Vous êtes sur la page 1sur 70

CONFUSION MODIFICATION D’EFFET INTERACTION

Une vision commune ???

Alain Levêque, atelier « méthodo » mars 2005

LA CONFUSION EN EPIDEMIOLOGIE

LA CONFUSION EN EPIDEMIOLOGIE Consommation de café Cancer du pancréas Constat d’une association : par exemple

Consommation de café

LA CONFUSION EN EPIDEMIOLOGIE Consommation de café Cancer du pancréas Constat d’une association : par exemple
LA CONFUSION EN EPIDEMIOLOGIE Consommation de café Cancer du pancréas Constat d’une association : par exemple
LA CONFUSION EN EPIDEMIOLOGIE Consommation de café Cancer du pancréas Constat d’une association : par exemple
LA CONFUSION EN EPIDEMIOLOGIE Consommation de café Cancer du pancréas Constat d’une association : par exemple

Cancer du pancréas

Constat d’une association : par exemple RR = 2,1 [1,6-2,6]

Tenté de transformer l’association en relation causale !!

LA CONFUSION EN EPIDEMIOLOGIE

effets d’autres Facteurs ? ?
effets d’autres
Facteurs
? ?

Consommation de café

Cancer du pancréas

LA CONFUSION EN EPIDEMIOLOGIE

TABAGISME ??
TABAGISME ??

Consommation de café

Cancer du pancréas

Conditions pour parler dun effet confondant possible ?

Le facteur X est un facteur de risque connu de la maladie étudiée, indépendamment du facteur A

Consommation A

de café

Cancer du pancréas

du facteur A Consommation A de café Cancer du pancréas TABAGISME X Mars 2005 AL atelier
du facteur A Consommation A de café Cancer du pancréas TABAGISME X Mars 2005 AL atelier
TABAGISME X
TABAGISME
X

Conditions pour parler dun effet confondant possible ?

Le facteur X est associé à A

Consommation A

de café

Cancer du pancréas

associé à A Consommation A de café Cancer du pancréas TABAGISME X Mars 2005 AL atelier
associé à A Consommation A de café Cancer du pancréas TABAGISME X Mars 2005 AL atelier
TABAGISME X
TABAGISME
X

Conditions pour parler dun effet confondant possible ?

Le facteur X n’est pas une conséquence de A

Consommation A TABAGISME X de café
Consommation A
TABAGISME
X
de café

Cancer du pancréas

LA CONFUSION EN EPIDEMIOLOGIE

LA CONFUSION EN EPIDEMIOLOGIE Consommation Cancer du Cancer du Constat d’une association : par exemple RR
LA CONFUSION EN EPIDEMIOLOGIE Consommation Cancer du Cancer du Constat d’une association : par exemple RR

Consommation

LA CONFUSION EN EPIDEMIOLOGIE Consommation Cancer du Cancer du Constat d’une association : par exemple RR
LA CONFUSION EN EPIDEMIOLOGIE Consommation Cancer du Cancer du Constat d’une association : par exemple RR
LA CONFUSION EN EPIDEMIOLOGIE Consommation Cancer du Cancer du Constat d’une association : par exemple RR
LA CONFUSION EN EPIDEMIOLOGIE Consommation Cancer du Cancer du Constat d’une association : par exemple RR

Cancer du Cancer du

Constat d’une association : par exemple RR = 2,1 [1,6-2,6]

Soit il existe une vrai relation causale

Soit la relation constatée est en réalité due en TOUT ou PARTIEPARTIE auau tabagismetabagisme

Exemple

de Down »

(Rothman, Epidemiology. An Introduction, 2002)

ORDRE

ORDRE Synd.DOWN
ORDRE Synd.DOWN

Synd.DOWN

MarsMars 20052005 ALAL atelier "méthodo" 10

Exemple

dede DownDown »»

(Rothman,(Rothman, Epidemiology.Epidemiology. AnAn Introduction,Introduction, 2002)2002)

AnAn Introduction,Introduction, 2002)2002) ?? AgeAge dede lala mèremère Mars 2005 AL atelier
AnAn Introduction,Introduction, 2002)2002) ?? AgeAge dede lala mèremère Mars 2005 AL atelier
??
??
AgeAge dede lala mèremère
AgeAge dede lala mèremère
MarsMars 20052005 ALAL atelier "méthodo" 12

Exemple

Relation entre « ordre de naissance » et «syndrome

ORDRE

ORDRE Synd.DOWN
ORDRE Synd.DOWN

Synd.DOWN

!!
!!

