Filtrer les éléments par date : juin 2014

- Randomization : répartition aléatoire ; répartition liée au hasard
- Setting : où se passe l’étude
- Double-blind : double-insu ; ni le patient, ni le scientifique ne sait qui prend quoi.
- Outcome (endpoint) : critère d’évaluation ; qu’est-ce qu’on mesure
- Intention to treat (ITT) : analyse selon la randomisation
- Follow-up : suivi dans le temps de la proportion des gens
- RRR : réduction relative du risque

- IC (95%) = intervalle de confiance à 95%
- NNT : nombre de personnes à traiter (pour éviter un outcome)

Les études épidémiologiques commencent par l’étude d’observation. Dans ces observations, on peut rencontrer deux types de données. Avec des données groupées, on peut faire une étude écologique ou corrélationnelle. Avec des données individuelles, on a des données descriptives avec lesquelles on fait une étude transversale et on a des données étiologiques avec lesquelles ont fait une étude cohorte (on suit le temps) ou une étude cas-témoin (on remonte le temps). Cependant, à un certain moment, il est juger important et éthique de proposer un traitement, une intervention à un groupe de personne pour essayer d’améliorer leur état de santé.

Ces essaies thérapeutique ont comme but de tester l’efficacité d’un traitement. Le chercheur applique ce traitement à un groupe de sujets auquel il le compare à un autre groupe de sujets qui ne reçoit pas le traitement (placebo). Il faut penser à un plan de recherche où il y ait suffisamment de sujet pour que l’effet du hasard soit contrôlé et qu’on ait un groupe qui reçoit le traitement et un autre qui ne le reçoit pas. ! Il faut qu’il n’y ait aucune autre différence entre ces 2 groupes. Le meilleur design, le meilleur plan pour étudier un traitement est la RCT (randomized controlled trial). Tout essai randomisé doit avoir ces 4 parties. Les 4 parties sont la question clinique précise, une méthodologie fiable, des résultats d’observations et la dernière partie est comprendre, interpréter les résultats. L’objectif d’une RCT est de comparer des traitements pour voir lequel est le meilleur ou de démontrer un avantage d’un traitement, de démontrer qu’un traitement est mieux que rien.

La question de recherche doit être précise et pour être précis, on passe par un PI/CO (Patient x Intervention / Contrôle x Outcome). Pour cela, on se demande chez qui on propose quoi, par rapport à quel contrôle, pour observer quoi. Un outcome (endpoint) est l’issue ou l’évènement ; c’est le critère de jugement. Pour ça, on calcule l’incidence cumulée et le risque (probabilité) par Δt. On sait aussi calculer le risque bras intervention qui est le risque que les gens n’ayant pas pris le traitement aient la maladie. Le risque bras contrôle est le risque que les gens ayant pris le traitement aient la maladie.

· Méthode rigoureuse

Une RCT est le type d’étude d’intervention qui contrôle le mieux le champ d’évaluation et présente le moins de risque de biais. Il est donc le plus fiable. Dans RCT, il y a 3 mots. Le premier est l’ « essai » qui est une étude qui teste une intervention. L’intervention peut être hygiénique, péridurale, chirurgicale, psychologique, etc. Le second est « contrôlé » qui signifie qu’un groupe recevant l’intervention est comparé par un groupe contrôle, celui qui reçoit le placebo. Le 3e mot est « randomisé ». Toute étude randomisée est contrôlée et toute étude contrôlée n’est pas randomisée. Dans une étude contrôlée, on compare deux groupes. Dans une randomisation, on compare deux groupes identiques.

La randomisation est la répartition aléatoire des sujets dans 2 groupes ou plus. Le but est d’équilibrer les caractéristiques importantes qui influencent ce que l’on étudie. Le hasard équilibrera toutes les caractéristiques qui pourraient influencer l’étude. On aura donc dans les 2 groupes, la même proportion de chaque caractéristique. La seule différence devient l’intervention que l’on veut étudier. Pour être sûr qu’il n’y ait pas de « triche », on fait un double-aveugle. Ni les chercheurs, ni les patients, ni les statisticiens ne sont au courant de qui reçoit quel traitement. On masque le statut E (E+ ou E-). Le but est de garder l’objectivité surtout si l’outcome est subjectif. Ce qui est différent du protocole ouvert (open label) où les personnes connaissent la réalité du traitement.

