Brainscape's Knowledge GenomeTM

Browse over 1 million classes created by top students, professors, publishers, and experts.


See full index

Stat > Stat examen > Flashcards

Stat examen Flashcards

1
Q

Statistique descriptive permet quoi ?

A

De résumer un ens. de données, dans le but de présenter des faits saillants d’une population ou d’un échantillon.

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
2
Q

Définition : population

A

Ensemble d’éléments ou de personnes qui partagent des caractéristiques communes

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
3
Q

Définition échantillon représentatif

A

Échantillon qui présente des caractéristiques similaires à celles de la population (âge, sexe, etc.).

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
4
Q

Qu’est-ce que la mesure de tendance centrale ?

A

Une façon de résumer des observations qui peuvent être faites dans un échantillon ou dans une population.

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
5
Q

Différence impacts données aberrante entre la moyenne & la médiane ?

A

Les données aberrantes et/ou extrêmes (outliers) ont beaucoup plus d’impact sur la moyenne que sur la médiane.

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
6
Q

Comment savoir si une distribution est normale ?

A

Tests statistiques (ex. Shapiro-Wilk)
Inspection visuelle des données
Comparaison moyenne vs médiane : Si la moyenne et la médiane sont très différentes, la distribution n’est pas normale.

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
7
Q

Qu’est-ce qu’une distribution bimodale ?

A

Lorsque les données sont réparties en 2 groupes (ou plus)

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
8
Q

Qu’est-ce que nous permet de savoir la mesure de dispersion ?

A

Permet de savoir comment les données se répartissent : est-ce qu’elles sont toutes regroupées près de la mesure centrale ou si elles varient beaucoup

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
9
Q

Quel sont les 2 types de mesure de dispersion ?

A

Écart-type & variance
Étendue

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
10
Q

Quand utilise-t-on l’écart-type et la variance ?

A

Utilisé avec la moyenne (pas la médiane), lorsque la distribution est normale

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
11
Q

Quand utilise-t-on l’étendue ?

A

Généralement utilisé avec la médiane, généralement lorsque la distribution est asymétrique

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
12
Q

Qu’est-ce que mesure l’écart-type & la variance ?

A

Mesure de l’écart des données par rapport à la moyenne
Est-ce que les données sont très proches une de l’autre ou très variées
Est-ce que la courbe est plate ou pointue

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
13
Q

Quel est le calcul de la variance ?

A

∑(Xi - moyenne)^2/(n-1)

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
14
Q

Qu’est-ce que mesure l’étendue ?

A

Différence entre valeur min et valeur max

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
15
Q

Quels sont les échelles de mesure des variables quantitative (et leurs descriptions) ?

A

Continue (infinité de valeurs possibles)
Discrète (quantités isolées, dénombrement)

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
16
Q

Quels sont les échelles de mesure des variables qualitative (et leurs descriptions) ?

A

Ordinaire (ordre naturel entre modalités)
Nominale (pas de rang possible)

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
17
Q

Présentation numérique des données qualitatives

A

Tableau de fréquence relative et absolue

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
18
Q

Présentation numérique pour les données quantitatives ?

A

Mesure de tendance centrale & mesure de dispersion

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
19
Q

Présentation visuelle pour les qualitatives et quantitative discrète :

A

Diagramme en bâton

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
20
Q

Présentation visuelle pour les données quantitatives continue

A

Histogramme

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
21
Q

Représentation numérique et graphique d’une variable quantitative discrète
Mesure de tendance centrale & mesure de dispersion ?

A

Médian
Quartiles ou étendues
Diagramme en bâton

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
22
Q

Représentation numérique et graphique d’une variable quantitative continue - non normale
Mesure de tendance centrale & mesure de dispersion ?

A

Médiane
Quartiles ou étendue
Histogramme

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
23
Q

Représentation numérique et graphique d’une variable quantitative continue - normale
Mesure de tendance centrale & mesure de dispersion ?