ORDRE

Synd.DOWN

« ordre de naissance » et «syndrome ORDRE Synd.DOWN !! ORDRE Synd.DOWN Mars 2005 AL atelier
Mars 2005 AL atelier "méthodo" 14

Exemple : étude cas-témoins non appariée (Gordis,

Epidemiology,2000)

Cas Témoi ns Expos 30 18 48 és Non 70 82 152 expos és Association
Cas
Témoi
ns
Expos
30
18
48
és
Non
70
82
152
expos
és
Association causale ?
100
100
200
OR = 1.95
Effet confondant
de l’âge ??

Exemple : étude cas-témoins non appariée (Gordis,

Epidemiology,2000)

AGE

AGE
AGE ?
AGE ?
AGE ?

?

AGE ?
AGE ?
non appariée (Gordis, Epidemiology,2000) AGE ? MALADIE   Cas Témoi   ns < 40 A

MALADIE

 

Cas

Témoi

 

ns

< 40 A

50

80

130

>=40

50

20

70

A

 

100

100

200

Il y a une association entre AGE et MALADIE, indépendamment de l’exposition

Exemple : étude cas-témoins non appariée (Gordis,

Epidemiology,2000)

AGE ?
AGE
?
non appariée (Gordis, Epidemiology,2000) AGE ? EXPOSITION   Expo Non % sé exposé

EXPOSITION

 

Expo

Non

%

exposé

expositi

on

 

< 40 A

13

117

10

>=40

35

35

50

A

 

48

152

 
       

Il y a une différence dans la distribution des AGES dans les deux catégories d’exposition !!

Exemple : étude cas-témoins non appariée (Gordis,

Epidemiology,2000)

EXPOSITION
EXPOSITION
non appariée (Gordis, Epidemiology,2000) EXPOSITION AGE MALADIE L’AGE n’est évidemment pas une conséquence

AGE

AGE
AGE
AGE
non appariée (Gordis, Epidemiology,2000) EXPOSITION AGE MALADIE L’AGE n’est évidemment pas une conséquence de

MALADIE

L’AGE n’est évidemment pas une conséquence de l’exposition

Méthodes pour limiter la confusion:

Lors de la préparation de l étude :

randomisation – la restriction – l ’appariement

Lors de l analyse :

analyse stratifiée – analyse multivariée

Lors de la préparation de l étude RANDOMISATION

N est possible que dans les études expérimentales • Est le scénario de choix • Réparti aléatoirement les différences (donc les variables confondantes connues et inconnues) • Si n petit, contrôle des biais de confusion moins bon :

compléter par la restriction – Tenir compte lors de l’analyse

Lors de la préparation de l étude

RESTRICTION

on restreint les critères d admissibilité des sujets dans l étude (exemple: à un groupe d âge où l incidence du problème est assez constante,

)

Annule l’effet de confusion de la variable qui a été « artificiellement » éliminée

Inconvénients : cette technique … – limite la taille de la population éligible – Rend plus difficile la construction de l’échantillon

!!! la catégorie retenue peut encore présenter une certaine hétérogénéité !!! (exemple: âge)

!!! La variable qui a fait l’objet de la restriction ne peut plus être prise en compte dans l’analyse

atelier "méthodo"

Mars 2005 AL

21

Lors de la préparation de l étude APPARIEMENT INDIVIDUEL

L’objectif est d’avoir une répartition identique des facteurs de confusion dans les groupes étudiés • Inconvénients :

Difficulté de trouver les personnes pour l’appariement individuel – Difficile dans les études autres que cas-témoins – Réserve émise par Rothman pour le matching dans les études cas-témoins (case-control matching

induces bias. Modern Epidemiology, p151)

Mars 2005 AL

atelier "méthodo"

