synthèse Flashcards
Définition de biais:
Erreur systématique survenant lorsque les groupes de comparaison sont traités ou évalués différemment, cela engendre de la distorsion. –> On veut contrôler les biais.
Vrai ou faux Il est impossible dans une étude cohorte d’avoir un “minimum d’aveugle “
faux !
Dans une étude cohorte ; le sujet n’est pas à l’aveugle –>c’est lui qui décide de prendre le rx.
Est-ce que la personne en question est capable d’avoir son suivi à l’aveugle ? NON
Est ce qu’on est capable d’avoir une collecte d’infos à l’aveugle? OUI
DONC on voit que c’est possible d’avoir un minimum d’aveugle et un suivi égale entre les groupe
Nommer 2 raisons pour lesquelles il est très important de compléter le suivi
- Afin que tous les patients aient la même chance (en terme de temps) de développer l’évènement ou l’issue étudiée 2. Pour que l’issue soit mesurée au même moment pour tous les patients
si j’ai un P value de 0,05 est-ce que je rejette ou pas mon H0?
elle accepte les 2 réponses : rejette ou ne rejette pas H0 . mais elle s’attend à ce que dans l’examen on l’explique. habituellement dans les études si c’est 0,05 on va demander à voir les autres décimales.
Quelle sorte d’analyse statistique on doit faire avec un essaie randomisé contrôlé pour tenir compte des variables confondantes ? et pk ils font ça au lieux d’une régression logistique ?
il s’agit de l’analyse de base que tt essaie randomisé contrôle vont avoir ? –> l’analyse intent to treat C’est pour s’assurer que l’on ne touche pas à la randomisation
Quelle est ma valeur nulle qd je compare des proportions (variable dichotomique) .
Cela dépend de ce que l’on veux calculer : si on fait un risque relatif ou un odds ratio : qd on compare des proportions on va faire un ratio : (la moyenne du groupe traité)/( moyenne du groupe placebo). et donc lorsque le rx étudié n’a pas d’effets on s’attend à ce que mon numérateur et mon dénominateur soit égale, ce qui donne 1. ainsi, la valeur nulle sera de 1
Par contre, on peut aussi faire des différences de p.p. Dans ce cas la valeur nulle sera de 0, car si les deux p.p sont identiques en fessant la différence ça donnera 0.
Vrai ou faux IL Y A 100% DE CHANCE QUE NOTRE ESTIME CALCULE SOIT COMPRIMES ENTRE LA BORNE INF ET SUP
VRAI ON L’UTILISE POUR CALCULER NOTRE BORNE
Vrai ou faux Les analyses per-protocole + multivariés sont le best pour les études observationnelles
vrai
vrai ou faux dans une étude cohorte l’évènement n’est pas encore arrivé on va être capable de mesurer l’incidence de notre issue
vrai
Par quel type de devis on peut regarder nos ES d’un new rx mis sur le marché ?
Etudes observationnels 2 grands devis : 1. cohorte et 2. cas témoin
Pour une étude cas témoin ‘exposition d’intérêt est celle survenue (avant/après) l’apparition de l’issue ou maladie.
Pour une étude cas témoin ‘exposition d’intérêt est celle survenue (avant) l’apparition de l’issue ou maladie.
Dans une étude croisé habituellement on se fit sur quoi pour déterminer la duré de la période tampon ?
C’est la demie vie du rx qui va nous guider sur la longueur de notre période tampon
Selon vous une étude cas témoin est-elle plus valide si on a des cas prévalent ou incident ?
incident (cas de NOVO) pk? pcq on veux regarder si par exemple un mx augmente le risque de dev une maladie. c’est pcq on veux que l’exposition soit un facteur de risque et non pas une conséquence du diagnostic. Pcq en théorie si c’est une conséquence on ne pourrait même pas l’analyser.
Comment peut-on contrôler le biais de confusion?
Appariement. Analyses multivariées. Randomisation
vrai ou faux L’analyse intent to treat dans une analyse randomisée contrôlée est faite mm si on a des pertes au suivie et que l’on pense que l’on a un biais de sélection
vrai
vrai ou faux on peut avoir une très grande précision sur un estimé biaisé.
vrai
Les traitements données a l’aveugle permettent de limiter quel biais ?
le biais d’information = meilleur validité interne
Si on voit dans l’étude (randomisé contrôlée) qu’il y a 89 participants qui ont complétés l’étude, mais qu’il y a 111 participants qui ont été analysés, de quelle analyse il s’agit : ITT ou per-protocole ?