A

Moyenne
Écart-type
Histogramme

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
24
Q

Mesure de dispersion pour
68,3%
95,4%
99,7%

A

+/- 1 écart-type
+/- 2 écart-type
+/- 3 écart-type

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
25
Q

Avec quoi on mesure les probabilités d’une courbe ?

A

Aire sous la courbe

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
26
Q

Intervalle de confiance permet quoi ? dans quels % des valeurs observées

A

Décrire la répartition des données à l’intérieur de l’échantillon.
95%

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
27
Q

Calcul de IC95%

A

Moyenne + ou - 2s
S = écart-type

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
28
Q

Comment faire si on veut calculer la probabilité qui n’est pas dans les écart-types connues ?

A

Il faut faire une transformation de notre variable en score Z qui suivra une distribution centrée réduite, ce qui signifie que la moyenne sera alors de 0 avec un écart-type de 1.

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
29
Q

Statistique inférentielle permet quoi ?

A

Généraliser un résultat d’un échantillon à une population
Énoncer une conclusion

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
30
Q

Théorème central limite (TCL) permet quoi ?

A

Permet d’expliquer comment les paramètres mesurés dans un échantillon peuvent se rapporter à la population.

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
31
Q

Comment on appel l’écart-type de la distribution des échantillons dans le TCL
Peut être estimé à partir de quoi ?

A

Erreur-type (𝝈∕√𝒏. )
Estimé à partir de 𝒔∕√𝒏

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
32
Q

Dans le TCL, qu’est-ce qu’on peut assumer de l’intervalle de confiance ?

A

Auquel on a raisonnablement confiance de trouver la valeur de la vraie moyenne de la population

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
33
Q

Calcul de l’intervalle dans lequel on a 95% de chances de retrouver la vraie moyenne de la population :

A

µ = moyenne ±𝟐𝐬∕√𝐧

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
34
Q

But de l’IC en statistiques descriptives et celle en statistiques inférentielle ?

A

Permet de décrire un échantillon. Il sera beaucoup plus large pour englober 95% des observations.
Pour but de faire tirer des conclusions sur notre population à partir d’un échantillon, donc d’estimer la vrai moyenne de la population.
Il sera beaucoup plus petit puisque nous utilisons l’erreur-type pour le calculer (𝑠∕√𝑛).
Plus la taille de l’échantillon sera grande (n), plus l’intervalle obtenu sera petit.

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
35
Q

IC de la moyenne de la population (inférence)
Applicable quand

A

Si les données sont distribuées normalement ou peut être acceptable si n > 30

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
36
Q

Comment savoir si une différence observée (ex. perte de poids, augmentation de la vitesse de marche, etc.) démontre réellement l’effet d’une intervention/d’un phénomène ?

A

Il faut faire un test d’hypothèse

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
37
Q

Quel est le résultat d’un test d’hypothèse ?

A

Est la valeur p, qui correspond à la probabilité que les données de recherche aient été obtenues par hasard (i.e., sans qu’ils soient dus à un effet spécifique).

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
38
Q

Test d’hypothèse, décrire le principe

A

Un test d’hypothèse compare l’hypothèse nulle (H0, absence d’effet, statu quo) à une hypothèse alternative (H1, effet que l’on souhaite démontrer).
On considère qu’il n’y a pas d’effet, tant qu’un effet n’a pas été démontré. Autrement dit, on considère d’emblée que H0 est vrai, tant qu’on ne peut pas l’éliminer pour conclure qu’il y a vraiment un effet (donc retenir H1).

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
39
Q

Le résultat du test d’hypothèse (valeur p) représente quoi ?

A

La probabilité que les données de recherche aient été obtenus par hasard, autrement dit c’est la probabilité que l’hypothèse nulle soit vraie.

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
40
Q

Que pouvons nous affirmer si le p est assez petit

A

Qu’une différence existe, et donc rejeter H0 en faveur d’H1

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
41
Q

Autre façon de concevoir p est que p =

A

probabilité d’avoir tort en affirmant qu’une différence existe (i.e. en rejetant H0).

