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.