Concepts et méthodes 2 Flashcards
1
Q
de quoi dépend la justesse d’une mesure
A
- précision
- validité interne
2
Q
qu’est-ce que la précision
A
- si les résultats varient de manière aléatoire cela veut dire qu’il manque de précision
3
Q
comment obtenir la mesure observée
A
addition de la mesure vraie + erreur systématique + erreur aléatoire
4
Q
qu’est-ce que l’erreur systématique
A
- elle est toujours présente
- ainsi on parle de mesure d’association et non causale car il y a la présence de biais
5
Q
autre nom pour une mesure avec une mauvaise précision
A
erreur aléatoire
6
Q
quelle est la relation entre la précision et la validité
A
- précision élevée et validité élevée
- précision élevée et validité faible
- précision faible et validité élevée
- précision faible et validité faible
7
Q
vrai ou faux, l’observation d’un écart entre la valeur mesurée et la vraie valeur ne suffit pas à en attribuer la cause à un manque de validité ou un manque de précision
A
vrai
8
Q
vrai ou faux, on peut souvent confronter la valeur mesurée à la vrai valeur
A
faux
9
Q
quels sont les 3 types de biais résultant de la validité interne, soit les 3 types d’erreurs systématiques
A
- biais de sélection
- biais de confusion
- biais d’information
10
Q
à quoi ressemble le biais de sélection dans une population à cohorte ou devis expérimental
A
attrition ou refus de participer à l’étude ou du volontariat
11
Q
à quoi ressemble le biais de sélection dans une étude cas témoin
A
sélection des témoins en fonction du statut d’exposition ou volontariat
12
Q
qu’est-ce que les biais de confusion
A
- On peut concevoir l’effet d’un biais de confusion comme de la confusion des effets
- L’effet de l’exposition est mêlé avec l’effet d’une autre variable, menant à un biais
13
Q
le biais de confusion affecte quoi
A
la mesure d’association entre une exposition et un événement lorsque l’association est attribuable, en tout ou en partie, à des facteurs autres que l’exposition
14
Q
le biais de confusion est de quel type d’erreur
A
erreur systématique attribuable à un tiers facteur dans la mesure d’association entre l’exposition et la maladie
15
Q
3 conditions pour être un facteur confondant
A
- Être une cause (facteur de risque) de la maladie
- Être associé à l’exposition
- Ne pas faire partie de la chaîne causale reliant l’exposition à la maladie (pas un intermédiaire)
16
Q
vrai ou faux, le biais peut sous-estimer ou sur-estimer l’association
A
vrai
17
Q
vrai ou faux, on ne peut pas voir une association inverse avec la confusion
A
faux
18
Q
est-ce que le facteur confondant doit avoir un lien absent ou présent indépendamment de l’exposition
A
- Pour être un facteur confondant, il faut que le lien entre le facteur confondant et la maladie soit présent indépendamment de l’exposition
19
Q
qu’est-ce que des confondants potentiels
A
- Une variable peut remplir toutes les conditions pour être confondante, mais le contrôle d’une autre variable confondante peut faire en sorte que son effet comme confondant disparaît
- le statut d’une variable comme facteur confondant peut dépendre des autres variables qui ont été contrôlées dans l’évaluation
20
Q
existe t’il un test statistique pour la confusion
A
- non seulement le jugement
- une différence 10% dans la mesure d’association est suffisante pour faire mention de confusion
21
Q
comment calculé la différence de 10% pour dire s’il y a un biais de confusion
A
(valeur ajustée - valeur brute) divisé par valeur ajustée * 100 = pourcentage
22
Q
quoi faire si le 10% n’est pas atteint par le biais de confusion mais qu’il remplie les 3 conditions
A
s’il est proche du 10% et qu’il remplie les 3 conditions on dira que c’est un biais de confusion
23
Q
quoi faire pour s’assurer que la condition 1 est remplie = Être a priori une cause (une variable indicatrice d’une cause, un facteur de risque) de la maladie, indépendamment de l’exposition
A
- Pour identifier les facteurs potentiellement confondants, il faut donc connaître les causes de la maladie étudiée
- En l’absence de connaissance a priori, la population non exposée peut fournir des informations
24
Q
quoi faire pour s’assurer que la condition 2 est remplie = Le facteur confondant doit être associé avec l’exposition dans la population de l’étude
A
- Dans les études de cohorte, cette condition est évaluée dans les données au début du suivi
- Dans les études cas témoins, cette condition peut être évaluée dans le groupe des témoins qui représente la population si sa taille est suffisante
25