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
42
Q

Degré de signification (alpha)
Décrire

A

Il est primordial de fixer d’avance le seuil à partir duquel on rejettera H0. C’est ce qu’on appelle le seuil α, ou le degré de signification statistique.
Si valeur p est inférieure au niveau du test (p<α), on rejette H0 :
Résultat statistiquement significatif
Si valeur p n’est pas inférieure au niveau du test (p≥α), H0 n’est pas rejetée :
Résultat non-significatif
Généralement fixé à 5% (0,05)

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
43
Q

Résultat statistiquement significatif =

A

Mesure du niveau de certitude avec lequel on peut affirmer que l’effet est réel (et non du au hasard)
Déterminé par la valeur p et le seuil alpha

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
44
Q

Résultat cliniquement significatif =

A

Mesure l’importance de l’effet dans un contexte clinique
Déterminé par consensus scientifique et/ou par expertise clinique et/ou par gros bon sens

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
45
Q

3 facteurs affectants le résultat du test statistique :

A
  1. % d’écart entre les données comparées
    (Probable qu’une petite différence soit due au hasard, mais peu probable qu’une très large différence soit due au hasard)
  2. Taille de l’échantillon
  3. L’écart-type
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
46
Q

Que permet un échantillon de très grande taille ?

A

Il est possible de mettre en évidences des différences statistiques très minimes qui n’ont pas d’intérêt réel en clinique

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
47
Q

Que signifie un très grand écart-type (par rapport au test hypothèse)

A

Un très grand écart-type indique une très grande variabilité (i.e. la variable à l’étude est influencée par plusieurs facteurs). Plus l’écart-type est large p/r à la différence observée, plus il y a de chances que la différence soit du au hasard ou aux autres facteurs influençant la variable.

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
48
Q

Qu’est-ce que la puissance statistique :

A

Est la probabilité de ne pas commettre une erreur de type 2 (l’hypothèse nulle est acceptée par erreur) : Puissance = 1-β
En général, une puissance de 80% est considérée adéquate

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
49
Q

Quand doit-on utilise la puissance statistique ?

A

Quand le résultat n’est pas statistiquement significatif, on doit évaluer la puissance avant de conclure que l’hypothèse nulle est vraie.

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
50
Q

Technique pour tirer des conclusions statistiques

A

Intervalle de confiance
Test d’hypothèse

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
51
Q

De quoi dépend le choix du test statistique ?

A
  1. Type de variable
  2. Nb de groupe
  3. Gr. dépendants/indépendants
  4. Type de distribution
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
52
Q

Test paramétrique utilisé avec quel type de distribution ?

A

Distribution normale (et/ou n>30 par groupe)

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
53
Q

Test non-paramétrique utilisé avec quel type de distribution ?

A

Distribution non-normale (et n<30 par groupe)

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
54
Q

Normalité
il faut quoi

A

Pour assumer la normalité, il faut que ce soit mentionné ou qu’il y ait au moins 30 sujets par groupe.
Si le n < 30 par groupe, il ne faut pas assumer nécessairement que la distribution ne sera pas normale. Il est possible que les données soient normalement distribués avec un n < 30 par groupe.
Si le n < 30 par groupe et que la distribution n’est pas mentionnée, on va proposer les 2 tests possible, paramétrique et non-paramétrique.

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
55
Q

Corrélation permet d’évaluer quoi ?

