Statistiques PPN Flashcards

1
Q

Définition d’une variable quantitative discrète

A

Variable qui peut prendre uniquement certaines valeurs dans un intervalle
(ex : résultat d’un lancer de dé)

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

Définition d’une variable quantitative continue

A

Variable qui inclut toute valeur possible dans un intervalle (ex : âge, poids, taille, TA)

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

Définition d’une variable qualitative (catégorielle)

A

Nombre fini de catégories ou de groupes distincts (ex : sexe, couleur des yeux)

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

Définition d’une variable indépendante

A

Paramètre qui varie sans être influencé par les autres paramètres (ex : temps)

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

Définition d’une variable dépendante

A

Paramètre qui est influencé par la variation de la variable indépendante (ex : nombre de rechutes en fonction du temps)

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

Définition d’une moyenne

A

Mesure de tendance centrale
Somme des valeurs divisée par le nombre de valeurs
*Influence des valeurs extrêmes (atténuée par grand nombre d’observations)

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

Définition d’un mode

A

Mesure de tendance centrale
Correspond à la valeur la plus fréquente d’un échantillon
*Si un seul mode : distribution unimodale

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

Définition d’une médiane

A

Mesure de tendance centrale
Valeur centrale d’un échantillon ordonné de la plus petite à la plus grande valeur
*Pas influencé par les valeurs extrêmes, on la préfère lorsque la distribution des valeurs est fortement asymétrique

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

Quelle est la meilleure mesure de tendance centrale si une distribution n’est pas biaisée (skewed)?

A

Moyenne

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

Quelle est la meilleure mesure de tendance centrale si une distribution est biaisée (skewed)?

A

Médiane

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

Vrai ou faux
Dans une distribution normalisée, la moyenne, le mode et la médiane sont les mêmes

A

Vrai

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

Définition de l’étendue

A

Mesure de dispersion
Différence entre la valeur la plus grande et la plus petite
*Ne subit l’influence que des valeurs extrêmes

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

Définition de la variance

A

Mesure de dispersion
Moyenne des déviations individuelles de la moyenne au carré (= écart-type au carré)

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

Définition de l’écart-type

A

Mesure de dispersion correspondant à la racine carrée de la variance
*Pas influencée par la taille de l’échantillon

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

Est-ce que l’écart-type est influencé par la taille de l’échantillon?

A

Non

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

Vrai ou faux
La moyenne n’est pas influencée par les valeurs extrêmes

A

Faux
Moyenne = influencée par les valeurs extrêmes, mais atténuée par un grand nombre d’observations
Médiane = pas influencée par les valeurs extrêmes

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

Quelle mesure de tendance centrale préfère-t-on utiliser lorsque la distribution des valeurs est fortement asymétrique?

A

Médiane

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

Vrai ou faux
Le mode est la valeur centrale d’un échantillon ordonné de la plus petite à la plus grande valeur

A

Faux
Mode = valeur la plus fréquente d’un échantillon
Médiane = valeur centrale d’un échantillon ordonné de la plus petite à la plus grande valeur

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

Vrai ou faux
L’étendue ne subit l’influence que des valeurs extrêmes

A

Vrai

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

Vrai ou faux
L’écart-type est la moyenne des déviations individuelles de la moyenne au carré

A

Faux
Variance = moyenne des déviations individuelles de la moyenne au carré (écart-type au carré)
Écart-type : racine carrée de la variance

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

Vrai ou faux
L’écart-type est influencée par la taille de l’échantillon

A

Faux
Pas influencée par la taille de l’échantillon

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

Dans une distribution normalisée, quel pourcentage de la distribution est inclus dans +/- 1 écart-type?

A

68,2%

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

Dans une distribution normalisée, quel pourcentage de la distribution est inclus dans +/- 2 écart-types?

A

95,4%

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

Dans une distribution normalisée, quel pourcentage de la distribution est inclus dans +/- 3 écart-types?

A

99,7%

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

Quelles sont les données probantes requises pour une recommandation de niveau 1? (2)

A

Méta-analyse avec IC étroit
Au moins 2 ECR avec échantillon adéquat, idéalement contre placebo

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

Quelles sont les données probantes requises pour une recommandation de niveau 2? (2)

A

Méta-analyse avec intervalle de confiance large
ECR

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

Quelles sont les données probantes requises pour une recommandation de niveau 3? (4)

A

ECR avec petit échantillon
Étude prospective non randomisée
Série de cas
Étude rétrospective de bonne qualité

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

Quelles sont les données probantes requises pour une recommandation de niveau 4? (2)

A

Opinion d’expert
Consensus

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

Quel est le niveau requis pour une recommandation de 1re ligne?