Impossibilité de prendre en compte dans l’analyse,

22

Lors de lANALYSE :

ANALYSE STRATIFIEE

on contrôle la confusion en évaluant l ’association dans les catégories ou les classes de la variable potentiellement confondante …

Exemple : étude cas-témoins non appariée (Gordis, Epidemiology,2000)

< de 40 ans Cas Témoi ns OR = 1.0 Expos 5 8 13 és
< de 40 ans
Cas
Témoi
ns
OR = 1.0
Expos
5
8
13
és
Non
45
72
127
expos
és
>= de 40 ans
Cas
50
Témoi
80
130
OR = 1.0
ns
Expos
25
10
35
és
Non
25
10
35
expos
és
La seule explication du
les
1.95 est la répartition différente de l’âge dans
50
20
70
catégories CAS-TEMOINS
Mars 2005 AL atelier "méthodo" 25
Mars 2005 AL atelier "méthodo" 26

ANALYSE STRATIFIEE

Permet une analyse de la relation « de base » au sein de chaque strate – Permet de tirer des conclusions au sein de chaque strate

Cette analyse stratifiée est réalisée sous l’hypothèse que, à l’intérieur des strates, il n’y a pas de grande variabilité !!

Sexe, groupe sanguin, … : OK

Age, … : il peut rester une variabilité au sein de la strate (residual confounding) ; D’autant plus importante que nombre de strate est faible. D’autant plus importante que strates « ouvertes »

ANALYSE STRATIFIEE

Chercheurs ont souvent la volonté de « résumer » la relation étudiée, en

prenant en compte l’effet de la variable confondante

2 méthodes :

Pooling • standardisation

ANALYSE STRATIFIEE

Pooling : Calcul d’un estimateur pondéré

Nécessite une assomption : l’effet de la variable confondante est « constant » au travers des strates !! • On fait une « moyenne pondérée » des effets, c’est-à-dire prenant en compte le poids de chaque strate

Si assomption n’est pas respectée, possibilité de faire une

RR

, OR MH , …(approche développée par Mantel-

standardisation

MH

Haenszel)

RD MH = 0.035 = 3.5%
RD MH = 0.035 = 3.5%
RR MH = 1.33
RR MH = 1.33
1 è r e question : 1.81 ≠ 1.19 ???? Mars 2005 AL atelier "méthodo"

1 ère question :

1.81 1.19 ????

1 ère question :

1.81 1.19 ????

Tester l’homogénéité des mesures de chaque strate ( χ² de Wald) H0 : RR 1
Tester l’homogénéité des mesures de chaque strate ( χ² de Wald)
H0 : RR 1 = RR 2 = RR 3 = RR 4
(RR population)
Ha : au moins un RR d’une strate ≠
Apprécier par l’observation des I de C : chevauchement ou non
chevauchement : il y a homogénéité des mesures dans les
strates
pas de chevauchement pour au moins une strate : hétérogénéité !!
Pas de pooling

1 ère question :

1.81 1.19 ????

Tester l’homogénéité des mesures de chaque strate ( χ² de Wald) H0 : RR 1
Tester l’homogénéité des mesures de chaque strate ( χ² de Wald)
H0 : RR 1 = RR 2 = RR 3 = RR 4
(RR population)
Ha : au moins un RR d’une strate ≠
Apprécier par l’observation des I de C : chevauchement ou non
chevauchement : il y a homogénéité des mesures dans les
strates
pas de chevauchement pour au moins une strate : hétérogénéité !!
Pooling
RR MH =1.33
RR MH = 1.33 1 ère question : 1.81 ≠ 1.19 ???? 2 ère question
RR MH = 1.33
1 ère question :
1.81 ≠ 1.19 ????
2 ère question :
1.33 ≠ 1.44 ????
2 ère question : 1.33 ≠ 1.44 ???? Utiliser la mesure poolée ? Utiliser la
2 ère question :
1.33 ≠ 1.44 ????
Utiliser la mesure poolée ?
Utiliser la mesure brute ?

Pas de TOUT ou RIEN

Différence > 15-20% = confusion mesure poolée

Différence < 15-20% : pas de confusion mesure brute

Autre méthode : observation des données et des conséquences de la décision…

Autre méthode : ???