A

Permet d’évaluer l’association entre deux variables quantitatives

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
56
Q

Un test statistique de corrélation nous donnera 3 résultats :

A

Coefficient de corrélation (r)
Équation prédictive
Valeur p

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
57
Q

Coefficient de corrélation (r):

A

-1 < r < 1
Le signe indique la direction de l’association
r > 0 : association positive (les 2 variables augmentent/diminuent ensemble)
r < 0 : association négative (lorsqu’une variable augmente, l’autre diminue)

Valeur du r indique la force de l’association, plus le r est élevé, plus la corrélation est forte

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
58
Q

Valeur de la corrélation et son interprétation

A

0 = aucune
1 ou -1 = parfaite
Entre 0 et 0,3 (0 et -0,3) = faible
Entre 0,3 et 0,7 (-0,3 et -0,7) = modérée
Entre 0,7 et 1 (-0,7 et -1) = forte

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
59
Q

Équation prédictive

A

Possible d’obtenir une équation prédictive qui permet d’estimer quel sera le Y pour un X donné (ou vice-versa) : Y= a + bX
La pente de l’équation (b) a le même signe que r, mais pas la même valeur
NOTE: la force de l’association (r) entre la taille et le poids n’est pas affectée par le choix d’unité, mais l’équation de la droite sera différente si on utilise lbs vs kg.

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
60
Q

Valeur p correspond à quoi ?

A

Valeur p : correspond à la probabilité que le résultat ait été obtenu par hasard
Valeur p : correspond à la probabilité d’avoir tort en rejetant H0.
Un résultat sera considéré statistiquement significatif si p<alpha, on rejette alors l’hypothèse nulle et on considère que l’hypothèse alternative est probablement vraie.

61
Q

Attention à l’interprétation
p ≠ r

A

p : degré de certitude avec lequel on peut affirmer qu’il y a une association (peu importe si elle est forte ou non)
r : force (et direction) de l’association

62
Q

Attention à l’interprétation
b ≠ r

A

b : pente de l’équation prédictive (même signe que r), qui permet seulement d’estimer un X pour un Y donné
r : (force) et direction de l’association

63
Q

Est-ce que corrélation = causalité ?

A

Non

64
Q

Qu’est-ce que signifie le fait que le paramètre de H0 est inclus dans l’intervalle de confiance ?

A

Que le résultat ne sera pas statistiquement significatif.

65
Q

Définition de l’épidémiologie

A

Est l’étude de la fréquence et de la répartition d’états ou d’événements relatifs à la santé de populations spécifiques, incluant l’étude des déterminants influençant ces états, et l’application de ce savoir pour contrôler les problèmes de santé

66
Q

Épidémiologie descriptive
Évalue quoi et permet quoi ?

A

Évaluer fréquence de la maladie ou des facteurs associés dans un temps et un lieu
Faire le portrait d’une maladie (ou d’un état/déterminant de santé)
Établir des hypothèses

67
Q

Épidémiologie analytique
Permet quoi ?

A

Permet de vérifier des hypothèses

68
Q

Type d’indicateur (épidémiologie)
Rapport (ratio) définition

A

Relation entre deux nombres alors que le numérateur n’est pas inclus dans le dénominateur (e.g. ratio homme/femme)

69
Q

Type d’indicateur (épidémiologie)
Proportion définition

A

Relation entre deux nombres alors que le numérateur est inclus dans le dénominateur (e.g. 70 des étudiants de la classe sont des filles)

70
Q

Type d’indicateur (épidémiologie)
Taux définition

A

Proportion qui mesure une vitesse d’apparition dans le temps (e.g. 40 nouveaux cas de cancer du poumon pour 1000 fumeurs par année)

71
Q

Indicateur de fréquence :

A

Prévalence
Incidence cumulée

72
Q

Calcul de la prévalence

A

(nb cas maladie à un moment)/(nb personne dans la population à ce moment)

73
Q

Incidence cumulée
Calcul

A

(nb nouveau cas d′une maladie dans population pdt période donnée)/(population à risque de développer la maladie durant la période)

74
Q

Quel est le problème de l’incidence cumulée ? Quel est la solution ?