A

Niveau 1 ou 2 + appui clinique

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

Quel est le niveau requis pour une recommandation de 2e ligne?

A

Niveau 3 (ou mieux) + appui clinique

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

Quel est le niveau requis pour une recommandation de 3e ligne?

A

Niveau 4 (ou mieux) + appui clinique

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

Quel est le niveau requis pour une non-recommandation?

A

Niveau 1 ou 2 d’inefficacité

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

Vrai ou faux
Une recommandation de niveau 1 nécessite plus de 4 essais randomisés contrôlés contre placebo

A

Faux
Nécessite au moins 2 ECR avec échantillon adéquat, si possible contre placebo

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

Vrai ou faux
Un niveau 2 d’évidence nécessite une méta-analyse avec un intervalle de confiance étroit

A

Faux
Niveau 1 = méta-analyse avec IC étroit
Niveau 2 = méta-analyse avec IC large

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

Vrai ou faux
Un niveau 3 d’évidence nécessite une méta-analyse avec IC large

A

Faux
Pas de méta-analyse nécessaire
Peut être :
- ECR avec petit échantillon
- Étude prospective non randomisée
- Série de cas
- Étude rétrospective de bonne qualité

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

Vrai ou faux
Une recommandation de niveau 4 ne nécessite qu’un consensus d’experts

A

Vrai
Opinion d’expert ou consensus

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

Vrai ou faux
Des recommandations de 1e à 3e ligne nécessitent toujours un appui clinique

A

Vrai
1e ligne : niveau 1/2 + appui clinique
2e ligne : niveau 3 + appui clinique
3e ligne : niveau 4 + appui clinique

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

Expliquez l’hypothèse nulle

A

On essaie de réfuter ce qu’on pense faux : hypothèse nulle = H0.
Par exemple : si on croit que deux populations sont différentes sur un certain paramètre (la moyenne), l’hypothèse nulle sera que les deux moyennes sont égales. L’hypothèse nulle sera testée de manière statistique afin de décider si on la rejette (réfutation). Hypothèse alternative = H1.

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

Que signifie une valeur P < 0,05?

A

Signifie que ce résultat aurait pu être obtenu par chance seulement moins de 5x/100
Seuil habituellement requis pour réfuter l’hypothèse nulle

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

Définition d’une erreur de type I (alpha)

A

Rejet de l’hypothèse nulle alors qu’elle est vraie

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

Définition d’une erreur de type II (bêta)

A

Accepter l’hypothèse nulle alors qu’elle est fausse

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

Une erreur de validité interne serait causée par quel type d’erreur?

A

Erreur de type I (alpha)

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

Un manque de puissance occasionnerait une erreur de type I ou II ?

A

Type II (bêta)

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

Définition de la valeur P

A

Probabilité de commettre une erreur de type I (alpha)

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

Qu’est-ce que la fiabilité?

A

Consistance et reproductibilité des résultats obtenus

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
46
Q

Qu’est-ce que la validité?

A

“Est-ce que les résultats obtenus mesurent ce que l’on voulait mesurer?”

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

Définition de la validité interne

A

Capacité d’une étude d’estimer correctement les mesures ou associations recherchées
*Le résultat reflète la “vraie valeur” = bonne méthodologie et puissance statistique

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

Comment améliorer la validité externe d’une étude?

A

Utiliser un devis pragmatique

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

Définition de la validité externe (3)

A

Capacité de généraliser un résultat obtenu dans le cadre d’une étude à la population cible
Juger de l’intérêt clinique d’un résultat (considérer coût du traitement, disponibilité)
Limitée par l’échantillonnage et les critères de sélection

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

Vrai ou faux
Une erreur de type I (alpha) signifie que l’hypothèse nulle est acceptée alors qu’elle est fausse

A

Faux
Erreur type I alpha : hypothèse nulle rejetée alors qu’elle est vraie
Erreur de type II bêta : hypothèse nulle est acceptée alors qu’elle est fausse

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

Vrai ou faux
Une erreur de type II bêta signe un manque de validité interne

A

Faux
Manque de puissance
L’erreur de type I (alpha) signe une erreur de validité interne

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
52
Q

Vrai ou faux
La fiabilité correspond à la capacité d’obtenir des résultats qui mesurent ce que l’on voulait mesurer

A

Faux
Fiabilité = consistance et reproductibilité des résultats obtenus
Validité = “est-ce que les résultats obtenus mesurent ce que l’on voulait mesurer?”