ITT si cela aurait été per-protocole on aurait analysés slm les participants qui ont complétés l’étude donc les 89 participants.
En ayant une variable continu (pression artérielle) quelle statistique je vais aller mesurer dans chacun de mes groupes ? a) proportion, b)moyenne
moyenne (on va comparer les moyennes)
Forces d’une étude de cohorte:
- Permet d’obtenir une mesure directe du risque dans chaque groupe (incidence) 2. Utile quand l’exposition est rare 3. Permet d’étudier l’association entre une exposition et plusieurs issues
Si notre variance augmente qu’elle sera l’impact sur notre intervalle de confiance et sur notre précision ?
il va devenir plus large et notre précision va diminuer
Avec le devis chassé-croisé il est important de s’assurer de quoi ?
Il faut s’assurer qu’il n’y a pas d’effets résiduels entre les deux traitements. Il faut donc que la période de temps entre les deux traitements soit assez longue pour que l’effet du premier traitement ait complètement disparu. Il faut également que la pathologie soit stable dans le temps.
Direction de l’étude pour étude transversale
Sans direction
Qu’est ce qu’on va faire si on veux avoir moins d’erreurs avec les mêmes donnés ?
on va augmenté le alpha, cela va faire que notre intervalle de confiance va par exemple passer de 95 à 99%. Avec un intervalle de confiance a 99% on est continuellement avec 1% d’erreur vs 5% qd on a un intervalle de confiance a 95%. Donc, en passant a 99% on va élargir notre intervalle et cela fait en sorte que l’on va avoir moins d’erreur.
la statistique d’une étude cas témoin c’est un ______
odds ratio
Si on a 0% de pertes au suivis dans une analyse randomisée contrôlée est-ce que l’analyse intent to treat est suffisante ?
OUI elle est suffisante
Diviser biais de sélection en 4 catégories
- Biais d’admission 2. Biais de participation 3. Biais de notoriété 4. Biais de survie
v ou f un intervalle de confiance nous permet de déterminer la précision et d’aller valider nos hypothèses
V
Quelle régression va-t-on utiliser pour un outcome dichotomique?
Régression logistique
Vrai ou faux Dans un essai randomisé contrôlé on délaisse la validité externe au profit de la validité interne
Vrai : essaie randomisé contrôlé est extrêmement valide à l’interne mais svt ne sera pas généralisable.
la statistique d’une étude de cohorte c’est un ______
RR risque relatif
Vrai ou faux comme expérimentateur d’un essai randomisé contrôlé, on doit s’assurer que notre validité interne est intact même si pour ça on doit exclure bcp de sujets qui pourraient bénéficier du tx étudié
Vrai : un essai randomisé contrôlé se sont des sujets qui sont sélectionnés (ensemble des critères d’inclusions et exclusions, car on veux démontrer l’efficacité de notre rx et en démontrant notre efficacité on veux une validité interne très bonne.
Direction de l’étude pour essai clinique?
Exposition –> Issue
Définition plan parallèle:
Un groupe de participants reçoit le traitement expérimental et un autre groupe reçoit le traitement standard. Les deux traitements sont donnés en même temps à des patients différents.
l’hypertension est une variable _______
continue
si à l’examen on nous montre le tableau 1 d’une étude randomisée contrôlée et que l’on nous demande: selon vous, est-ce que la randomisation a fonctionnée (présence de variables confondantes ou pas ?) Vous regardez alors l’échantillon dans chacun des groupes et vous remarquez que c’est un gros échantillon >>>1000 personnes. Puis, en regardant chacun des P values pour chaque co-variables potentiellement confondantes vous voyez qu’il y en a bcp qui sont en bas de 5% et donc statistiquements significatives… Qu’est ce qu’on répond?
elle s’attend à ce genre de réponse : il y a plusieurs P values qui sont statistiquement significatifs, mais qd on regarde ds le tableau on se rend compte que se sont des estimés qui sont presque pareils. Alors, je pense que la randomisation a fonctionnée. En gros c’est que elle ne veux pas que l’on fie juste sur le P value.
Les biais se sont des erreurs __________ et La précision implique des erreurs ________.
Les biais se sont des erreurs systématiques et La précision implique des erreurs aléatoires.
Dans quelle étude il n’est pas nécessaire d’avoir un groupe placebo?
une étude transversale
V ou F On a besoin d’un groupe placebo seulement dans une étude randomisé contrôlé?
F , dans les études observationnelles c’est aussi nécessaire ( sauf étude transversale)
Vrai ou faux Si notre estimé est très précis (intervalle de confiance rapproché) j’ai moins de chance d’avoir de biais.