ANALYSE STRATIFIEE

Chercheurs ont souvent la volonté de « résumer » la relation étudiée, en

prenant en compte l’effet de la variable confondante

2 méthodes :

Pooling

•   standardisation
•   standardisation
Standardisation: •   Alternative pour obtenir une mesure d’effet « résumée » •   Ne
Standardisation:
•   Alternative pour obtenir une mesure d’effet
« résumée »
•   Ne nécessite pas l’assomption d’homogénéité au
sein des strates
•   Choix d’une population standard avec une
distribution connue de la variable confondante
(âge par exemple)
•   Application des mesures d’effet observées dans
l’étude, sur la population standard
•   Approche très utilisée en démographie
•   Les plus classiques : standardisation pour l’âge
–   Standardisation directe
–   Standardisation indirecte

atelier "méthodo"

Mars 2005 AL

38

ANALYSE STRATIFIEE

Pour 2 ou plus de 2 variables :

ANALYSE STRATIFIEE Pour 2 ou plus de 2 variables : mêmes principes mais….difficultés liées au nombre

mêmes principes mais….difficultés liées au nombre de strates

n / strate petit !!

Age (5 cat) ET sexe (2 cat) : 10 strates • 5 variables en 3 catégories : 243 strates

Analyse stratifiée n’est pas une méthode pratique pour contrôler plusieurs facteurs confondants en même temps.

ANALYSE MULTIVARIEE

prise en compte simultanée de variables multiples pour une modélisation et un calcul de mesures pondérées.

Nevertheless, stratified analysis is preferable and should always be the method of choice to control confounding… Nevertheless, stratification is the preferred approach, at least as the initial approach to data analysis. (Rothman, 2002.)

Avec l’analyse stratifiée, le chercheur (ET LE LECTEUR d’un article) visualise la distribution des sujets (exposition, maladie, confondant). Des « distributions particulières » apparaissent d’emblée. Ce qui n’est pas le cas en analyse multivariée

Mars 2005 AL

atelier "méthodo"

Pour l’analyse stratifiée, il y a des assomptions

l

é i

éd

i

i

d

é

l

40

Modification d’effet - Interaction

Les mécanismes causaux sont complexes !!!!! • Certaines causes n’ont d’effets que sous certaines conditions !!

Mars 2005 AL

Parmi les GROS FUMEURS….seulement 1 sur 10 développera un cancer des poumons • Donc si on accepte qu’il y a une relation causale entre TABAC et CANCER, cela signifie que les « causes complémentaires » qui agissent également sur le cancer des poumons joueront leur rôle causal

sur le cancer des poumons joueront leur rôle causal seulement chez 10% des gros fumeurs. Intérêt

seulement chez 10% des gros fumeurs.

Intérêt majeur pour « l’INTERACTION » en

épidémiologie !!!!!!!

Ces autres causes « interagissent » avec la fumée de cigarette.

atelier "méthodo"

41

Modification d’effet - Interaction

Intérêt n’est pas seulement « ACADEMIQUE » Implications importantes de SANTE PUBLIQUE : identification de sous groupes, de situations particulières, … pour lesquels les interactions sont constatées.

Influenza : complications importantes surtout pour les plus jeunes, les personnes âgées, les personnes cardiaques et pulmonaires – Aspirine pdt épisode grippal : « jamais plus jamais » ?!

atelier "méthodo"

Mars 2005 AL

42

Interaction avec AGE et développement possible

Modification d’effet - Interaction

Termes utilisés différemment en EPIDEMIOLOGIE et en STATISTIQUE

STATISTIQUE :

terme utilisé dans les modèles statistiques • Nombreux modèles …et donc il n’y a pas un « sens unique » au terme interaction statistique

EPIDEMIOLOGIE : fait référence au fait qu’une mesure d’un effet (association, …) change selon les valeurs d’autres variables

Modification d’effet – modification de la mesure d’effet

atelier "méthodo"
atelier "méthodo"

Mars 2005 AL

44

modification d’effet – modification de la mesure d’effet ???

