La présentation est en train de télécharger. S'il vous plaît, attendez

La présentation est en train de télécharger. S'il vous plaît, attendez

Février 2010Paul-Marie Bernard Université Laval 1 Confondance 1.Définition 2.Conditions 3.Schéma 4.Mesures affectées 5.Randomisation et confondance 6.Deux.

Présentations similaires


Présentation au sujet: "Février 2010Paul-Marie Bernard Université Laval 1 Confondance 1.Définition 2.Conditions 3.Schéma 4.Mesures affectées 5.Randomisation et confondance 6.Deux."— Transcription de la présentation:

1 Février 2010Paul-Marie Bernard Université Laval 1 Confondance 1.Définition 2.Conditions 3.Schéma 4.Mesures affectées 5.Randomisation et confondance 6.Deux exemples numériques

2 Février 2010Paul-Marie Bernard Université Laval 2 1. Définition de la confondance Le problème de confondance (ou confusion) réfère à la présence dun tiers facteur F qui perturbe lassociation entre un facteur X et la réponse Y. Le facteur F est dit facteur confondant ou variable confondante

3 Février 2010Paul-Marie Bernard Université Laval 3 2. Conditions de la confondance Pour quune variable F soit confondante, deux conditions: A)F est un facteur de risque de Y: F Y B)F est associé à X, dans les données, de façon concomitante (F X) ou comme facteur de risque (F X)

4 Février 2010Paul-Marie Bernard Université Laval Biais de confondance Si les deux conditions décrites précédemment, A) et B), prévalent dans les données, alors leffet de F se confond avec celui de X, en laugmentant ou le diminuant. Cest le biais de confondance ou de confusion. À linverse, si lune des conditions manque, alors il ny a pas de confusion

5 Février 2010Paul-Marie Bernard Université Laval 5 3. Schéma illustrant les associations X ? Y F

6 Février 2010Paul-Marie Bernard Université Laval 6 4. Mesures affectées Ce problème peut affecter toutes mesures dassociation issues dune comparaison, suivant des conditions particulières pour chacune: –une différence de moyennes –une différence de proportions (DR) –un rapport de proportions (RR) –un rapport de cotes (RC) –autre Le biais peut causer soit une surestimation ou une sous-estimation de la mesure. Il peut même induire une association là où il ny en a pas.

7 Février 2010Paul-Marie Bernard Université Laval 7 Exemple numérique 1 Dans une étude clinique (non randomisée), pour évaluer leffet dun traitement (T) sur la maladie M, on compare un groupe de patients traités par T à un groupe de patients traités par une approche standard (S). Tous les sujets enrôlés dans létude ont la maladie M. Les traitements ont été appliqués suivant lune ou lautre des approches thérapeutiques. La comparaison est faite quant aux pourcentages de patients guéris de M (voir tableau de simulation ci-après).

8 Février 2010Paul-Marie Bernard Université Laval 8 Exemple 1… (suite) Or, on sait que lâge (AGE) est un facteur lié à la guérison: la probabilité de guérison de M diminue avec lâge. Par ailleurs, lon se rend compte que les patients traités par T sont plus jeunes que ceux traités par S.

9 Février 2010Paul-Marie Bernard Université Laval 9 Exemple 1 … (suite) Le RR calculé dans les données sans tenir compte de lâge, sera une mesure biaisée. Il apparaîtra plus fort quil ne lest en réalité. Le RR total sera une mesure biaisée.

10 Février 2010Paul-Marie Bernard Université Laval 10 Exemple 1… (suite) Dans le tableau de la simulation numérique qui suit, si on désigne par T G et S G les proportions de patients guéris respectivement dans les groupes T et S, alors le RR peut être calculé comme RR=T G /S G. Sur la strate des patients jeunes (AGE=1), RR = (70/80)/(10/40) = (70 40) (80 10) = 3,5. Les tableaux ombrés réfèrent aux structures des données tenant compte de la variable AGE. Le tableau total réfère aux résultats qui ne tiennent pas compte de lAGE.

11 Février 2010Paul-Marie Bernard Université Laval 11 Exemple 1 … (suite) StratesRésultatTSTotalMesures AGE=1 G RR=3,5 M Total AGE=2 G RR=3,0 M Total Total G RR=4 M Total

12 Février 2010Paul-Marie Bernard Université Laval 12 Exemple 1… (suite) Dans une situation de non confondance, le RR total devrait être compris entre 3 et 3,5. Or il est de 4, donc plus fort quil ne devrait être. LAGE non contrôlé a induit ce biais. Dans cet exemple, il est moins évident que les mesures DR et RC soient biaisées. Nous en suggérons un deuxième où les trois mesures (DR, RR et RC) sont à lévidence biaisées.

13 Février 2010Paul-Marie Bernard Université Laval 13 Exemple 2 Simulation numérique X=1X=0Total F=1 Y= DR=0,10RR=2RC=2,25 Y= Total F=2 Y= DR=0,10RR=4/3RC=1,56 Y= Total Total Y= DR=0,22 RR=2,57 RC=3,46 Y= Total

14 Février 2010Paul-Marie Bernard Université Laval 14 Exemple 2 (suite) Dans lexemple précédent, la valeur 0 des variables X et Y constitue la référence. Si on ne se préoccupe pas du facteur F dans la comparaison des groupes, on mesurera –un RR de 2,57 alors quil doit se situer quelque part entre 1,33 et 2, (1,33 < RR < 2) –un DR de 0,22 alors quil est de 0,10 –Un RC de 3,46 alors quil doit se situer quelque part entre 1,56 et 2,25, (1,56 < RC < 2,25)

15 Février 2010Paul-Marie Bernard Université Laval Randomisation et confondance Dans les essais thérapeutiques, la randomisation a comme raison principale le contrôle des facteurs confondants. Elle permet un bon équilibrage entre les groupes pour les tiers facteurs qui ont un potentiel confondant. –Si les tailles déchantillons sont élevées, la randomisation simple suffit –Si les tailles déchantillons sont faibles, on peut utiliser la randomisation par bloc. (Voir Randomisation)

16 Février 2010Paul-Marie Bernard Université Laval 16 Références Bernard PM, Lapointe C. Mesures statistiques en épidémiologie. PUQ, 2003.

17 Février 2010Paul-Marie Bernard Université Laval 17 Pour me joindre au sujet de ce module Paul-Marie Bernard


Télécharger ppt "Février 2010Paul-Marie Bernard Université Laval 1 Confondance 1.Définition 2.Conditions 3.Schéma 4.Mesures affectées 5.Randomisation et confondance 6.Deux."

Présentations similaires


Annonces Google