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

Vrai ou faux
Le résultat de la validité interne reflète une bonne méthodologie et puissance statistique

A

Vrai

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

Quel est le devis à utiliser pour améliorer la validité externe d’une étude?

A

Devis pragmatique

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

Vrai ou faux
La validité externe est limitée par l’échantillonnage et les critères de sélection

A

Vrai

56
Q

Vrai ou faux
La valitidé externe est la capacité d’une étude d’estimer correctement les mesures ou les associations recherchées

A

Faux
Validité externe = capacité de généraliser un résultat obtenu dans le cadre d’une étude à une population cible
Validité interne = capacité d’une étude d’estimer correctement les mesures ou les associations recherchées

57
Q

À quoi sert le test t de Student ?

A

Tester l’hypothèse nulle que les moyennes de deux échantillons (de N < 30) composés de variables continues ne diffèrent pas significativement.
Donc, compare deux moyennes

58
Q

À quoi sert l’analyse de variance (ANOVA, “F” test) ?

A

Même chose que test “t” de Student mais pour > 2 échantillons
Donc, compare plus de 2 moyennes

59
Q

Distinguez un “one-tailed test” d’un “two-tailed test”

A

One-tailed test : pour tenter de réfuter l’hypothèse nulle seulement dans une direction (ex : “le traitement actif est meilleur que le placebo”)

Two-tailed test : pour tenter de réfuter l’hypothèse nulle dans les deux directions (ex : “le traitement actif est différent du placebo, soit meilleur soit moins bon”)

60
Q

À quoi sert un Z test ?

A

Pour tester l’hypothèse nulle que les moyennes de 2 échantillons de N >30 composés de variables continues ne diffèrent pas significativement

(même chose que Student mais N > 30)

61
Q

À quoi sert un Chi-carré ?

A

Évaluer la possibilité d’une association entre des échantillons de variables discrètes (ex : proportions, pourcentages) pour voir si elles sont indépendantes ou non.

Permet de comparer 2 proportions. On peut faire un tableau de fréquence.

62
Q

À quoi sert un test de Pearson ? (2)

A

Test de corrélation linéaire entre des variables continues
Établit un coefficient de corrélation entre -1 (association inverse parfaite) et 1 (association directe parfaite)

63
Q

À quoi sert une régression linéaire ?

A

Prédiction de résultats alors que la corrélation est démontrée
Pour des variables continues

64
Q

À quoi sert une régression logistique multiple ?

A

Prédiction de résultats alors que la corrélation est démontrée
Pour des variables discrètes

65
Q

Vrai ou faux
Un test “t” de Student teste l’hypothèse nulle que les moyennes de deux échantillons de N > 30 composés de variables discrètes ne diffèrent pas significativement

A

Faux
N < 30
Variables continues

66
Q

Vrai ou faux
Un test d’analyse de variance ANOVA teste l’hypothèse nulle que les moyennes de plus de deux échantillons de ne diffèrent pas significativement

A

Vrai
> 2 échantillons

67
Q

Vrai ou faux
Le two-tailed test permet de tenter de réfuter l’hypothèse nulle seulement que dans une direction (ex : que le traitement actif est meilleur que le placebo)

A

Faux
Two-tailed = dans les 2 directions (ex : tx actif différent du placebo, soit meilleur ou moins bon)
One-tailed = dans 1 direction (ex : tx actif est meilleur que le placebo)

68
Q

Vrai ou faux
Le test “Z” diffère du test “t” de Student selon le fait que le test “Z” teste des échantillons de < 30 variables continues alors que le test “t” > 30

A

Faux
Contraire
t < 30 variables continues
Z > 30 variables continues

69
Q

Vrai ou faux
Le test de Chi-carré évalue la possibilité d’une association entre des échantillons de variables continues