One cannot speak in general terms about the presence or absence of effect modification, any more than one can speak in general terms about the presence or absence of clouds in the sky, without being more specific as to the details. For clouds in the sky, the details would include the geographic area, the time, and perhaps what is meant by a cloud. In the case of effect- measure modification the details are in

Mars 2005 AL

atelier "méthodo"

45

Différence des risques : Non fumeurs : 5 – 1 = 4 / 100.000 Fumeurs

Différence des risques :

Non fumeurs : 5 – 1 = 4 / 100.000

Fumeurs : 50 – 10 = 40 / 100.000

Rapport des risques :

Non fumeurs : 5/1 = 5

Fumeurs : 50/10 = 5

10 x : Tabac modifie l’effet de l’ASBESTE Tabac NE modifie PAS l’effet de l’ASBESTE
10 x : Tabac modifie l’effet de
l’ASBESTE
Tabac NE modifie PAS
l’effet de l’ASBESTE
TABAC = modificateur d’effet ????
Dépend de la mesure utilisée

Modification d’effet - Interaction

Cette ambiguïté va se retrouver lorsque l’on aborde le CONCEPT même de l’INTERACTION :

Interaction : « When the incidence rate of disease in the presence of two or more risk factors differs from the incidence rate expected to result from their individual effects » (Mac Mahon)

Effet plus grand qu’attendu : interaction positive

Mais la question est :

Qu’est-ce qu’on attend comme résultat des effets

individuels ???

(synergisme)

Effet plus faible qu’attendu: interaction négative

(antagonisme)

Modification d’effet - Interaction

Facteur B

Facteur B

Facteur B

Taux d’incidence pour groupes exposés à 0, 1 ou 2 facteurs de risque Facteur A

-

+

-

+

3.0

9.0

15.0

Groupes exposés à 0, 1 ou 2 facteurs de risque : MODELE ADDITIF

Taux d’incidence

Facteur A

-

+

9.0

- 3.0

+ 15.0

21.0

Risques attribuables

-

+

Facteur A

-

+

0

6

12

18

Modification d’effet - Interaction

Facteur B

Facteur B

Facteur B

Taux d’incidence pour groupes exposés à 0, 1 ou 2 facteurs de risque Facteur A

-

+

-

+

3.0

9.0

15.0

Groupes exposés à 0, 1 ou 2 facteurs de risque : MODELE MULTIPLICATIF

Taux d’incidence

Facteur A

-

+

9.0

- 3.0

+ 15.0

45.0

Risques Relatifs

-

+

Facteur A

-

+

1

3

5

15

Modification d’effet - Interaction

Interaction : « When the incidence rate of disease in the presence of two or more risk factors differs from the incidence rate expected

more risk factors differs from the incidence rate expected Mais la question est : Qu’est-ce qu’on

Mais la question est :

Qu’est-ce qu’on attend comme résultat ???

Modèle additif ??

Modèle multiplicatif ??

to result from their individual effects » (Mac

Mahon)

Incidence = 21

Compatible avec modèle additif

(Mac Mahon) Incidence = 21 Compatible avec modèle additif Incidence = 30 ? > Modèle additif

Incidence = 30

?
?

> Modèle additif ; < modèle multiplicatif

= 30 ? > Modèle additif ; < modèle multiplicatif Incidence = 45 Compatible avec modèle

Incidence = 45

Compatible avec modèle multiplicatif

Incidence = 45 Compatible avec modèle multiplicatif Incidence = 60 Présence d’une interaction Mars 2005 AL

Incidence = 60

= 45 Compatible avec modèle multiplicatif Incidence = 60 Présence d’une interaction Mars 2005 AL atelier

Présence d’une interaction

Modification d’effet - Interaction

Incidence = 30

?
?

> Modèle additif ; < modèle multiplicatif

= 30 ? > Modèle additif ; < modèle multiplicatif Est-ce plus que ce que nous

Est-ce plus que ce que nous attendons des effets indépendants des deux facteurs ??

???
???

