Module 7 Flashcards
Qu’est-ce que la précision ?
L’absence de l’erreur aléatoire, elle accroit au fur et à mesure que la taille de l’échantillon via diminution des fluctuations aléatoires
Qu’est-ce qu’une erreur systématique ?
Une erreur systématique, liée au devis, qui entraîne un biais. La validité est l’absence d’erreur systématique
Nomme le biais/ facteur de confusion: les mères qui n’allaitent pas qui participent à une étude sont celles dont l’enfant avait des problèmes GI
Biais de sélection
Nomme le biais / facteur de confusion: une proportion des gastros n’est pas colligée au dossier médical
Biais d’observation (erreur de classification non différentielle)
Nomme le biais / facteur de confusion : les mères allaitant proviennetn de niveaux socio économiques supérieurs, donc ont de smeilleurs hygiène et moins d’entassement qui sont les vrais facteurs protecteurs (donc l’effet est éronnément attribué au lait maternel)
Facteur de confu
Nomme le biais / facteur de confusion. Les femmes allaitant leur enfant vont moins chez le médecin, le dossier des enfants est donc moins complet et les épisodes de gastor sont osus-estimés dans ce group
Biasi d’observation (erreur de classification différentielle)
Erreur de classification (biais d’observation) différentielle vs non différentielle
Non différentielle: si la mesure de l’exposition ou de la maaldie est imaprfaite, masi que cette imperfection en dépend pas de l’autre axe de classification
- est plus ou moins présente dans toute l’étude
Différneitlle: si la qualité de la mesure de la maladie est différente entre exposés et non exposés ou entre malades et non malades
Carte à supprimer
Une erreur de classification non différentielle fait elle réduire ou augmenter la force d’une association
Diminuer. L’OR va tendre vers la nullité (OR =1)
Vrai ou faux le sous-diagnostic aléatoire non différentiel de la maladie ne biasera pas le RR dans ne étude de cohorte.
Vrai
Vrai ou faux, dans une cohorte, le sous-diagnostic aléatoire (non différentiel) de la maladie ne biaise pas les RR mais réduit la pusisance
Vrai
Comment pourrait-on avoir une erreur de classification non-différentielle de l’exposition dans un ECR ?
Non compliance
Les erreurs de classification non différentielle font elles sous-estimer ou surestimer les associations ?
Sous-estimer, rapprochement vers la valeur nulle sauf pour le sous-diagnostic
Si pas d’association, le biais ne créeera pas de problème
Quel sera l’effet d’une erreur de classification de l’exposition différentielle sur les associations ? En assumant qu’on est meilleur pour détecter les expositions dans les cas que les témoins
Augmentation de la force de relation, classiquement les cas se rappellent mieux des trucs que des témoins.
Si on détecte moins bien une maladie chez les non exposés que chez les exposés, est-ce qu’on sous-estime ou surestime les associations?
Surestimer
Quand on parle de biais d’observation dans une étude analytique, on fait généralement référence à quoi ?
Aux erreurs de classification différentielle
Dans une étude analytique, les erreurs de classification non différentielles tendent à faire quoi comme biais ?
Tendre vers la nulle = biais conservateur
Comment peut on avoir des biais de sélection dans les études de cohorte vs dans les études cas témoins ?
Cohorte: sélection ou pertes au suivi des exposés et non exposés dépend de la susceptibilité à (ou la présence de) la maladie
Cas-témoins: quand la sélection des cas et des témoins dépend des facteurs liés à la présence (ou l’absence) de l’exposition
Comment peut on détecter un biais de sélection d’un échantillonnage ?
Si RR différent entre les exposés et les non exposés.
Comment peut-on avoir un biais de sélection dans un ECR ?
pertes au suivi: donc les gens qui partent rendent la population non représentative
mais le refus de participer ne cuase ps de biais, engendre un problème de validité externe mais pas un biasi de sélection
Quelles circonstances peuvent donner un biais de sélection dans une étude de cohorte
- Refus de participer ou volontariat
- perts au suivi
toute autre raison faisant que les groupes ne sont pas choisis indépendamment de leur susceptibilité à la maladie (peu probable dans la prospective)
Quand est-ce qu’un biais de sélection peut apparaitre dans une étude cas-témoins ?