quoi faire pour s'assurer que la condition 3 est remplie = Le facteur confondant ne doit pas être influencé par l’exposition ou la maladie
* Il n’y a pas d’ambiguïté si le facteur précède l’événement et la maladie (âge, sexe)
* Dans les autres cas, il faut avoir des connaissances a priori sur les relations entre l’exposition ou la maladie et le facteur
* Le facteur ne doit pas être sur la chaîne causale reliant l’exposition à la maladie
26
3 aspects permettant la prévention des biais de confusion
- randomisation
- restriction
- appariement
27
comment la randomisation aide à diminué la confusion
- tend à supprimer dans la population de l’étude tout lien pouvant exister dans la population plus large entre les facteurs potentiellement confondants et l’exposition
28
comment la restriction aide à diminué la confusion
Lorsqu’on anticipe qu’un facteur comme l’âge, le sexe, la consommation de tabac… risque d’être une source de confusion pour l’association considérée par l’étude, on peut restreindre la population à une seule catégorie de ce facteur
29
comment l'appariement aide à diminué la confusion
* Dans une étude de cohorte, la population est divisée en sous populations comprenant des exposés et des non exposés qui sont homogènes quant à la catégorie du facteur confondant
* Dans une étude cas-témoins, les témoins sont appariés aux cas de façon à stratifier l’étude en de nombreuses sous études cas-témoins homogènes quant à la catégorie du facteur confondant
30
3 aspects permettant la correction des biais de confusion
- stratification
- standardisation
- analyses multivariées
31
qu'est-ce qu'une analyse de stratification
rapporté les résultats selon des catégories (âge)
32
qu'est-ce que la standardisation
modifier le poids des résultats
33
qu'est-ce que les analyses multivariées
faire l'analyse en prenant en compte tout les facteurs confondants
34
qu'est-ce que le biais de sélection
* Les biais de sélection résultent notamment des erreurs commises lors
de la constitution des groupes (des populations) à comparer
* Un biais de sélection survient quand la sélection préférentielle des
sujets à comparer entraîne une distorsion des résultats
35
quand peut survenir un biais de sélection
* Au moment du recrutement des participants
* Lors du processus de rétention dans l’étude
36
vrai ou faux, il est facile de corriger les biais de sélection lors de l'analyse
faux, mais on peut tout de même faire des analyses de sensibilité
37
comment ressort un biais de sélection dans une étude de cohorte
il y a biais de sélection si le recrutement des sujets exposés (sujets non exposés) est lié à la présence de la
maladie
38
comment ressort un biais de sélection dans une étude de cas-témoins
il y a biais de sélection si le recrutement des cas (témoins) est lié à la présence de l’exposition au facteur
étudié
39
en bref quand est-ce qu'il y a un biais de sélection
quand les probabilités de sélection sont influencées par l’exposition ou par le statut de la maladie
40
vrai ou faux, dans une étude de cohorte la population de l'étude est clairement identifié
vrai
41
comment choisir une population pour une étude épidémiologique analytique
choisie pour servir les besoins de l’étude (validité, précision, durée, coûts) et non pas pour représenter la population générale
42
comment choisir une population pour une étude épidémiologique descriptive
la population de l’étude doit correspondre à (ou être représentative de) la population, souvent définie géographiquement, pour laquelle on cherche à mesurer l’incidence ou la prévalence
43
la question de généralisation fait appel à quel type de validité
validité externe
44
quelles sont les 3 sources de biais de sélection dans les études transversales
- échantillonnage = sélection de survivants ou cas prévalents + biais de volontariat
- biais de non-participation = biais de non réponse
45
exemple de biais de volontariat
Les caractéristiques des participants ne sont pas représentatives des caractéristiques de l’ensemble des individus de la population
46
comment le biais de sélection se présente dans les essais cliniques avec la randomisation
allocation non aveugle durant la randomisation
47
comment le biais de sélection se présente dans les essais cliniques après la randomisation
- retrait de l'étude
- perte de vue
- risques compétitifs
- violation du protocole et contamination
48
qu'est-ce qu'un Biais liés à un groupe de comparaison non représentatif
Est-ce que les groupes exposés et non exposés sont comparables, à l’exception du
fait que l’un soit exposé?