FAUX !! On peux avoir un estimé très précis, mais biaisé. Alors, il faut faire attention. qd on a un biais de sélection, information ou de confusion –> a un impact sur nos estimés : relatif, odds ratio, différence de moyenne, différence de proportion. qd on parle de intervalle de confiance c’est notre précision qui est affecté.
vrai ou faux Quand la taille d’échantillon est faible notre puissance statistique est faible et donc notre P value est moins fiable.
Vrai Lorsque l’on a moins que 150 personnes dans chacun des groupes il faut être plus vigilant lorsque l’on va interpréter notre tableau 1, cela devient suggestif.
vrai ou faux La randomisation est spécifique à l’essai clinique ce terme n’a pas sa place ds une étude observationnel.
vrai
Définition devis de cohorte
Une étude de l’association entre une exposition et une issue, dans laquelle l’incidence de l’issue est déterminée dans des groupes définis par l’exposition des sujets
Habituellement le tableau 1 dans une étude randomisé contrôlée sert à quoi?
à savoir si notre randomisation a bien fonctionnée.
Définition cas-témoin
Une étude d’observation de l’association entre une exposition et une issue, dans laquelle l’exposition antérieure est déterminée dans des groupes d’individus définis par leur issue
vrai ou faux Dans les études observationnelles le biais de confusion on en tient compte avec la randomisation
faux : C’est pas possible dans des études observationnelles alors utilise absolument des méthodes statistiques : régression linéaire si issue continue ou régression logistique si issu est dichotomique.
Pour les études de cohortes et cas témoins, comment on peut tenir compte des variables confondantes ?
Pour ceux-ci il n’y a jamais de randomisation, mais il y a probablement des variables confondantes. Alors, pour en tenir compte on va faire des analyses multi variés et on va faire une régression linéaire ou une régression logistique.
Vrai ou faux la randomisation marche à tout coup
faux parfois elle marche et parfois non pour savoir si elle a marché on regarde si nos facteurs de risques sont distribué de façon égale entre notre groupe exposé et non exposé.
vrai ou faux On fait le choix du modèle de régression basé sur nos co-variables
faux On fait le choix du modèle basé sur l’issu : : régression linéaire si issue continue ou régression logistique si issu est dichotomique
Vrai ou faux, pour ce qui est des études non-expérimentales (observationnelles) : étude cohorte, étude cas-témoin, étude transversale on va utiliser les mêmes modèles d’analyses statistiques c-a-d soit la régression linéaire ou la régression logistique. Le modèle sera choisit en fonction de notre variable d’intérêt : est-elle continue ou dichotomique.
Vrai
Les résultats seront généralisables à la population de référence si…? (2 énoncés)
- La population à l’étude est représentative de la population expérimentale (est-ce que les participants et ceux qui ont refusé de participer sont comparables?) 2. La population expérimentale est représentative de la population de référence (est-ce que les critères d’éligibilité sont définis? Sont-ils trop stricts? Sont-ils assez stricts?)
Il y aura un biais de sélection si…? (2 raisons)
- Les participants qui quittent l’étude sont plus ou moins à risque d’avoir un évènement étudié que les autres 2. Le taux de perte au suivi pour cette raison est plus élevé dans un groupe de traitement que dans l’autre
Désavantages des essais cliniques:
- Les résultats des essais cliniques sont souvent difficiles à généraliser 2. Les essais cliniques randomisés sont très coûteux 3. Il n’est pas toujours faisable ou recommandable de faire un essai clinique randomisé (ex : considérations éthiques, substances toxiques) 4. L’efficacité observée dans un essai clinique (efficacité clinique ou efficacity) est différente de l’efficacité réelle observée dans la vraie vie ( efficacité réelle ou effectiveness)
Dans une étude cas-témoin, comment les sujets sont sélectionnés?
1.Les cas ont l’issue (ou la maladie étudiée) : ils peuvent être prévalents ou incidents. (mieux que se soit incidents) 2. Les témoins n’ont pas l’issue étudiée. 3.Les témoins proviennent de la même population que les cas. –> là où il y a le plus de chance d’introduire un biais de sélection. 4. Les cas et les témoins doivent être sélectionnés indépendamment de leur exposition.: on ne vas pas aller sélectionner des cas et des témoins basés sur leurs probabilités d’être exposé.
- juste en regardant cette méta-analyse, êtes-vous en mesure de dire si :
a) la variable est continue/ dichotomique?
b) si on a fait une moyenne ou une proportion ?
c) qu’elle est la valeur nulle ? - etes vous capable de dire si l’infection HIV diminue ou augmente la masse osseuse ?