Si la surveillance et donc la détection des cas asymptomatiques ne se faisait pas à la même intensité selon l’exposition
Si le diagnostic de la maladie et l’hospitalisation des cas est liée à l’exposition (biais de Berkson)
La participation des cas et/ou des témoins ne sont pas choisis indépendamment de l’expositino
TOute autre raison faisant que les cas et/ou les témoins ene sont pas choisis indépendamment de l’exposition
Comment prévenir des biais de sélecction dans les études cas témoin et de cohorte
Comment prévenir des pertes au suivi ?
- Contacts fréquents avec patients
- récompenses aux visites
- explication de ne pas quitter l’étude
- s’engager à informer les participants des résultats
- consulter les statistiques de mortalité (retracer en cas d’abandon)
- prévoir un envoi postal à tous les participants
Vrai ou faux, le surdiagnostic de la maladie va engendrer un biais d’information dans la cohorte (erreur de classification) et un problème de biais de sélection dans le cas-témoin (échantillonnage sur le statut de la maladie)
Vrai :D
Avec les OR comment peut on déterminer la présence d’un facteur de confusion?
Si l’OR brut n’est pas équivalent aux OR des strates
Quelles sont trois méthodes pour savoir si une variable externe est un facteur de confusion ?
- démonstration formelle des liens entre facteur de confusion et maladie/exposition. Si tous les liens existent et que FC n’est pas une variable intermédiaire, alors FC exerce un effet de confusion
- Comparer la mesure d’association brute à la mesure d’association ajustée pou FC (comme dans une analyse multivariable, la majeure partie deds études dans la littérature). Si elles diffèrent, on conclut que FC exerce un effet de confusion (différence de +/- 10%)
- Comparer la mesure d’association brute et les mesures d’association pour chaque strate (méthode approximative): si les strates (égales) diffèrent du brute, il y a un effet de confusion
Quelles études ont des facteurs confondants ?
1 : non
2: oui
3: oui
4: peut être
Si les OR des strates sont semblables au OR brut, y a-t-il confusion et/ou interaction ?
Aucun des deux
Si les OR des strates sont semblables entre eux mais différents du OR brut, y a-t-il confusion et/ou interaction ?
Confusion
Pas d’intéraction
Si les OR des strates différentes entre eux et différents du OR brut , y a-t-il confusion et/ou interaction ?
Intéraction et peut être confusion
Facteur de confusion vs effet modifiant
De plus, l’effet modifiant est une variable qui quand elle change de valeur modifie la force de l’association entre une exposition et une maladie
fait en sorte que dans différents sous groupes de la poulation, l’effet de l’expositione t de la maldie n,est pas la même
Effet réel, pas un biais à éviter.
Reporting bias
Le sujet peut être hésitant à donner des informations quant à ce qu’il pense peut être genant ou qu’il ne veut pas partager (trucs sexuels, substances illicites, etc. Peut donner un biais si cest pire chez les cas que les contrôles.
Wish bias
Wish bias: quand on demande aux patients pourquoi ils pensent être tombés malades, ils ont tendance subconsciemment de penser que la maladie n’est pas leur faute. Ils peuvent donc nier des habitudes de vie (fumer, tabac, etc) ou surreprésenter des trucs liés au travail pour des cas de CNESST genre.
qu’est-ce que l’intéraction par modèle additif ?
Model additif
Quand on additionne exposition B à l’exposition A, on a une addition des effets.
Si par exemple, sans expositions le risque est 3.0.
Risque exposition A: 9.0 (3.0+6.0)
Risque exposition B: 15.0. (3.0 +12.0)
Risque expositions A + B = 21 (3 +12 + 6)
Attention à ne pas compter le background risk deux fois
Qu’est-ce que l’intéraction par modèle multiplicatif ?
Model multiplicatif
Risque de base: 3.0
Risque A: 9.0 (6 +3.0)
Risque B: 15.0 (12 +3.0)
Risque A + B : 45
(Risque A triple le risque de base et devrait donc tripler base+B = 3x 15 = 45).
Risque B fait 5x le risque de base (5x3 = 15) donc si on fait base + A = 5 x 9 = 45.