49
qu'est-ce qu'un Biais de volontariat ou de non-réponse
Si la non-réponse est liée à l’exposition (ex. personnes qui consomment des drogues moins susceptibles de répondre dans une étude liant la consommation de drogues au cancer)
50
qu'est-ce qu'un Biais d’attrition (pertes au suivi et retrait de l’étude)
* Il est possible que les exposés malades présentent moins de risque d’être perdus au suivi que les exposés non malades, les non-exposés malades et les non-exposés non malades
* Ceux qui restent dans l’étude peuvent avoir un risque différent que ceux qui se retire de l’étude ou qui ne sont pas observants (biais d’adhésion)
51
qu'est-ce qu'un Biais de bonne santé des travailleurs
- Les populations de travailleurs ont généralement un taux de morbidité et de mortalité plus faibles que la population générale
- Si on compare la morbidité des travailleurs à celle de la population générale, cette comparaison souffre généralement d’un biais de sélection
52
qu'est-ce qu'un biais d'attrition
- Résulte du fait que la perte au suivi peut être différente selon l’exposition en cause
- progression du VIH vers SIDA entre hommes homosexuels et utilisateurs de drogues intraveineuses (davantage de perte de vue chez utilisateurs)
53
3 manières de prévenir les biais de sélection
- prévenir l'attrition si possible
- être en mesure de colliger par registre tous les événements
- éviter des issues d'intérêts avec risques compétitifs
- sélection des témoins aléatoirement si possible
- incitatifs aux témoins pour favoriser leur participation
54
qu'est-ce que le biais de survie sélective
* Par exemple, si l’exposition fait en sorte que les exposés décèdent plus rapidement que les non-exposés, un groupe de cas prévalents comptera un plus grand nombre de non-exposés
* Il y aura sur-représentation des cas vivant le plus longtemps, i.e. les non exposés
55
qu'est-ce que le biais de détection
* Survient si le facteur influence directement la détection de la maladie
* Par exemple, si on sait qu’un contraceptif oral augmente le risque de thrombose veineuse, on pourrait faire plus de tests pour détecter cet effet
* Il y a une plus forte probabilité de détection en raison de la surveillance médiale accrue
56
qu'est-ce que le biais d'admission
* Dans les études cas-témoins, lorsque les groupes de comparaison sont des patients hospitalisés dans des études cas-témoins
* La probabilité différente d’être admis ou non à l’hôpital diffère selon que la personne est exposée ou non au facteur étudié
* Par exemple, les cas exposés sont peut-être plus facilement admis à l’hôpital ou encore les témoins peuvent être hospitalisés à cause de la présence du facteur
57
3 stratégies pour éviter les biais de sélection dans les études cas-témoins
* Dans les études cas-témoins, utiliser des stratégies qui favorisent la participation
* Lorsque l’étude est réalisée dans une population bien définie, sélectionner les témoins de façon aléatoire (avoir accès à un registre)
* Éviter les données manquantes
58
qu'est-ce qu'un biais de publication
* Dans les revues systématiques et méta-analyses
* Tendance à publier principalement les études qui appuient les hypothèses de recherche établies
59
Pourquoi dans les études cas-témoins ont doit toujours sélectionnés les témoins de façon indépendante des expositions étudiées
* Les personnes qui acceptent de participer à une étude et maintiennent leur participation peuvent le faire pour diverses raisons
* Si ces raisons sont liées à l’objet de l’étude, il y a risque de biais de sélection
60
vrai ou faux, on peut comparer la mesure d’association obtenue à
celle qui aurait été observée en l’absence de problèmes de sélection pour juger de la présence de biais de sélection
faux
61
vrai ou faux, L’identification des biais de sélection est une question de jugement
vrai
62
il faut évaluer quels aspects des biais de sélection pour notre jugement
- magnitude
- direction
63
qu'est-ce qu'un biais d'information
- une erreur de mesure ou de classification sur l'exposition et ou l'issue
64
si nous répondons oui à ces questions quel est le biais d'information
- est-ce que le statut de la maladie a une influence (erreur sur l'exposition)
- est-ce que le statut d'exposition a une influence (erreur sur l'issue)
biais différentiel
65
si nous répondons non à ces questions quel est le biais d'information
- est-ce que le statut de la maladie a une influence (erreur sur l'exposition)
- est-ce que le statut d'exposition a une influence (erreur sur l'issue)
biais non différentiel
66
qu'entraîne un biais différentiel
réfléchir et faire les tableaux de contingences lorsque nécessaire pour appuyer la réflexion sur le sens du biais = sous-estimation ou surestimation
67
différence d'effet entre biais non différentiel avec et sans variable dichotomique
- avec = entraîne une sous estimation de l'estimé
- sans = faire les tableaux de contingences lorsque nécessaire pour appuyer la réflexion sur le sens du biais = sous-estimation ou surestimation
68
les biais différentielle se présente souvent sous deux formes lesquelles
- biais de rappel = ceux ayant été malade auront meilleur souvenir de la maladie
- suivi différentiel = suivi n'est pas comparable entre exposé et non exposé
69
les biais non différentielle se présente souvent sous quelle forme
- exposition dichotomique
70
quelles sont les 5 sources de biais de sélection
- volontariat
- taux de participation
- sélection des témoins selon l'exposition
- pertes au suivi ou retrait de l'étude
- données manquantes
71
que peut nous dire l'écart type
- informe sur précision
- plus il est grand moins il y a de précision
72
qu'est-ce que la validité
une mesure valide est une mesure qui décrit correctement un phénomène
73
qu'est-ce que l'exposition
représente toute caractéristique d'un sujet ou de son environnement pouvant influencer sa santé
74
pour quelles variables devons-nous définir l'exposition
- variables indépendantes