A

Faux
Variables discrètes

70
Q

Vrai ou faux
Dans le test de Pearson testant la corrélation linéaire, une valeur de 0 exprime une association directe parfaite entre des variables continues

A

Faux
-1 = association inverse parfaite
0 = pas d’association
1 = association directe parfaite

71
Q

Vrai ou faux
Le coefficient de corrélation d’un test de Pearson peut être de 3

A

Faux
Doit toujours être entre -1 et 1

72
Q

Vrai ou faux
Un test de régression linéaire permet de prédire des résultats pour des variables discrètes

A

Faux
Pour des variables continues

73
Q

Vrai ou faux
Un test de régression logistique multiple permet de prédire des résultats pour des variables discrètes

A

Vrai

74
Q

Comment établir une causalité ? (8)

A

Force de l’association démontrée (haut degré de corrélation)
Consistance de l’association dans différentes études
Association temporelle
Cohérence avec les connaissances scientifiques contemporaines
Relation dose-réponse
Réversibilité
Spécificité
Élimination des autres explications

75
Q

Nommez 4 tests statistiques non paramétriques

A

Wilcoxon signed rank test
Sign test
Wilcoxon rank sum test (ou Mann-Whitney test)
Spearman’s rank correlation test

76
Q

Définition de la prévalence

A

Nombre de cas identifiés au cours d’une période de temps choisie

Divisé par

Nombre de personnes dans cette population au cours de cette période

77
Q

Vrai ou faux
La prévalence à vie est intéressante pour les études de facteurs de risque

A

Vrai
Sert à savoir qui a réellement eu la maladie et qui ne l’a pas eue, alors que les prévalences plus brèves (sur 1 mois ou 1 an) peuvent rater des troubles psychiatriques étant donné leurs fréquentes rémission/récidive

78
Q

Quels sont les biais des mesures de prévalence à vie? (3)

A

Biais de rappel
Effet de l’âge (plus vieux = plus de risque de l’avoir eue)
Effet de fatalité (si on en meurt, réduit le nombre de sujets qui en sont atteints actuellement)

79
Q

Quelle est l’utilité des prévalences mensuelle et annuelle?

A

Plus valable que prévalence à vie pour l’organisation des soins psychiatriques (ex : donne un aperçu du nombre de cas qui peuvent être attendus dans la prochaine année)

80
Q

Définition de l’incidence

A

Nombre de nouveaux cas au cours d’une période de temps choisie

Divisé par

Individus à risque au cours de cette même période

81
Q

Vrai ou faux
La prévalence est proportionnelle à l’incidence x la durée du trouble

A

Vrai
Ainsi, si la durée du trouble augmente (ex : nouveau traitement qui prolonge la vie), la prévalence du trouble va augmenter et vice-versa

82
Q

Définition de la puissance

A

Probabilité de déceler une certaine différence lorsque cette différence existe vraiment

Puissance = 1 - erreur bêta

83
Q

Quel est le facteur le plus important dont dépend la puissance?

A

La taille de l’échantillon

84
Q

Quelle est la différence entre une étude primaire et une étude secondaire?

A

Une étude primaire génère ses propres données (ex : étude de cohorte) alors qu’une étude secondaire utilise les données d’études déjà publiées (ex : méta-analyse)

85
Q

Quelles sont les études “d’observation”? (4)

A

Rapport de cas
Série de cas
Étude de cohorte
Étude cas-témoin

86
Q

Définition de l’étude de cohorte

A

Deux groupes (exposé vs non exposé à un facteur de risque prédéfini) suivis de façon longitudinale pour déterminer et comparer la fréquence d’une maladie dans chaque groupe

Étude prospective (progression de la cause vers l’effet)

87
Q

Définition de l’étude cas-témoin

A

Deux groupes (cas-malade ou témoin-sain) comparés quant à la fréquence pour chacun de l’exposition à un facteur de risque déterminé

Étude rétrospective (progression de l’effet vers la cause, on recherche s’il y a eu exposition)

88
Q

Quel est le devis préférable si l’exposition à un facteur de risque est rare?

A

Étude de cohorte

89
Q

Quel est le devis préférable si la maladie est rare?

A

Étude cas-témoin

90
Q

Vrai ou faux
L’étude cas-témoin est plus longue et coûteuse qu’une étude de cohorte

A

Faux
Contraire

91
Q

Entre l’étude de cohorte et l’étude cas-témoin, laquelle a le plus de biais en général?