- est-ce que la masse osseuse diminue tous de façon statistiquement significatif?
- interpréter -6,2 |-10,2 -2,2|
- est ce qu’on interprète des estimés ajustés ou non ajustés ?
- interpréter le 1er estimé :(KNOBEL 2001)
1a) la variable est continue/ dichotomique? variable continu ( masse osseuse)
1b) si on a fait une moyenne ou une proportion ? on a fait un moyenne
1c) qu’elle est la valeur nulle ? la valeur nulle est de 0.
on peut répondre a A) , B) et C) en un seul coup d’oeil à la ligne dans le graph : ligne a 0 donc on sait que la valeur nulle est de 0 donc que l’on a fait une moyenne et donc que c’est une variable continue !!
- HIV diminue la masse osseuse, car les valeurs tous en bas de 0.
- non, car il y a 3 études qui ont démontrés un effet réducteur, mais non STATISTIQUEMENT signifiactif. et on peut dire cela pcq celles-ci n’ont pas rejetées H0.
- comme la valeur de 0 n’est pas inclut dans l’estimé on peut dire que elle est statistiquement significatif.
le fait d’avoir une infection HIV diminue notre masse osseuse de 6,2 U par rapport a ne pas avoir d’infection au HIV en tenant compte de nos variables potentiellement confondantes.
- ajustés.
- l’infection au VIH n’a pas d’effet statistiquement significatif sur la masse osseuse. par rapport à lorsque l’on compare avec et sans infection aux VIH en tenant compte de tt les variables potentiellement confondantes.
type question à développement
- Selon vous, est-ce que tt les études démontrent un effet statistiquement significatif entre le tabagiste et le risque de diabete de type 2 ?
- Il y en a combien d’entres elles qui démontrent une augmentation du risque de diabètes associées à la prise de tabas?
- comment on fait pour savoir lesquelles des études dans la méta-analyse sont statistiquement significatives ?
- alors combien d’études démontrent un effet statistiquement significatif?
- si on regarde le 1er estimé, on va rejeter oui ou non le H0 ?
- si on regarde le 2e estimé, est ce que le P value serait plus grand ou plus petit que 5% ?
- le 1er estimé est statistiquement significatif et il est de 1,50 comment on interprète cela ?
- interpréter l’intervalle de confiance du 1er : |1,07-2,10| et c’est un intervalle de confiance à 95%.
- maintenant si j’aurais eu un intervalle de confiance à 99% quel impact cela aurait eu sur mon intervalle de confiance ? |1,07-2,10|
- si je diminue mon seuil significatif ( mon alpha de 5% à 1%) j’ai un intervalle de confiance à 99% et quel impact cela aurait sur mon test d’hypothèse?
- Ces estimés on les analyses en se moment comme s’il y avait seulement 2 variables ds notre modèle, mais les chances sont qu’ils sont issues de modèles multi variés où ils sont ajustés pour plusieurs variables potentiellement confondante.
Alors comment on doit interpréter :
- NON
- presque toutes !! Car leur estimé est plus grand que 1. (se n’est pas dit statistiquement significatif dans l’énoncé) : La plupart sont a droite de notre valeur nulle (1).
- on regarde leur intervalle de confiance : si ça inclut la valeur nulle ça veut dire que se n’est pas statistiquement significatif.
- 15
- comme le 1er estimé est statistiquement significatif on va rejeter H0.
- il serait plus petit, car l’intervalle de confiance inclut le H0.
- ceux qui fument ont 1,5 x plus de chances d’avoir un diabète de type 2 par rapport à ceux qui ne fument pas. OU ceux qui fument ont 50% plus de chances d’avoir un diabète de type 2 que ceux qui ne fument pas.
* *Pour répondre à 7 on veux les éléments suivants** :
a) la comparaison par rapport à ceux qui ne fument pas,
b) parler de l’exposition (fumer)
c) de l’issu ( diabète de type 2)
8. il y a 95% de cahance que l’estimé populationnel soit compris entre les 2 bornes : borne inf 1,07 et sup 2,10.
9. cela élargirait mon intervalle de confiance.
10. es chaces sont que ma valeur nulle entre dans la borne inf. c-à-d dans mon intervalle de confiance et donc se ne serait pu un résultat statistiquement significatif.
11. le fait de fumer augmente notre risque de diabète de type2 de 50% par rapport à ne pas fumer de manière statistiquement significatif et ça c’est en tenant compte pour ( et on écrit tt les variables confondantes qui ont été mises dans le modèle multi-varié).