A

Ne tient pas compte des pertes au suivi (i.e. prends pour acquis que les pertes au suivi n’ont pas développé la maladie), donc sous-estime l’incidence réelle
Solution : calculer la durée réelle des observations en personnes-temps

75
Q

Taux d’incidence
Calcul

A

(nb nouveau cas d’une maladie dans population pendant période donnée)/(durée totale d’observation-personne-temps)

76
Q

Tests clinique
Utilise pour quoi ?

A

Pour dépister la présence d’une condition, on doit généralement utiliser des tests.

77
Q

4 possibilité de résultat des tests cliniques

A

Le test est positif
Vrai positif : Test positif, cdt présente
Faux positif : Test positif, cdt absente
Le test est négatif
Vrai négatif : Test négatif, cdt absente
Faux négatif : Test négatif, cdt présente

78
Q

3 types d’indicateurs pour savoir si un test est « bon » :

A
  1. Sensibilité/spécificité
  2. Valeur prédictive positive ou négative (VPP/VPN)
  3. Likelihood ratio (LR+/LR-)
79
Q

Sensibilité définition

A

La sensibilité d’un test est sa capacité à identifier correctement, dans une population ciblée, les personnes ayant vraiment la caractéristique recherchée
La sensibilité se rapporte à la capacité de détecter les malades

80
Q

Spécificité définition

A

La spécificité d’un test est sa capacité à identifier, dans une population ciblée, les personnes n’ayant pas une caractéristique spécifique donnée.
La spécificité se rapporte à la capacité à discriminer ou éliminer les non malades

81
Q

Calcul de la sensibilité

A

Parmi les malades, combien testent positif (i.e. proportion de malades qui testent +)
a/a+c
a = test + et malade
c = test négatif et malade

82
Q

Calcul spécificité

A

Parmi les sains, combien testent négatif (i.e. proportion de non-malades qui testent -)
d/b+d
d = Test - et non malade
b = test + et non malade

83
Q

Sensibilité élevée et faible permet :

A

Sensibilité élevée : permettra d’attraper presque tous les malades
Sensibilité faible : risque d’échapper beaucoup de malades

84
Q

Spécificité élevée et faible permet quoi

A

Spécificité élevée : permettra d’éliminer presque tous les non-malades
Spécificité faible : risque d’attraper beaucoup de non-malades par erreur

85
Q

Test très sensible mais peu spécifique =

A

Moins on est sévère, plus on a de chances que tous les malades testent (+), mais plus on a de chances d’attraper des non-malades aussi

86
Q

Test très spécifique mais peu sensible =

A

Plus on est sévère, moins on a de chances d’échapper un malade, mais plus on a de chances qu’un patient malade teste (-)

87
Q

On utilise un test très sensible (98%) et très spécifique (98%). Est-ce qu’on peut conclure que les patients qui testent négatif n’ont probablement pas la maladie ?

A

Non; La sensibilité/spécificité concerne les colonnes. Ne nous dit rien sur la probabilité qu’un + (ou -) soit malade (ou non-malade)

88
Q

VPP (valeur prédictive positive) =
Calcul

A

Probabilité qu’un patient qui teste positif soit en effet malade (proportion de malades parmi les (+))
a / a + b
a = test + et malade
b = test + et NON malade

89
Q

VPN valeur prédictive négative =
Calcul

A

Valeur prédictive négative.
Probabilité qu’un patient qui teste négatif soit en effet sain (proportion de sains parmi les (-))
d / c + d
d = test - et NON malade
c = test - et malade

90
Q

VPP/VPN dépend de quoi p/r à la condition dans l’échantillon/population ?

A

Prévalence

91
Q

À quoi il faut faire attention dans l’interprétation des VPP/VPN par rapport à la prévalence :

A

La prévalence dans la population générale n’est pas nécessairement la même que dans l’échantillon de l’étude, donc on ne peut pas conclure que n’importe quel patient qui teste (+) a 69% de chances d’avoir réellement la maladie.