A

Étude cas-témoin (ex : biais de rappel)
Sinon, l’étude de cohorte a moins de biais en général, mais risque de perte de sujets (biais d’attrition)

92
Q

Quelle est la mesure utilisée dans l’étude cas-témoin?

A

Rapport de cote (odds ratio)

93
Q

Mesure utilisée dans l’étude de cohorte

A

Risque relatif

94
Q

Qu’est-ce qu’une étude randomisée?

A

Sujets attribués à un groupe ou un autre de façon aléatoire
Progression de la cause vers l’effet donc prospectif

95
Q

Utilité de la randomisation

A

Éviter la sélection systématique et le biais d’attribution

96
Q

Qu’est-ce qu’un biais de sélection?

A

Biais dans la méthode adoptée pour sélectionner les sujets (ex : volontariat, autosélection)

97
Q

Qu’est-ce qu’un biais de confusion?

A

Variables confondantes insuffisamment contrôlées
Solution = essai randomisé contrôlé

98
Q

Qu’est-ce qu’un biais de rappel?

A

Les personnes malades se rappellent de certaines expositions de manière différente aux personnes non malades
(dans les études cas-témoin)

99
Q

Qu’est-ce qu’un biais d’attrition?

A

Perte de certains patients de l’analyse

100
Q

Qu’est-ce qu’un biais d’évaluation?

A

Mesure de l’issue n’est pas évaluée de la même manière dans les deux groupes

Solution : balancer les évaluateurs dans les groupes et documenter l’accord interjuge

101
Q

Qu’est-ce qu’un biais de publication?

A

Études réalisées sur un sujet ne sont pas toutes publiées. Tendance à publier les études positives seulement. Solution = enregistrement de l’étude dans une base de données avant le démarrage

102
Q

Quelles sont les autres explications possibles d’une association observée dans une étude épidémiologique? (4)

A

Chance
Biais
Causalité inverse
Facteurs confondants

103
Q

Comment effectuer un tableau de tests de dépistage?

A
104
Q

Quelles sont les qualités d’un bon test de dépistage? (6)

A

Abordable
Facile d’administration
Peu d’inconfort
Fiable
Valide
Comparé à un gold standard

105
Q

Qu’est-ce qu’un faux positif?

A

Test diagnostic positif en l’absence de la maladie

106
Q

Qu’est-ce qu’un faux positif?

A

Test diagnostic positif en l’absence de la maladie

107
Q

Comment calculer la prévalence?

A

(A+B)/total

108
Q

Définition et calcul de la sensibilité

A

(vrais positifs) / (vrais positifs + faux négatifs)

Nombre de cas avec la maladie qui sont correctement identifiés par un test positif

(vrais positifs) / (tous les cas de maladie)

109
Q

Définition et calcul de la spécificité

A

(vrais négatifs) / (vrais négatifs + faux positifs)

Nombre de cas sans la maladie correctement identifiés par un test négatif

(vrais négatifs) / (tous les cas sans maladie)

110
Q

Définition et calcul de la valeur prédictive positive

A

Nombre de cas avec la maladie en présence d’un test positif A/(A+C)
Si mon test est positif, quelles sont les chances que j’aie la maladie?

(vrais positifs) / (vrais positifs + faux positifs)

111
Q

Définition et calcul de la valeur prédictive négative

A

Nombre de cas sans la maladie en présence d’un test négatif D/(B+D)

(vrais négatifs) / (vrais négatifs + faux négatifs)

112
Q

Vrai ou faux
La sensibilité et spécificité dépendent de la prévalence

A

Faux

VPP et VPN dépendent de la prévalence : permettent de répondre à la question du patient (il veut savoir ses chances d’avoir la maladie lorsque son test est positif)

Sensibilité et spécificité sont des caractéristiques propres au test (“est-il capable de”)

113
Q

Vrai ou faux
Avec une sensibilité élevée, il est plus utile d’avoir un résultat négatif pour rule out

A

Vrai

114
Q

Vrai ou faux
Avec une spécificité élevée, il est plus utile d’avoir un résultat négatif pour rule in

A

Faux
Plus utile d’avoir un résultat positif (rule in)

115
Q

Quelle est la définition du NNT?