- variables confondantes
- variables modifiantes
75
pourquoi on s'intéresse souvent aux expositions modifiables
- en raison des possibilité de prévention
76
vrai ou faux, souvent il y a une interaction entre différents types d'exposition
vrai
77
l'exposition est définie selon 3 concepts lesquels
- dose
- durée
- relation temporelle avec la survenue de la maladie
78
que permet la conceptualisation de l'exposition
choisir des instruments de mesures appropriés
79
3 types de doses sont pertinents lesquels
- dose maximale
- dose moyenne
- dose cumulée
80
différencier les 4 types de durée d'exposition suivants
- exposition permanente
- exposition instantanée
- exposition constante et continue sur une période limitée
- exposition variable
- permanente = sexe, génétique
- instantanée = accident, vaccin
- constante = prise médicament essai clinique
- variable = alimentation, prise médicament réelle, âge
81
que vent dire
- comparaison en fonction de l'exposition
- comparaison selon exposition fixe
- comparaison selon exposition fluctuante
- exposé vs non exposé
- expo permanente, instantanée, constante
- expo variable
82
particularité d'une exposition constante ou variable
elles doivent se maintenir pendant une période jugée satisfaisante pour qu'elle ait un effet sur la santé
83
il faut tenir compte de quoi lorsque les sujet peuvent changer de niveau d'exposition au cours du suivi
- il faut tenir compte de ce changement d'exposition pour classer les événements et les durées de suivi
84
vrai ou faux, dans une étude de cohorte où on mesure des taux d'incidence, un individu peut autant contribuer au temps de suivi dans la cohorte exposé que non exposé dépendant de son statut
vrai
85
vrai ou faux, il ne faut pas comptabilisé le temps précédant l'exposition suffisante chez les exposés dans le groupe non exposé
faux, il faut comptabilisé
86
vrai ou faux, Lorsqu’un sujet exposé devient non exposé, il faut tenir compte de la
durée escomptée des effets de l’exposition avant de le considérer comme non exposé
vrai
87
quelle exposition sont propices aux études avec croisement
celles ayant des effets à court terme
88
2 aspects à faire attention dans l'attribution des durées de suivi
* Toujours comptabiliser les événements et les durées de suivi de façon cohérente dans les différentes catégories d’exposition
* Ne pas attribuer tout le suivi à la catégorie la plus haute atteinte
89
pourquoi doit-on concevoir une fenêtre de temps (temps d'induction)
- une fenêtre de temps à l’intérieur de laquelle
l’exposition peut jouer un rôle dans la survenue de la maladie
- En dehors de cette fenêtre, l’exposition n’est pas pertinente
90
5 instruments permettant la mesure de l'exposition
- dossiers existants
- questionnaire auto-adminis
- entrevues
- analyses d'échantillons biologiques du sujet
- analyses physico-chimiques de l'environnement
91
quoi faire attention avec les données subjectives
- biaisée
92
comment contrôlée la subjectivité
De dossiers déjà existants
* De mesure sur le sujet ou son environnement
* D’observations faites par l’investigateur (en utilisant des outils de mesure validés)
93
différence entre prospective et rétrospective
- prospective = exposition avant maladie
- rétrospective = maladie avant exposition
94
qu'est-ce que le biais immortel
- supposer qu’une personne a survécu une période de temps spécifique
95
qu'est-ce qu'un biais d'information
Erreur systématique due à la mesure ou à l’observation incorrecte d’un phénomène
96
autre nom pour biais d'information
misclassfication
97
qu'est-ce que le biais d'information nommé misclassfication
survient quand l’exposition est catégorielle et que la personne n’est pas classée dans la bonne catégorie d’exposition
98
différence entre biais d'information différentiel ou non
- différentiel = Lorsque les erreurs de mesure concernant une variable dépendent de l’autre variable
- non différentiel = Les erreurs de mesure sur l’exposition lorsqu’elles ne dépendent pas de l’événement ou de l'exposition
99
différence entre erreur différentielle exposition et maladie
- exposition = l'exposition diffère chez les malades et les non-malades
- maladie = la maladie diffère chez les exposées et non-exposés
100
différence entre non différentielle exposition et maladie
- exposition = erreur ne dépend pas de l'événement donc elle est la même chez les malades et non malades
- maladie = erreur de mesure sur la maladie ne dépend pas de l'exposition, elle est la même chez les exposés et non exposés
101
vrai ou faux, les erreurs non différentielles de mesure peuvent survenir à toutes les étapes de l'étude
vrai
102
qu'affecte une erreur non différentielle
* Affecte également l’information entre les groupes
* Sous-estime l’effet vers la valeur nulle (=1 si RR/RI/RP ; =0 si DR/DI/DP) lorsque l’exposition est dichotomique
103
qu'affecte une erreur différentielle
* Affecte différemment l’information entre les groupes
* Sur ou sous-estime l’effet
104
erreur non différentielle entraîne un sous ou sur estimation de la force
d’association entre l’exposition et l’événement et pourquoi
- sous estimation
- La mesure d’association observée est plus proche de la valeur nulle que la mesure qui aurait été observée en absence de biais
105
les erreurs différentielles entraînent un sur ou sous estimation de la force
d’association entre l’exposition et l’événement et pourquoi
sur et sous
106
quand est-ce qu'il y a une biais d'information de nature différentielle
* Lorsque dans une étude prospective, le suivi n’est pas comparable pour les exposés et les non exposés
107
quand peut on aborder la question de biais d'information sous l'angle des mesures de validité
Lorsque la variable mesurée (exposition ou maladie) est
dichotomique et qu’il existe pour cette variable une mesure de référence (« gold standard »)
108
différence entre sensibilité et spécificité
- sensibilité = Quelle est la probabilité que la mesure soit positive si le patient est malade?