92
Q

Likelihood ratio (LR)
Définition

A

Est la vraisemblance qu’un résultat de test x soit obtenu chez un sujet qui a la maladie, comparativement à la vraisemblance que le même résultat soit obtenu chez un sujet n’ayant pas la maladie.
Tient compte de la sensibilité et de la spécificité du test
Le LR permet d’évaluer la qualité d’un test diagnostique

93
Q

Interprétation
LR+

A

LR + : % (+) chez les malades / % (+) chez les non-malades
Si le test est bon, les malades devraient avoir plus de chances de tester (+) que les non-malades. Le LR+ devrait être >1 (numérateur > dénominateur)
Plus le LR+ est élevé, meilleur est le test pour confirmer un diagnostic

94
Q

LR+ sera élevé si :

A

Le % de (+) chez les malades est élevé (numérateur) : donc la plupart des malades testent (+)
Le % de (+) chez les non-malades est faible (dénominateur) : donc peu de non-malades testent (+)

95
Q

Interprétation
LR-

A

% (-) chez les malades / % (-) chez les non-malades
Si le test est bon, les malades devraient avoir moins de chances de tester (-) que les non-malades. Le LR- devrait être <1 (numérateur < dénominateur)
Plus le LR- est petit, meilleur est le test pour exclure une maladie

96
Q

Le LR- sera petit si :

A

Le % de (-) chez les malades est petit (numérateur): donc peu de malades testent (-)
Le % de (-) chez les non-malades est élevé (dénominateur) : donc la plupart des non-malades testent (-)

97
Q

On peut s’intéresser au LR d’un test dans 2 contextes :

A

1- Pr choisir un test/évaluer sa validité :
Si on a à choisir entre 2 tests, on prendra celui avec le plus grand LR+ et le plus petit LR-
Principe semblable à sensibilité/spécificité
2- Pr savoir comment interpréter le résultat d’un test
Si un patient teste (+) (ou (-)), on regardera le LR+ (ou LR-) pour connaitre les chances que le résultat soit juste
Principe semblable à VPP/VPN

98
Q

Likelihood ratio
Interprétation
Avant le test, la probabilité qu’un patient ait la maladie est de X%
S’il test (+) :

A

Probabilité d’avoir la maladie = X% + M%
Plus le LR+ est grand, plus un test positif augmente la probabilité que la maladie soit présente.
Le LR+ nous permet de connaitre M

99
Q

Likelihood ratio
Interprétation
Avant le test, la probabilité qu’un patient ait la maladie est de X%
S’il test (-) :

A

Probabilité d’avoir la maladie = X% - N%
Plus le LR- est petit, plus un test négatif diminue la probabilité que la maladie soit présente.
Le LR- nous permet de connaitre N

100
Q

Valeur possible pour LR + et LR-

A

LR+ entre 1 et ∞
LR- entre 1 et 0

101
Q

En connaissant la prévalence d’une condition dans notre échantillon (pré-test probability), on peut faire quoi ?

A

On peut alors prédire à l’aide de la table quelle est la probabilité d’avoir la maladie lorsqu’on a un test positif ou négatif (post-test probability)

102
Q

Valeur du M ou N selon valeur du LR+ ou LR-

A

LR +: 1 = +0%; 2 = +15%; 5 = +30% ; 10 = +45%
LR- : 1 = -0& ; 0,5 = -15% ; 0,2 = -30% ; 0,1 = -45%

103
Q

VPP
Concept et utilité

A

Probabilité qu’un (+) soit malade
Interprétation d’un résultat (+)

104
Q

VPN
Concept & utilité

A

Probabilité qu’un (-) soit sain
Interprétation d’un résultat (-)

105
Q

LR+
Concept & utilité

A

% malades qui testent (+) vs % sains qui testent (+)
Choix de test pour identifier les malades ET interprétation d’un résultat (+)

106
Q

LR-
Concept & utilité

A

% malades qui testent (-) vs % sains qui testent (-)
Choix de test pour identifier les sains ET interprétation d’un résultat (-)

107
Q

Devis d’épidémiologie analytique
Définition

A

Définition : L’épidémiologie analytique a pour but de formuler et vérifier des hypothèses sur l’étiologie et les facteurs de risque des maladies.