Réponse difficile sans informations complémentaires sur les mécanismes physiopathologiques et donc sur les mécanismes pouvant expliquer le « mode opératoire » de cette possible interaction

Modification d’effet - Interaction

Nombreux épidémiologistes :
Nombreux épidémiologistes :

tout effet SUPERIEUR à ce qu’attendu dans un modèle ADDITIF = INTERACTION POSITIVE (synergisme)

MAIS

Opinion le plus souvent basée sur des considérations STATISTIQUES

ALORS QUE :

Validité du modèle doit idéalement reposer sur des connaissances biologiques

Cohort study, 17.800 travailleurs exposés à l’asbeste, 73800 non exposés

travailleurs exposés à l’asbeste, 73800 non exposés Proche d’un modèle multiplicatif ; suggère fortement une
travailleurs exposés à l’asbeste, 73800 non exposés Proche d’un modèle multiplicatif ; suggère fortement une

Proche d’un modèle multiplicatif ; suggère fortement une interaction positive entre les deux FdR

Si relation de type « additive » entre ASBESTE et TABAC : on attendrait une incidence en présence des deux facteurs de risque :

58,4 + 122,6 – 11,3 = 169,7

en présence des deux facteurs de risque : 58,4 + 122,6 – 11,3 = 169,7 Mars
supérieur à effet multiplicatif  interaction Si relation de type « multiplicative » entre ALCOOL

supérieur à effet

multiplicatif interaction

supérieur à effet multiplicatif  interaction Si relation de type « multiplicative » entre ALCOOL et

Si relation de type « multiplicative » entre ALCOOL et TABAC : on attendrait une incidence en présence des deux facteurs de risque :

une incidence en présence des deux facteurs de risque : 1.53 x 1.23 = 1.88 Mars

1.53 x 1.23 = 1.88

15,5 > (2.43 x 2.33) Interaction Mars 2005 AL atelier "méthodo" 55
15,5 > (2.43 x 2.33) Interaction Mars 2005 AL atelier "méthodo" 55
15,5 > (2.43 x 2.33) Interaction Mars 2005 AL atelier "méthodo" 55
15,5 > (2.43 x 2.33) Interaction Mars 2005 AL atelier "méthodo" 55
15,5 > (2.43 x 2.33) Interaction Mars 2005 AL atelier "méthodo" 55

15,5 > (2.43 x 2.33)

Interaction

4.46 > (1.60 x 1.43) Interaction
4.46 > (1.60 x 1.43)
Interaction

Très différents de 15,5

Modification d’effet - Interaction

Cette ambiguïté va se retrouver lorsque l’on aborde le concept de l’interaction au sens STATISTIQUE

Modèles statistiques utilisés fréquemment

interaction

Modèles statistiques utilisés fréquemment interaction en épidémiologie Pas d’interaction –   Basés sur

en épidémiologie

Pas d’interaction
Pas d’interaction

Pas d’interaction

Pas d’interaction

Basés sur l’addition des effets :

–   Basés sur l’ addition des effets : •   Ex: régression linéaire simple –

Ex: régression linéaire simple

Basés

sur la multiplication des effets relatifs

•   Ex: régression logistique atelier "méthodo"
•   Ex: régression logistique
atelier "méthodo"

Mars 2005 AL

57

ambiguité

Modification de mesure d’effet Interaction statistique Les deux dépendent de « choix arbitraires » Interaction
Modification
de mesure d’effet
Interaction statistique
Les deux dépendent de « choix arbitraires »
Interaction biologique
Interaction statistique
Mécanisme d’interaction :
Existe OU n’existe pas
Ne dépend pas du choix du
modèle statistique ou de la
mesure d’effet !!!!
Interaction biologique Interaction statistique Importance de spécifier de quoi on parle !! Définition de
Interaction biologique
Interaction statistique
Importance de
spécifier de quoi on parle !!
Définition de l’interaction
biologique : mécanisme
Revoir les méthodes
statistiques
causal….Voir par exemple
Rothman, 2002.

tout effet SUPERIEUR à ce qu’attendu dans un modèle ADDITIF = INTERACTION POSITIVE (synergisme)

dans un modèle ADDITIF = INTERACTION POSITIVE (synergisme) Découper l’effet observé en présence des 2 FdR

Découper l’effet observé en présence des 2 FdR (13.6) en 4 parts :