A

Nombre nécessaire pour traiter
Nombre de patients à traiter pendant une période donnée pour éviter l’apparition d’un événement défavorable. Défini par l’inverse de la réduction du risque absolu. Le NNT s’exprime en nombre de patients par unité de temps. En général, le NNT est calculé à partir de l’évolution de 2 populations sous un traitement A (molécule testée) et un traitement B (placebo)

116
Q

Quelle est la valeur d’un NNT idéal?

A

1
Dans ce cas, chaque patient s’améliore avec le traitement étudié et aucun patient ne s’améliore spontanément dans le groupe placebo.

117
Q

Vrai ou faux
Plus le NNT est grand, plus le traitement est efficace

A

Faux
Plus le NNT est grand, moins le traitement est efficace. La valeur idéale d’un NNT = 1

118
Q

Qu’est-ce que le RAR (réduction absolue du risque)?

A

Différence entre les deux risques = risque chez les sujets exposés - risque chez sujets non exposés
RAR est aussi appelé risque attribuable

119
Q

Calcul du NNT

A

Inverse de la réduction du risque absolu

Réduction du risque absolu = (risque chez sujets exposés) - (risque chez sujets non exposés)

NNT = 1 / RAR

120
Q

Qu’est-ce que le NNH?

A

Nombre de cas traité qui cause un effet négatif

121
Q

Calcul de la réduction relative du risque

A

Risque absolu / risque au départ

122
Q

Calcul du risque relatif

A

Risque chez sujets exposés / risque chez sujets non exposés

123
Q

Calcul du rapport de cotes (odds ratio)

A

(cas exposés X témoins non exposés)
_______________________________
(cas non exposés X témoins exposés)

124
Q

Qu’est-ce qu’un intervalle de confiance?

A

Moyenne calculée d’échantillonnages répétés d’une population choisie
Si IC de 95%, donc 95 échantillonnages sur 100 contiendront la moyenne de la population choisie
L’IC est un intervalle de valeurs qui a une certaine probabilité de contenir la valeur du paramètre. Fixé par le chercheur, mais 95% est souvent recommandé.
Plus l’IC est large, plus la probabilité de recouper le paramètre est forte. Mais si trop large, estimation peu précise. Donc, il faut trouver le juste équilibre entre niveau de confiance désiré et précision de l’estimation.

125
Q

Quel serait l’IC à 95% si la moyenne est 93 et que l’ET est de 9?

A

93 +/- (1,96 x 9)
(95% d’une distribution normale se retrouve à +/- 1,96 ET)

126
Q

Quels sont les 2 types de revues?

A

Narrative
Systématique

127
Q

Qu’est-ce qu’une revue narrative?

A

Auteurs révisent la littérature et tentent d’en ressortir les points positifs et négatifs. Non systématique et sujet aux biais

128
Q

Quelles sont les étapes d’une revue systématique? (4)

A

1- Formuler une question
2- Trouver les études
3- Évaluer la qualité des études
4- Résumer les données

129
Q

Quels sont les biais possibles d’une revue systématique? (3)

A

Biais de publication (études négatives pas publiées)
Délai de publication (résultats positifs publiés avant résultats négatifs)
Langue (souvent recherche en anglais seulement)

130
Q

Vrai ou faux
Les méta-analyses permettent d’augmenter la puissance

A

Vrai

131
Q

Quels sont les critères pour évaluer la qualité d’une méta-analyse? (7)

A

Critères d’inclusion et d’exclusion explicites et bien justifiés
N’est pas restreinte aux études publiées
Stratégie de recherche d’articles explicitement décrite
Recherche à partir de différentes sources
Protocole d’analyse et méthodologie détaillés
Évaluation de la fidélité interévaluateur des outils de mesure
Évaluation des biais possibles

132
Q

Quelles sont les mesures de taille d’effet? (3)

A

Différence des moyennes standardisées
Coefficient de corrélation (Pearson)
Risque relatif

133
Q

Quels sont les facteurs qui déterminent la qualité de l’acte médical? (6)

A

Accessibilité
Actualité
Efficacité
Continuité
Participation des patients
Sécurité

134
Q

Qu’est-ce que le principe de Pareto?

A

80 % des effets sont le produit de 20 % des causes

135
Q

Définition du diagramme de Pareto

A

Graphique qui représente l’importance de différentes causes à un phénomène