108
Q

Transversale
Description

A

Recueille au même moment des informations sur les facteurs de risque et sur la maladie (e.g. enquête téléphonique, recensement)
Choix des sujets : Au hasard

109
Q

Transversale
Permet

A

Permet de calculer la prévalence (mais pas incidence car aucun indice sur quand l’événement survient)

110
Q

Étude cas-témoin
Description

A

Choisit les sujets selon la présence ou non de la maladie
Évalue l’exposition de façon RÉTROSPECTIVE

111
Q

Étude cas-témoin
Utile pour quoi et permet quoi

A

Utile pour maladies rares ou lsq les ressources sont insuffisantes pour permettre une étude de cohorte sur un échantillon relativement grand.
Permet de calculer la prévalence de l’exposition selon la maladie

Ne permet pas le calcul d’une incidence

112
Q

Étude de cohorte
Description

A

Choisir les sujets selon leur exposition et on évalue si le sujets développent la maladie dans le temps.

113
Q

Étude de cohorte
Permet

A

Permet : d’étudier l’exposition et la maladie dans l’ordre chronologique. On peut donc calculer une INCIDENCE.
Avec ce genre d’étude de cohorte, on peut étudier +sieurs expositions & définir +sieurs maladies.

114
Q

Essai clinique (étude expérimentale)
Description

A

Similaire aux études de cohorte, mais l’exposition nécessite une INTERVENTION PLANIFIÉE de l’équipe de recherche

115
Q

Essai clinique (expérimental)
Mesure

A

L’incidence (apparition) de la maladie selon l’exposition

116
Q

Étude de cohorte
Mesure

A

Incidence (apparition) de la maladie selon l’exposition

117
Q

Cas-témoins
Mesure

A

Prévalence (présence) de l’exposition selon la maladie

118
Q

Transversale
Mesure

A

Prévalence (présence) de la maladie et prévalence (présence) de l’exposition

119
Q

Risque relatif (RR)
Description

A

Les « exposés » sont combien de fois plus à risque de développer une maladie p/r aux « non-exposés » ?
On cherche à savoir s’il y a plus de malades parmi ceux qui ont été exposés que parmi ceux qui n’ont pas été exposé

120
Q

Risque relatifs se mesure à partir de quels études

A

Cohorte et expérimentale

121
Q

Risque relatifs
Calcul

A

RR = [incidence exposés] / [incidence non-exposés]
a/a+b / c/c+d

122
Q

Risques relatives
Interprétation

A

RR = 1 : Pas d’association entre exposition et incidence
RR > 1 : Association positive entre exposition et incidence
RR < 1 : Association négative entre exposition et incidence

123
Q

Comment écrire l’interprétation du risque relatif

A

Le risque de maladie est [RR] x plus grand chez les exposés que chez les non-exposés.

124
Q

Interprétation du risque relatif lorsque plus petit que 1

A

Option 1 : (1/RR) ex : les non-actifs sont 10.1x plus à risque d’HTA que les actifs.
Option 2 : (1-RR) ex : Les risques d’HTA chez les actifs est de 90.1% inférieur à celui chez les non-actifs.

125
Q

Odds Ratio (OR)
Description

A

À quel point les malades ont été plus exposés que les non malades ?
On cherche à savoir s’il y a plus d’exposés parmi les malades que parmi les non-malades.

126
Q

Odds Ratio (OR)
Se calcule à partir de chez études ?