Il y a 5 étapes dans le déroulement de la RCT. Au départ, on a une population et on sélectionne un échantillon. Ensuite, on fait une randomisation de l’échantillon afin d’obtenir 2 groupes identiques dont leur seule différence est le traitement pris. On fait un suivi de ces groupes pour acquérir des résultats. Enfin, on analyse tous ces résultats.

Le problème que peut survenir est que certaines personnes changent de groupe. Ceux qui prenait le traitement peuvent l’arrêter en se disant que toute façon ils ne savent pas ce qu’ils prennent alors mieux vaut arrêter. Et il y a ceux qui prennent le placebo, ils partent chez un autre médecin en leur demandant ce qu’est le médicament qu’ils prennent. Découvrant que c’est le placebo, ils demandent d’obtenir le vrai traitement. Face à ça, on a 2 choix. Soit on accepte ce changement, car c’est le problème le plus pur vu que ça fait partie des choses de la vie. Soit on rapatrie les personnes ayant changées de groupe dans le bon groupe ou de ne plus les suivre. Mais on a tendance à prendre le 1er choix. La 1ère étape de la RCT est une validité externe ; l’ITT. Le reste est une validité interne.

En conclusion, l’intérêt majeur d’une RCT est l’absence de biais de répartition grâce à la randomisation. Son déroulement est fait en 5 étapes (1 externe et 4 internes). Et si la RCT est en double-aveugle, la garantie d’objectivité est assurée.

· Résultats quantifiés

On montre souvent les mesures relatives : rapport de risque = RR et la réduction relative du risque = RRR. Pour ces mesures, on calcule la différence de risque (amplitude), on regarde si elle est statistiquement significative et on calcule la p-value et l’IC (intervalle de confiance). Ce qu’on ne nous montre pas et qu’on doit calculer est la mesure absolue (réduction absolue du risque = RAR). On calcule la différence de risque (amplitude), on regarde si elle est cliniquement significative et on calcule le nombre de sujets à traiter (NST ou NNT). Un rapport de risque (= risk ratio = RR) est la fréquence de survenue de l’évènement dans le groupe traité (a/a+b) qui est multiplié par la fréquence de survenue de l’événement dans le groupe contrôle (c/c+d). Si RR ˂ 1, on a un effet favorable du traitement (RE+ ˂ RE-). Si RR ˃ 1, on a un effet défavorable d’E+ (RE+ ˃ RE-).

Un biais de confusion implique un facteur confondant qui perturbe la mesure de l’association entre une exposition et une maladie. Je pense qu’il y a un lien entre exposition et maladie mais je suis en confusions, car le facteur me montre une fausse image. Si on pense être en contact avec ce biais, on fait une stratification. On coupe l’échantillon en 2 groupes différents en prenant garde à ce que les sujets conservent les mêmes caractéristiques. Un biais de confusion peut aussi impliquer un effet modifiant. Pour savoir si on est face à un effet confondant ou à un effet modifiant, on calcule tout d’abord des mesures d’association dans chaque strate (homme/femme ; vieux/jeunes …). Si ces mesures d’association ne sont pas égales, si elles changent en fonction de la variable, il s’agit d’effet modifiant. Par contre, si elles sont égales, il faut calculer le RR/OR ajusté et le comparer au RR/OR brut. Si ces mesures sont différentes, il s’agit d’un effet confondant ; si elles sont identiques il n’y a aucun effet.

Il existe différents types de biais, il y a les biais de sélection, les biais d’information et les biais de confusion.

Pour le biais de sélection, on fait une erreur dans le processus de sélection de l’échantillon ; on compare de mauvais malade avec de mauvais non malade. Cette erreur se fait au moment de l’inclusion des unités lorsqu’on les sélectionne en relation avec leur statut en termes de maladie ou d’exposition à un facteur de risque. Par conséquent, on risque d’obtenir un biais dans la fréquence de la maladie et dans la fréquence de l’exposition qui apportera une différence entre ceux qui font partie de l’échantillon et la population d’étude. On peut faire un biais d’échantillonnage, un biais de constatation (admission (biais de Berkson) ou diagnostic) ou un biais de participation dû à un volontarisme, des non-réponses des sujets, des refus.