- spécificité = Quelle est la probabilité que la mesure soit négative si le patient n’est pas malade?
109
vrai ou faux, la sensibilité et la spécificité ne dépendent pas de la population utilisée
vrai
110
interprétation de la sensibilité avec un tableau de contingence
a / (a + c)
Proportion de personnes malades qui vont avoir un résultat positif avec la mesure
111
interprétation de la spécificité avec un tableau de contingence
d / (b+d)
Proportion de personnes non malades qui vont avoir un résultat négatif avec la mesure
112
qu'est-ce qu'une valeur prédictive
- probabilité qu'un patient soit véritablement malade
113
les valeurs prédictives dépendant de quels 3 aspects
- sensibilité
- spécificité
- prévalence de la vraie positivité de la maladie
114
différence entre valeur prédictive positive et négative
- positive = proportion de sujets réellement malades parmi tous ceux qui ont été identifiés positivement.
- négative = proportion de sujets sains parmi tous ceux qui ont un résultat négatif.
115
interprétation calcul de la valeur prédictive positive (VPP)
a / (a + b)
Proportion de personnes malades parmi toutes celles qui ont eu un résultat positif avec la mesure
116
comment trouvé la probabilité d'avoir un résultat faussement positif
1 – VPP
117
interprétation de la valeur prédictive négative (VPN)
d / (c+d)
Proportion de personnes non malades parmi toutes celles qui ont eu un résultat négatif avec la mesure
118
comment trouvé la probabilité d'avoir un résultat faussement négatif
1 - VPN
119
un dépistage doit être X et X
sensible et spécifique
120
qu'est-ce que le rapport de vraisemblance
sont des indices qui permettent de juger de l’utilité du test pour confirmer ou exclure la maladie
121
que représente RV test positif et RV test négatif
- RV positif = proportion des vrais positifs
- RV négatif = proportion des faux négatifs
122
différence d'interprétation RV positif et négatif
- positif = Cela signifie qu’un résultat positif survient X fois plus souvent chez les malades que les non malades
- négatif = Cela signifie qu’un résultat négatif survient X fois moins souvent chez les malades que les non malades
123
Plus le RV+ est X, plus le RV- est X, plus le test est utile
cliniquement
grand
petit
124
Plus le RV+ est X, plus le test permet de confirmer la maladie
grand
125
Plus le RV- est X, plus le test permet d’exclure la maladie
petit
126
entre le VPP (valeur prédictive positive) et le RV (rapport vraisemblance) lequel varie et lequel ne varie pas
VPP varie
RV varie pas
127
Si RV+ > 1, que cela veux dire
- Probabilité d’avoir un résultat positif est plus forte chez les individus malades
que les non malades
- L’examen apporte un gain pour le clinicien
128
rapport de vraisemblance RV sert à quoi
- guider le jugement sur l'utilité d'un test diagnostic
129
RV (positif ou négatif) = 1 que cela veux dire
- pour un résultat donné, la probabilité d’obtenir ce résultat (positif ou négatif)
est semblable chez les individus malades et les non malades
- l'examen ne sert à rien
130
Si RV- < 1 que cela veux dire
- Probabilité d’avoir un résultat négatif est moins forte chez les individus
malades que les non malades
- L’examen apporte un gain pour le clinicien
131
à quoi sert la courbe de ROC
Outil graphique permettant de représenter la capacité d’un test à discriminer les malades des non-malades
132
à quoi ressemble l'axe des x et y sur la courbe de ROC
y = sensibilité soit les tests positifs chez les malades
x = 1-spécificité soit proportion de tests positifs parmi les non malades
133
que représente le coin supérieur gauche du graphique de ROC
Le coin supérieur gauche du graphique est le point où la sensibilité et la spécificité sont de 100%
134
que veux dire la courbe de ROC si elle est à 45%
le test a une capacité de discrimination nulle
135
la majorité des test de ROC sont entre le 100% et 45%, vrai ou faux
vrai
136
que permet la courbe de ROC
permet de sélectionner la valeur seuil selon le
contexte clinique et les caractéristiques du test
137
à quoi sert le fait de calculer l'air sous la courbe de ROC
- On peut calculer l’aire sous la courbe (et l’intervalle de confiance) pour déterminer la valeur discriminante d’un test
- Parfaitement discriminant= 1
- sans valeur discriminante: 0,5
138
comment prévenir les biais d'information
* Bien cerner la fenêtre d’exposition pertinente
* Utiliser des sources de données valides
* Standardiser le plus possible toutes les procédures dans les groupes
* Obtenir des informations objectives sur les expositions et événements dans les dossiers
* Administrer les questionnaires de la même façon
* Ne pas dévoiler l’hypothèse de recherche aux interviewers, aux sujets
* Collecter les données à l’aveugle
* Assurer l’aveuglement (double insu) dans les essais cliniques
* Obtenir des informations de différentes sources et les combiner
139
comment corriger les biais d'information
* La correction des erreurs de mesure au moment de l’analyse est un exercice risqué
* Vaut mieux prévenir que guérir!
