7- BIAIS Flashcards
(29 cards)
Erreur totale
se sépare en 2
- erreur systématique
- erreur aléatoire
Erreur systématique (4)
- protopathique
- sélection
a) admission
b) participation
c) notoriété
d) prévalence - Information
a) n-différentiel
b) différentiel - Confusion
Erreur aléatoire
précision (3)
Valeur réelle = moyenne des estimés à partir des échantillons multiples
- valeur p
- IC
- Puissance statistique
Comment améliorer la précision ?
^^ taille d’échantillon
Erreur systématique
due à ?
ne peut pas être ?
des erreurs méthodologiques
-contrôlé en augmentant la taille d’éch
validité
Différence entre ce que l’on estime et la valeur réelle dans la populatio
PRoblèmes méthodologiques
- Choix des participants /pts
- qualité des instruments de collecte de données
- covariables non prises en compte
Biais cause de la distorsion ,donc il faut ?
contrôler les biais
=> pas d’étude parfait ,mais il faut but est de minimiser
Validité interne/externe
vs éch
éch : old ppl in mtl
pop.cible : old pl
pop externe : all ppl
Biais de sélection
particularité de l’étude c-t à l’hôpital
on applique bcp de filtre qui va restreindre la population => augmentation de distorsion qui pourrait amener un biais de sélection
admission
identification
contact/participation
biais de sélection
sous-type : admission
solution
si on prend des pts à l’hopital, on aurait juste des cas exposés au mx
pcq les cas non-exposés pcq ces derniers on été conseillés par les mds de rester chez eux et de ne pas aller à l’hopital => SOUS ESTIMATION DES CAS N-EXPOSÉS
- regarder dossiers cliniques pis on check la proportion qui est aller à ‘hopital
=> cette solution est une étude de validation => différence entre une bonne étude
Biais de sélection
sous-type : prévalence /survie
2 exemples
cas encore vivants peuvent ne pas être représentatifs de l’ensemble des ca p/r à l’exposition au mx
=> probabilité de survie p-e influencée par le mx
ex:
surment que yen a qui sont rip => on peut pas les interroger
=> ce qui est pas normal : si le risque decéder est associé à l’AINS
ex : étude comparative des hypoglyécmiants oraux de plusieurs lignes:
on impose aux gens de dpp4 d’Avoir survécu + longtemps que les gens sur metformin => il faudrait prendre des gens qui ont survécu le mm temps après avoir été traité avec le metformin
biais d’information
erreur ds la détermination ?
autre définition
- exposition
- event
-erreur ds classification des pts ds les catégories d’expo ou d’event ( problème de codage
Biais d’information
non dfférentiel
- critères diagnostics n-validés
- exposition (n–adhésion)
=> qualité/validité des codes ne diffèrent pas peu importe exposés ou non
=> va survenir partout ds la base de données
Biais d’information
n- différentiel
50% erreur
50% moins d’exposés (cas et témoins
600 + 300 => 300 et 150
on aurait un OR de 2.4,mais en réalité c’Est 3.5 . Les erreurs n-différentiels sous estime le or
OR de 3 à 2 : ok
OR de 3 à 1.1 : dangereux => dépend des résultats de l’étude
Biais d’information
différentiel
au niveau de exposition
exemple
=> biais de mémorisatin
=> erreur est + /- importante chez les cas que chez les témoins
=> peut biaiser ds toutes les directions (sur ou sous estimation de l’OR)
exemple : famn enceintes
Biais protopathique
avant la maladie (event arrive avant la prise du mx)
4
- dû au délai entre la survenue des 1er sx de l’ei et le diagnostic
- mx utilisé pr traiter les 1er sx
- attribue injustement un risque au mx
- le biais protopathique est d’autant + important d’autant que la date index est loin de la date diagnostic (alzheimer)
exemple
biais protopathique
erreur dans la séquence des événements
=> ains => IPP => HD(hémorragie)
on associe ipp et hd, mais on associe les ains à la douleur abdominale
erreur ; on s’est trompé ds nos dates => plutot que de prendre une date d’index, on a pris une date de diagnostic (HD, ce qui inclut les ipp)
3 spécificités des études post commercialisation
-études observationnelles sont n-interventionnelles : pas de randomisation
-pts traités ak mx différents sont différents
-besoin de prendre en compte les covariables (caractéristiques du pt)
qui peuvent être des facteurs de confuson
Confusion
définition
3 conditions
- Associé avec l’exposition (old ppl use more ains que young)
- associé avec l’event (pt ak $$ ont + de visite médicales que les pauvreS)
- Pas dans le lien entre exposition au médicament et l’Event ( pas un facteur intermédiaire)
Contrôle du biais de confusion
au moment de l’étude
au moment de l’analyse
- restriction
- appariement
- stratification
- analyses multivariées
Restriction
si on a un débalancement entre hommes et femmes on peut décider de faire juste une étude sur les femmes
mais on pourra pas valider à l’externe de la population
Appariement
pairing pour un covariable en particulier
ex : sexe : homme vshomme pour med a et med B
=> on vient d’enlever le lien entre EXPOSITION et SEXE
si on apparie homme témoins et hommes cas => enlève le lien entre sexe et EVENT
Apppariement
limites (3)
- peut perdre des cas si pas de témoin apparié (peut perdre des gens si on a pas de gens à apparier )
- ne peut pas apparier sur trop de covariables
- ne peut plus étuder l’effet de cette covariable sur le risque d’event => OR=1