Un biais d’information est dû à une mesure incorrecte de l’exposition et/ou de l’effet. Même si j’ai un échantillon représentatif, je mesure mal l’échantillon dû à une mauvaise classification des sujets. L‘erreur de classification peut être différentielle, car elle affecte de façon différente les groupes à comparer ; ou non-différentielle, parce qu’elle affecte de la même manière les deux groupes à comparer. Il n’y a pas d’outil de mesure parfait ! On utilise la Sn et Sp. Les erreurs de mesure entrainent la classification erronée en ce qui concerne le facteur d’exposition ou de l’effet. Un biais d’information non-différentielle est une erreur systématique. Elle apporte une classification erronée du facteur d’exposition qui est égale entre le cas et le contrôle. Mais aussi une classification erronée de l’effet égale entre l’exposé et le non exposé. Dans ce cas-là, on sous-estime la mesure d’association, car on est plus proche de 1 que ça ne l’est dans la réalité. Un biais d’information différentielle est une erreur systématique qui apporte une classification erronée du facteur d’exposition différente entre le cas et le contrôle. Mais aussi une classification erronée de l’effet différente entre l‘exposé et le non exposé. Ici, on peut faire une sous- ou sur-estimation de la mesure d’association, parce qu’on peut être plus éloigné ou plus proche de 1 que ça ne l’est dans la réalité. Il existe 2 types principaux de biais d’information ; il y a le biais de rapportage (= de déclaration) ; on rencontre des biais de rappel et des biais de prévarication (les cas exagèrent ou diminuent leur exposition). Il y a aussi le biais d’observation ; on rencontre des biais d’interview et des biais de suivi.

Un biais peut être en faveur de l’hypothèse nulle (s’il n’y a pas de différence entre les exposés et les non-exposés -> RR = 1) ou en faveur de l’hypothèse alternative (Ha) (il y a une différence >1 ou <1 entre les exposés et les non-exposés). Un biais peut être introduit à tous les stades de l’étude ce qui apporte une préoccupation constante pour la recherche et la lecture critique de la littérature scientifique.

Pour conclure qu’une hypothèse est vraie (H1), on cherche à montrer que son contraire (H0) est fausse. Les tests d’hypothèses mesurent la probabilité que les différences observées entre groupes sont dues au seul hasard et pas à de vraies différences. Tout d’abord, on formule une hypothèse de nullité (H0) selon laquelle les différences observées sont explicables par le seul hasard (H0 est l’inverse de H1). Ensuite, on calcule la probabilité que les différences observées sont compatibles avec H0. Enfin, on prend une décision afin de savoir si H0 sera gardée ou rejetée.

L’erreur α (erreur de type I) conclue à tort qu’une différence existe alors qu’elle n’existe pas dans la réalité. Il est probable que les modifications d’échantillonnage expliquent à elles seules l’erreur α. Comme le fait de prendre un échantillon non représentatif. Mais elle peut aussi être dû à une mauvaise interprétation de la p-value. Si p-value est inférieur au seuil fixé, l’H0 est rejetée. Par convention, le seuil est de 5%, ce qui signifie qu’on accepte 5% d’erreurs dû au manque de précision. On peut aussi faire une probabilité complémentaire (=confiance) qui vaut 1 – α.

Les études expérimentales (d’intervention) sont utilisées pour tester l’efficacité d’un médicament, d’une intervention. Les études de cohorte nous permettent de tester des hypothèses causales. Les études de cas-témoins servent à formuler des hypothèses étiologiques. On ne peut pas mesurer une prévalence. Une étude cas-témoin est une étude rétrospective ; elle nous permet seulement d’émettre des hypothèses. Les études transversales qu’on appelle aussi « cross-sectional » sont utilisées pour mesurer la dimension d’un problème, mesurer une prévalence. L’étude parfaite n’existe pas ! Tous ces différents types d’études sont complémentaires.

Le 1er grand type d’étude est l’étude d’intervention (=expérimentale). Le chercheur intervient dans l’histoire naturelle de la maladie. Puis, il expose les sujets à un facteur d’exposition censé avoir un effet favorable (procédure diagnostique, médicament, intervention à visée préventive…). Le chercheur doit absolument avoir un respect éthique ; il ne peut pas exposer ses sujets à une substance toxique, au froid, à la faim, au chômage.