140
L’observation d’un écart entre la valeur mesurée et la vraie valeur ne suffit pas à en attribuer la cause à un manque de validité ou un manque de précision
vrai
141
l'erreur aléatoire réfère à quoi
toutes les raisons non systématiques pour lesquelles les valeurs estimées s’écartent des vraies valeurs
142
synonyme et antonyme de l'erreur aléatoire
- synonyme = variabilité échantillonnage
- antonyme = précision
143
est-ce qu'il faut plus prioriser l'erreur aléatoire ou l'erreur systématique
erreur systématique
144
peut on tester directement l'effet de l'erreur aléatoire sur les résultats
non
145
à cause de l'erreur aléatoire les mesures peuvent être identiques à la mesure d'association véritable
Faux
en raison des erreurs aléatoires, les mesures ne seront jamais identiques à la mesure d’association véritable ou au paramètre, même en l’absence de biais
146
il est plus fréquent d'avoir de grands ou petits écarts entre les mesures obtenus
petits
146
Avec l’erreur aléatoire, il y a en théorie autant de chances que la vraie mesure soit plus petite ou plus grande que la mesure observée
vrai
147
plus la taille de l'échantillon augmente plus la probabilité d'écart X
diminue
148
on peut trouver des manière d'évaluer et minimiser l'influence de l'erreur aléatoire, si oui lesquels
vrai
- test hypothèse
- intervalles de confiance
149
qu'est-ce qu'un test d'hypothèse
- hypothèse nulle = absence association entre exposition et incidence
- hypothèse alternative = contraire hypothèse nulle
- valeur p critique = si valeur p obtenu est au dessus de celle critique on rejette Ho
150
dans un test d'hypothèse il peut y avoir un test bilatéral ou unilatéral quelle est la différence
- bilatéral = association peut être positive ou négative
- unilatéral = association dans une direction seulement
151
quelle est la plus grande menace d'une mesure
les biais
152
une intervalle de confiance nous permet d'indiquer quoi
la précision de la mesure soit l'importance de l'erreur aléatoire
153
qu'est-ce qu'une intervalle de confiance
ensemble des valeurs possibles pour le paramètre qu'on cherche à estimer
154
si mon intervalle de confiance est de 95% que cela dit sur mon seuil alpha
qu'il est de 5%
155
Pouvons-nous interprété notre intervalle de confiance de la sorte: Il y a 95% des chances que la vraie valeur soit incluse dans l’intervalle de confiance
- Non
- La vraie valeur est une constante, pas une variable aléatoire.
- Elle sera ou non dans l’intervalle. Il n’y a pas de probabilité impliquée.
- C’est l’intervalle de confiance qui varie autour de la vraie valeur
156
si notre intervalle de confiance est de 95% mon test est davantage unilatéral ou bilatéral
- bilatéral
157
comment réduire l'erreur aléatoire
- augmenter taille échantillon
- améliorer les procédures échantillonnage
- réduire variabilité des instruments de mesure
- adopter méthodes statistiques plus efficaces selon taille échantillon
158
est-ce que la précision et la validité sont des concepts distincts
oui
159
une mesure est précise si quoi
elle est peu affectée par des fluctuations aléatoires
160
est-ce que l'accent est davantage mis sur l'estimation ou la prise de décision
estimation
161
les intervalles de confiance sont construit à partir de ...