A

Transversales et cas-témoins

127
Q

Odds Ratio (OR)
Calcul

A

OR = [ratio exposés/non exposés chez les malades] / [ratio exposés/non exposés chez les non-malades]
ad/bc

128
Q

Odds Ratio (OR)
Interprétation

A

OR = 1 : Pas d’association entre exposition et la maladie
OR > 1 : Association positive entre exposition et la maladie
OR < 1 : Association négative entre exposition et la maladie

129
Q

Comment écrire l’interprétation de l’OR :

A

Le rapport exposé/non-exposé est [OR] x plus élevé chez les malades que chez les non-malades

130
Q

Vrai ou faux
Est-ce que lorsque la maladie est rare (prévalence <5%), le OR est une bonne approximation du RR, et peut être interprété comme un RR.

A

Vrai

131
Q

Risque attribuable (RA)
Description

A

Quelle partie de l’incidence chez les exposés est attribuable à l’exposition.

132
Q

Risque attribuable (RA) se calcule dans quels types d’études :

A

Cohorte et expérimentales

133
Q

Risque attribuable (RA)
calcul

A

[incidence exposés] – [incidence non-exposés]
a/a+b - c/c +d

134
Q

Risque attribuable
Interprétation

A

RA = 0 : l’exposition n’affecte pas l’incidence
RA >0 : l’exposition augmente l’incidence (facteur de risque)
RA<0 : l’exposition diminue l’incidence (facteur protecteur)

135
Q

Comment écrire l’interprétation du risque attribuable (RA) ?

A

L’exposition est associé à une augmentation de X à X, soit une augmentation absolue de RA.
Sur une incidence de X de la maladie, les exposés, RA est attribuable à l’exposition.
Le risque de maladie chez les exposés est égal au risque de maladie chez les non exposés + le risque attribuable à l’exposition.

136
Q

Le RA quantifie l’augmentation « … » du risque
Le RR quantifie l’augmentation « … » du risque

A

absolue
relative

137
Q

En épidémiologie, les mesures d’association en facteur de risque (une exposition) et la survenue d’une maladie sont..

A

le RR, OR et RA.

138
Q

L’IC sur une mesure d’association permet…

A

D’établir entre quoi et quoi devrait se situer la vraie valeur d’association (OR, RR ou RA) dans notre population, avec un niveau de certitude de XX % (souvent 95%).

139
Q

Hypothèse pour mesure d’associations
RA

A

Absence d’association RA = 0
Hypothèses :
H0 : RA = 0
H1: RA≠0
(ou RA<0 ou RA>0)

140
Q

Hypothèse pour mesure d’associations
RR ou OR

A

Absence d’association : RR ou OR = 1
Hypothèse :
H0: RR=1
H1: RR≠1
(ou RR<1 ou RR>1)

  • Même chose pour OR
141
Q

Qu’est-ce qui nous permet de savoir que le résultat ne sera pas statistiquement significatif même sans connaître la valeur de p.

A

Lorsque le paramètre de H0 est inclus dans l’intervalle de confiance
ex :
H0: RR=1
H1: RR≠1
Si 1 est dans l’IC95% : p>0,05
(non significatif, pas d’association)

Si 1 n’est pas dans l’IC95% : p<0,05
(significatif, association)

142
Q

Régression logistique
Utilisé pour quoi ?

A

Pour évaluer si un ou plusieurs facteurs peuvent prédire une issue dichotomique.

143
Q

Qu’est-ce que l’erreur de type 2 en statistique ?

A

Risque d’accepter H0 alors qu’il y a une différence

144
Q

Qu’est-ce qu’un erreur de type 1 en statistique?

A

lorsqu’une hypothèse nulle, qui est en réalité vraie, est rejetée par erreur

145
Q

LR +
Calcul

A

a/(a+c) / b/(b+d)

146
Q

LR-
Calcul

A

c/(a+c)/d/(b+d)

147
Q

Sensibilité
Concept
Utilité

A

Probabilité qu’un malade teste positif
Choix de test pour identifier les malades

148
Q

Spécificité
Concept et utilité

A

Probabilité qu’un sain test négatif
Choix de test pour identifier les sains

Stat (2 decks)

Brainscape helps you reach your goals faster, through stronger study habits.
© 2025 Bold Learning Solutions. Terms and Conditions