Le 2e grand type d’étude est l’étude d’observation. Dans ce cas, le chercheur n’intervient pas dans l’histoire naturelle de la maladie, de l’évènement étudié. Il laisse le champ libre à la nature. Il observe, effectue et analyse des mesures. Il existe 2 types d’études d’observation ; l’étude étiologiques (= analytique) vise à expliquer comment un facteur d’exposition produit un effet. Cette étude est aussi divisée en 2 catégories : l’étude de cohorte et l’étude castémoin. Le 2e type d’étude d’observation est l’étude descriptive qui vise à décrire un problème de santé dans une population. L’étude descriptive est la 1ere étape de toute investigation épidémiologique.

En résumé, les études épidémiologiques comportent 2 grands types d’études : l’étude d’observation et l’étude d’intervention (randomisée ou non) Dans l’étude d’observation, on collecte des données individuelles ; ces données sont soit descriptives soit analytique (=étiologique). L’étude descriptive permet de faire une étude de cohorte ou une étude transversale avec laquelle on peut faire une étude de prévalence. L’étude analytique fait un lien entre un facteur d’exposition et l’apparition de la maladie. Dans ce cas, on peut faire une étude de cohorte et une étude de cas-témoin.

A un moment donné, on collecte des données dans une population. Quand on s’occupe d’une population statique, on procède à une étude transversale. Evidemment, prendre les données de prévalence des sujets demande beaucoup de temps mais comme on le fait qu’une seule fois, on parle d’étude transversale.

Il y a 2 sortes de population dynamique, Pour la population fermée, on étudie l’échantillon et on le suit pendant un certain temps. On mesure des données d’incidences plusieurs fois chez les mêmes sujets, on fait une étude longitudinale. Pour la population ouverte, on utilise différent temps pour la cohorte.

Au départ, on identifie un facteur d’exposition. On part de celui-ci. On fait une surveillance de la population tout en allant dans le sens de la causalité. On va vers un nouveau cas ; on identifie la survenue de l’effet (étude prospective). On fait des critères important de la présomption causale. Une fois l’effet identifié, on part à rebours de la causalité afin de récolter des infos sur le facteur d’exposition (étude rétrospective). ! Une collecte de données rétrospective est différente de la prospective.

Selon la définition de la population, il y a 2 étapes de sélection des sujets. Tout d’abord, on fait une restriction. Cette restriction permet de définir la population type ; elle s’intéresse à un groupe spécifique de la population. Puis, on fait l’échantillonnage qui permet d’extraire un échantillon de la population sur lequel l’étude sera réalisée.

Tout d’abord, on définit à quel groupe on s’intéresse afin de faire une restriction de la population selon des critères d’éligibilité. Si tous les sujets de l’univers de l’étude sont éligibles, alors la restriction est nulle vu que dans cette condition, il suffit de procéder à un tirage de l’échantillon de la population générale. Pour avoir une restriction complète, il faut prendre que les sujets qui satisferont à un ensemble uniformes de critères d’éligibilité. Si on choisit de faire une procédure d’appariement, on doit choisir des sujets qui sont les plus similaires possibles des personnes étudiées, du groupe index. Si les personnes étudiées sont malades, il faut que l’autre groupe ne le soit pas.

Une fois qu’on ait notre population-cible, on fait une base de sondage qui comprend seulement les personnes qu’on peut sélectionner dans l’échantillon. A ce moment, on a l’échantillon aléatoire qui peut être simple, systématique, stratifié ou en grappes. A partir de l’échantillon, on peut émettre des conclusions sur la base de données ; on fait une inférence statistique mais il faut faire attention au biais de sélection. On peut aussi faire une inférence épidémiologique, c’est-à-dire qu’on émet des conclusions sur la population-cible à partir de l’échantillon.

Les mesures de fréquence me permettent de décrire une maladie en se posant les questions suivantes : Quoi ? Qui ? Quand ? Où ? L’objectif est d’étudier la fréquence et la répartition des problèmes de santé dans une population.

La prévalence mesure la fréquence d’un état déterminé à un moment donné. Elle mesure aussi la présence de la maladie dans une population. C’est une mesure transversale ; elle fournit l’information sur la situation au moment de la mesure.

L’incidence (TI ou IC) mesure la fréquence du changement d’état au cours d’une période de temps déterminée. Elle mesure aussi l’apparition de la maladie dans une population. C’est une mesure longitudinale ; elle prend en compte la dimension temporelle.

On illustre une validité par Sn et Sp. Un évènement est basé sur des critères, des normes et des instruments de mesure. Pour la population, on s’intéresse à la taille de l’échantillon et à obtenir l’échantillon le plus représentatif de cette population.

Évènement Une population (X une période)