tests de signification statistique
162
L’intervalle de confiance (au seuil choisi) peut être considéré comme l’ensemble des valeurs possibles pour le paramètre qu’on cherche à estimer (mesure de fréquence ou d’association)
vrai
163
l'intervalle de confiance reflète la validité de la mesure de fréquence ou association
faux c'est la précision
164
On doit considérer l’étendue de l’intervalle de confiance et ne pas se limiter à noter si il contient ou non la valeur nulle
vrai
165
On peut conclure qu’il n’y a pas de différence ou
pas d’association quand la valeur p est plus élevée qu’un seuil tel que 0,05 (ou qu’un intervalle de confiance
comprend la valeur nulle)
faux
166
On ne devrait pas conclure que deux études sont
conflictuelles parce qu’une a un résultat statistiquement
significatif et l’autre non
vrai
167
à quoi il faut faire attention avec la valeur p
Il faut simplement ne pas l’utiliser de manière dichotomique pour dire
si elle réfute ou soutient une hypothèse scientifique
168
Quel énoncé est vrai:
- Il n'y a pas de relation entre l'erreur aléatoire et la précision
- L'erreur aléatoire réfère à toutes les raisons systématiques pour lesquelles les valeurs estimées s'écartent des vraies valeur
- L'erreur aléatoire peut être vue comme la variabilité d'échantillonnage
- L'erreur aléatoire réfère à la partie de l'expérience que l'on peut prédire
- L'erreur aléatoire peut être vue comme la variabilité d'échantillonnage
169
Vrai ou faux. Il n'est pas possible de mesurer de manière directe l'impact que peut avoir l'erreur aléatoire sur les résultats
vrai
170
Vrai ou faux. L'erreur aléatoire doit toujours avoir préséance sur les erreurs systématiques (biais)
faux
171
Vrai ou faux. Plus la taille de l'échantillon augmente, plus la précision augmente.
vrai
172
Parmi les énoncés suivants, lesquels sont vrais?
- Si le test est bilatéral, seule l'association positive entre l'exposition et l'événement est considérée
- Si la valeur p associée au test est au dessus de la valeur critique pour le seuil de signification choisi, l'hypothèse nulle est rejetée.
- Les tests statistiques nous permettent de comparer la probabilité d'obtenir une valeur aussi extrême ou plus extrême que celle obtenue dans une étude sous l'hypothèse nulle
- Le test d'hypothèse porte sur l'hypothèse nulle de l'absence d'association entre l'exposition et l'événement de santé
- Les tests statistiques nous permettent de comparer la probabilité d'obtenir une valeur aussi extrême ou plus extrême que celle obtenue dans une étude sous l'hypothèse nulle
- Le test d'hypothèse porte sur l'hypothèse nulle de l'absence d'association entre l'exposition et l'événement de santé
173
Si la valeur p associée au test est X de la valeur critique pour le seuil de signification choisi, l'hypothèse nulle est rejetée. Si le test est bilatéral, l'association peut être positive ou négative.
au dessous
174
Comment savoir si un test est statistiquement significatif
- les valeurs p obtenues avec les tests doivent être inférieures au seuil fixé
- Si le seuil est à 5%, il faut donc que la valeur p soit inférieure à 0,05. Si la valeur seuil est de 1%, la valeur p doit être inférieure à 0,01.
175
Parmi les énoncés suivants sur l'intervalle de confiance, lequel est vrai?
- Plus il y a d'individus inclus dans l'échantillon, plus l'intervalle de confiance sera grand.
- L'intervalle de confiance d'une mesure biaisée sera plus grand qu'une celui d'une mesure sans biais.
- L'intervalle de confiance, au seuil choisi, peut être considéré comme l'ensemble des valeurs possibles pour le paramètre qu'on chercher à estimer.
- L'intervalle de confiance ne renseigne pas sur la précision de la mesure de fréquence ou d'association.
- L'intervalle de confiance, au seuil choisi, peut être considéré comme l'ensemble des valeurs possibles pour le paramètre qu'on chercher à estimer.
176
Une étude a mesuré un rapport de taux d'incidence pour évaluer l'association entre l'exposition aux gras saturés et la survenue d'infarctus du myocarde. Quelle valeur doit être absente de l'intervalle de confiance pour que le résultat soit statistiquement significatif?
1
177
La même étude a aussi mesuré une différence de taux d'incidence pour évaluer l'association entre l'exposition aux gras saturés et la survenue d'infarctus du myocarde. Quelle valeur doit être absente de l'intervalle de confiance pour que le résultat soit statistiquement significatif?
0
178
Parmi les résultats d'étude suivants, indiquez ceux qui sont statistiquement significatifs.
