Par coeur examen intra Flashcards

Question

Définition d'un biais de sélection.

Answer 1

Un biais de sélection se produit lorsque la population sélectionné a une association/relation différente entre l'exposition et l'issue que la POPULATION SOURCE. Surtout dans les études cas témoins, sauf si perte de suivi importante dans étude cohorte. - biais de référence: lorsque le fait d'avoir l'exposition ou l'issue donne plus de chance d'être choisi/référé à l'étude. ** Ne s'applique pas si l'effet de l'exposition n'est pas connu des médecins (ils ne vont pas référé s'ils ne savent pas que les contraceptifs augmente les chance de thrombophlébite) ou si l'issus est immanquable (infarctus) - sélection personnelle: lorsque les cas AYANT UNE EXPOSITION sont davantage enclin à participer à l'étude. ** pour y remédier, s'assurer d'avoir tous les cas (registre) - biais de prévalence: quand les cas PRÉVALENT (ancien) et non incident (nouveau) sont choisis/étudié. L'exposition à un médicament peut être lié au pronostic (ex encore vivant parce qu'il prend le médicament) et non à l'incidence (plus de personne dans l'étude avec le médicament pas parce que le médicament cause l'issue, mais parce que le médicament améliore le pronostic, donc encore vivant, tandis que ceux qui ne prennent pas le médicament son décédé, donc pas dans l'étude.

Answer 2

Un biais d'information se produit lorsqu'il y a une erreur d'attribution du statut de l'exposition ou de l'issu. => si l'erreur est aléatoire et non reliée à l'exposition ou à l'issue, alors c'est une classification erronée non différentielle qui fait juste atténuer l'effet. => si l'erreur est systématique (classification erronée systématique) alors la direction du biais peut aller dans les deux sens et ton résultat est juste faux. ça se produit lorsque l'erreur d'attribution de l'issue est relié à l'exposition ou l'inverse. plusieurs types: - biais de détection: lorsque le fait d'être exposé engendre une investigation plus approfondie qui engendre plus de détection de l'issue que dans le groupe non exposé. - biais de rappel: lorsque le fais d'être exposé ou d'avoir l'issue augmente la probabilité de se souvenir. Le biais de rappel DOIT être DIFFÉRENTIEL. *pour le réduire, on peut utiliser une exposition qui ne nécessite pas de rappel (ex: prescription à la pharmacie) ou utiliser des témoins qui ont aussi une bonne raison de se souvenir. - biais protopathique: lorsque l'exposition est modifié à cause de symptômes précédents l'issue (ex: GI bleed fait que arrête de prendre des AINS, donc non exposé au AINS à cause d'un Sx (GI bleed) du cancer colorectal.

Answer 3

C'est un biais pouvant être à la fois de sélection et d'information. Ce biais apparait lorsque le décès est impossible pour une partie du suivi. Solution, considéré le temps de suivi indépendamment de l'individu suivi. Donc le même patient va être avoir du temps de suivi dans des cases différentes.

Answer 4

Il y a un biais confondants lorsque la relation entre l'Exposition et l'issue est modifié par une tierce variable. Le confondant doit: - être un facteur de risque de l'issue - être associé à l'Exposition (distribution différente de ce facteur de risque parmis les exposés et les non exposés) - ne pas être une cause intermédiaire entre l'exposition et l'issue. Le confondant peut augmenter ou cacher un effet. - biais d'indication (principal facteur confondant en pharmacoépidémiologie): les patients qui reçoivent le médicament le reçoivent pour une raison, donc il diffère automatiquement du groupe B qui n'a pas le médicament prescrit (parce qu'ils en ont pas de besoin).

Answer 5

AUCUNE analyse statistique peut diminuer ce type de biais, doit être fait lors du design de l'étude. - doit avoir une sélection aléatoire - un recrutement systématique pour éviter la sélection personnelle (avoir une liste des cas) - minimiser et documenter les pertes au suivi - n'utiliser que les cas INCIDENTS (surtout cohortes).

Answer 6

doit être fait lors du DESIGN de l'étude (comme sélection) - mesure de l'exposition ou de l'issue à l'AVEUGLE (éviter les biais de détection) - avoir des outils de mesure ou procédure standardisé (ne pas faire appel à l'humain ou à la mémoire) - bien définir l'eMxposition et l'issue et s'assurer de la validité des mesures.

Answer 7

Au niveau du design: - RANDOMISER selon les facteurs confondants - appariement (comme cas-témoins, choisi des personne qui ont les mêmes facteurs) - Restriction (élimine les personnes avec le facteurs de risque de l'issue, ex: insuffisance rénale pour évaluer la mortalité d'un médicament) Au niveau de l'analyse: - Standardisation - stratification - analyse multivariée - score de propension - analyse de sensibilité

Answer 8

Il va toujours rester des confondants parce que certains confondants ne sont pas mesurés ou ne sont pas mesurés correctement (ex: un fumeur classé comme non fumeur).

Answer 9

1. Randomisation simple: problème, possibilité que les groupes soient inégaux si échantillon petit. 2. Randomisation en blocs: utile pour les études avec échantillon limité 3. Randomisation stratifié: si présence de facteurs/variables confondant(e)s 4. Randomisation adaptative: la probabilité d'assignation évolue en fonction des résultats intermédiaires.

Answer 10

Une donnée plus basse que le point de détection Si le patient se retire avant la fin de l'étude.

Answer 11

- les facteurs connus - les erreurs dans les mesures - les facteurs inconnues Réduire l'impact de la variation le plus possible permet d'augmenter la précision de notre estimation.

Answer 12

- l'environnement: la température, la saison, l'humidité, la pression atmosphérique, le bruit, les odeurs, etc. - les animaux: modèles animaux ou non, espèces, sexe, souche, état de santé, etc) - les personnes: expérimentateur, chirurgien, technicien - les expériences: injections, dose, échantillonnage des tissus, calibration des instruments, etc.

Answer 13

la taille (n) de l'échantillon et de la variabilité (X) du paramètre étudié. la présence d'une erreur aléatoire (Exclusivement due au hasard) engendre une diminution de la précision de l'estimation.

Answer 14

Erreur de type I = tu as refusé ton H0 alors quelle était vraie. Donc tu as dit qu'il y a une différence entre tes groupes alors qu'il y en a pas. Erreur de type II = tu as accepté ton hypothèse nulle alors qu'elle est fausse. Donc tu as dit qu'il n'y a pas de différence entre tes groupes alors qu'il y en a une. (protecteur). Faux-négatif; erreur bêta

Answer 15

C'est la probabilité qu'un test statistique détecte un effet (une différence) (en assumant qu'elle existe). On accepte généralement une puissance statistique de 0.8 ou 80% et plus.

Answer 16

1. Le P-hacking: modifier tes données/analyses pour améliorer ton p, ou choisir d'arrêter le protocole/expérience dès que ton p est positif. 2. erreur d'homoscédasticité: enlever la variation de la valeur de référence, donc enlever la variation inexplicable de la valeur de référence. 3. Dire que le p nous donne un indice de l'effet de taille (dire que plus le p est petit, plus notre effet est fort. C'est faux, le p ne donne pas d'info sur l'effet de taille. R (régression linéaire), coefficient de Cohen et n2 de ANOVA oui. 4. Dire que l'erreur standard représente la variation. Non, l'erreur standard représente approximativement la moyenne que l'on retrouverait dans la population source. C'est une extrapolation genre. 5. Dire qu'il n'est pas nécessaire de mettre tous les informations de nos analyses statistiques dans la publication. C'est absolument nécessaire de le faire pour permettre la reproductibilité.