédiaire
confounding by indication
exposition = intubation
issue = survie
indication = exposition donc associée à la maladie
intubation dépend de la sévérité/vulnérabilité pt
=> donc si on évalue la survie entre groupe exposé (intubé) et non-exposé (non-intubé), on mesure l’effet combiné de l’intubation et de la GRAVITÉ de la maladie et non seulement l’intubation
Étant donné qu’une certaine sélection s’exerce quant au choix des patients qui seront intubés ou non, pourquoi le confounding by indication est-il un facteur de confusion et non un biais de sélection?
biais sélection = prob d’échantillonnage: devrait être résolu si on prend toute la population exposée et non-exposée comme cohorte plutôt qu’un échantillon.
ici, même si nous sélectionnons tous les « exposés à l’intubation » dans une population (et les comparons à tous les non-exposés), nous ne corrigerons pas ce biais. Il s’agit d’une différence intrinsèque entre exposés et non exposés.
De plus, si nous arrivions à mesurer et à contrôler complètement pour l’indication pour l’intubation (ou la « gravité » de l’arrêt cardiaque) dans un modèle multivarié, nous pourrions nous débarrasser de cet effet. Or, s’il s’agissait d’un biais de sélection, nous ne pourrions pas nous en débarrasser à l’aide d’une analyse statistique. Il s’agit donc d’un facteur de confusion.
interprétation de l’efficacité d’un vaccin contre covid de 95%
95% de l’incidence de covid chez les non-vaccinés serait évitée chez les vaccinés
en quel cas pourrait-on avoir une erreur de classification non-différentielle de l’EXPOSITION en ECR
normalement, la randomisation et l’aveugle empêche erreur de classification de l’exposition
MAIS manque de compliance aléatoire dans les 2 groupes = même effet de sous-estimation de l’association
Dans une récente étude de cohorte réalisée dans la population suédoise, des chercheurs ont mesuré la relation entre un style de vie décrit comme « favorable » (non-fumeur, poids santé, consommation d’alcool modérée, activité physique régulière et alimentation saine) et l’incidence du cancer. Ils ont découvert que les individus ayant un style de vie favorable avaient un risque de cancer en 10 ans inférieur à celui des sujets ayant un style de vie défavorable, sauf si deux ou plus de leurs parents au premier degré avaient souffert d’un cancer
on s’attend à avoir des IC qui se juxtapose dans quels groupes? ça nous informe sur quoi?
si IC des style de vie favorable et défavorable se juxtapose => pas de présence d’association => ici dans le groupe avec ATCD cancer 2+ parents
si IC ne se chevauche pas, on croit à une association
ça nous indique donc un effet modifiant:
l’étude conclu qu’un style de vie favorable pouvait réduire l’incidence du cancer dans la pop générale, mais d’autres études semblent nécessaire pour évaluer l’impact chez les sujets avec de + fortes prédispositions familiales