- Rapport de cotes: 2,1 (IC 99% 0,7-3,1)
- Différence de prévalences: 0,1 (IC 95%: 0,05-1,5)
- Rapport de proportion d'incidence: 0,5 (IC 95%: 0,3-0,7)
- Différence de taux d'incidence : 2,0 (IC 90%: -0,4 - 4,7)
- Différence de prévalences: 0,1 (IC 95%: 0,05-1,5)
- Rapport de proportion d'incidence: 0,5 (IC 95%: 0,3-0,7)
179
contrairement aux erreurs systématiques, l'erreur aléatoire a ou n'a pas de sens?
elle n'a pas de sens, on ne l'interprète pas comme une erreur systématique
180
vrai ou faux, avec l'erreur aléatoire, plus la taille augmente plus la probabilité d'écart diminue
vrai
181
la validité est influencé par, alors que la signification statistique est influencé par
- biais
- valeur p
182
plus ma valeur p est petite plus ...
il peu probable que ce que j'obtienne soit vrai lorsque Ho est vraie
183
comment on interprète p=0,85
probabilité de 85% que ce que l'on a observé comme association soit compatible avec une situation sans association
184
comment savoir si notre intervalle est relativement large ou relativement étroite
c'est une question de jugement
185
si notre valeur obtenue est en-dessous du seuil critique (alpha) cela voudrait dire quoi
que nos données sont compatible avec l'hypothèse nulle
186
lorsque l'on fait l'intervalle de confiance pour différence de taux incidence ou rapport de taux incidence il ne faut pas oublier quoi
mentionner les années
187
quand est-ce que l'on utilise une proportion ou une prévalence
- proportion = on veut savoir l'état d'un groupe que l'on a suivi durant une période
- prévalence = une photo de l'état actuel
188
quelle est la valeur nulle pour les rapports et pour les différences
- rapport = 1
- différence = 0
189
si je n'inclue pas la valeur nulle qu'est-ce que cela veux dire
que c'est significatif
190
Si je regarde 2 groupes par rapport risque de maladie, lequel est plus à risque
- un groupe a une IC de 1,30 à 2,28
- tandis que l'autre a une IC de 0,48 à 0,94
- groupe avec IC de 1,30 à 2,28 car l'intervalle est au-dessus de 1
191
plus mon échantillon sera petit, plus mon IC sera ...
grande
192
si on utilise un intervalle de confiance à 99% quel serait le niveau de signification statistique
1%
193
si j'utilise un intervalle de confiance à 99% au lieu de 95% quelle sera les conséquences sur les limites de l'intervalle de confiance
elle sera plus large et donc moins précise
194
comment juger si mes résultats d'études sont comparables ou non
- si inclusion valeur nulle = non comparable
- regardé si largeur et direction IC similaire
- si je n'ai pas IC je regarde si la mesure d'association ou de fréquence = voir si pareil, si non alors pas comparable
195
est-il possible de contrôler tous les biais avec des méthodes statistiques justifier
non, il y aura toujours de la confusion résiduelle et parfois les biais de sélection et information ne peuvent pas être corriger
196
pourquoi il est préférable de faire mention de l'IC au lieu de seulement la valeur p
- IC = donne information sur la compatibilité des données observées avec la valeur nulle + précision
- P ne permet pas de savoir si les données sont cohérente avec Ho ni la précision
197
interprétation RR versus RI
rr = fois plus ou moins risques
ri = incidence
198
que représente
- A1 et A0
- N1 et N0
- B1 et B0
- M1 et M0
- T1 et T0
- A1 = cas exposé
- A0 = cas non exposé
- B1 = non cas exposé
- B0 = non cas non exposé
- N1 = total exposé
- No = total non exposé
- M1 = total cas
- M0 = total non cas
- T1 = temps exposé
- T0 = temps non exposé
199
comment diminuer erreur aléatoire soit améliorer la précision
augmenter échantillon + réduire variabilité des instruments
200
quel impact sur la valeur prédictive négative a une stratégie de déploiement de tests pour un virus qu'on réserve seulement aux personnes ayant des sx compatibles avec infection au lieu de l'offrir à tous
diminue
201
comment savoir si une étude est plus valide qu'une autre
avoir de l'informations sur les biais
202
comment savoir si des études ont des résultats contradictoires
regardé les IC si elles se chevauchent se n'est pas contradictoire
203
quelle valeur nous permet de savoir si le risque est élevé ou pas
valeur de notre mesure d'association ou de fréquence
204
comment savoir s'il y a un biais de sélection dans une étude cas-témoin et de cohorte
- cas-témoin = exposition varie selon maladie ou non maladie
- cohorte = maladie varie selon exposition ou non
205
si j'ai des valeurs brutes et non brutes comment savoir si les valeurs non brutes apportent un biais de confusion
regardé si la valeur brute est dans l'intervalle de mes valeurs non brutes ou faire moyenne de mes valeurs non brutes
206
où se trouve la sensibilité et la spécificité dans mon tableau de contingence
- sensibilité = malade et exposé (résultat positif)
- spécificité = non malade non exposé (résultat neg)
207
3 aspects dans exposition
dose
durée
relation temporelle
208
biais d'information non différentiel est dit qu'il sous-estime que cela veux dire
valeur obtenue est plus proche de la valeur nulle que ce quelle devrait être