« bruit de fond » (non CO, non HTA) = 1.0

Effet CO chez non HTA : 3.1-1.0 = 2.1

Effet HTA chez non CO : 6.9 – 1.0 = 5.9

Effet conjoint HTA et CO : 1.0 + 2.1 + 5.9 = 9

13.6 – 9 = 4.6 Part attribuable des deux causes
13.6 – 9 = 4.6
Part attribuable
des deux causes

4.6 / 13.6 = 34%

à l’interaction

13.6 – 9 = 4.6 4.6 / 13.6 = 34% 34% attribuable à l’interaction entre
13.6 – 9 = 4.6 4.6 / 13.6 = 34% 34% attribuable à l’interaction entre
13.6 – 9 = 4.6

13.6 – 9 = 4.6

13.6 – 9 = 4.6
13.6 – 9 = 4.6

4.6 / 13.6 = 34%

34% attribuable à l’interaction entre les deux causes !!

Approche statistique : modèle régression logistique (multiplicatif)

statistique : modèle régression logistique (multiplicatif) •   effet attendu chez CO et HTA : 3.1
statistique : modèle régression logistique (multiplicatif) •   effet attendu chez CO et HTA : 3.1

effet attendu chez CO et HTA : 3.1 x 6.9 = 21.4

Interaction !

Mars 2005 AL

Conclusions différentes :

exposition conjointe a un effet plus petit que ce qui est prédit par les effets séparés des 2 causes (modèle multiplicatif)

Interaction biologique (ci-avant) : 34% en plus du à interaction

atelier "méthodo"

61

Dans la pratique (niveau 1 (et 2)

Dans la pratique (niveau 1 (et 2)

Dans la pratique (niveau 1 (et 2)

Facteur d’exposition

Dans la pratique (niveau 1 (et 2) Facteur d’exposition maladie Variable potentiellement confondante MODIFICATION
maladie
maladie
Variable potentiellement confondante
Variable potentiellement
confondante
d’exposition maladie Variable potentiellement confondante MODIFICATION D’EFFET (= interaction) CONFUSION Mars 2005

MODIFICATION D’EFFET (= interaction)

CONFUSION

CONFUSION (1)

Pour être potentiellement confondante , la variable doit :

Être associée à l’exposition • Ne pas être une conséquence (étape intermédiaire) de l’exposition • Être associé à la maladie indépendamment de l’exposition

accident
accident

sexe

AGE
AGE
sexe AGE accident
sexe
AGE
accident

CONFUSION (2)

Comment estimer la confusion :

Calcul de la mesure d’association dans chaque strate de la variable confondante • Calcul de la mesure d’association pondérée (RR, OR de M-H) • On estime qu’il y a confusion si RR (ou OR) brut et RR (ou OR) pond sont différent de plus de 15 à 20 %.

Si OUI: on utilise le RR(OR) pondéré comme mesure de l’association

Mars 2005 AL

Si NON : on utilise le RR (OR) brut comme mesure de l’association

atelier "méthodo"

65

Confusion : conditionnalité

Confusion : conditionnalité

Confusion : conditionnalité

Pour procéder à une estimation pondérée de l’association :

« exposition » - « maladie » en tenant compte de la variable confondante, il faut :

HOMOGENEITE de l’association «expo-maladie» dans les différentes strates de la variable confondante ou en d’autres termes : l’effet de la variable confondante doit être constant au travers des différentes strates (car le principe de la méthode est de faire un pooling c’est-à-dire de calculer une « moyenne » pondérée de l’effet).

Modification d’effet

(ou interaction) (1)

N’est pas une confusion mais plutôt une information très intéressante :

mise en évidence de sous groupes à plus haut risque • Mise en évidence de sous groupes où efficacité vaccinale différente,…

Pas utile de « résumer » l’association globale ; une mesure d’association pondérée n’a pas d’intérêt

atelier "méthodo" 68
atelier "méthodo"
68

Mars 2005 AL

Modification d’effet

(ou interaction) (2)

Il y a modification d’effet si la force de l’association entre facteur d’exposition et maladie diffère de façon

importante d’une strate à l’autre

diffère de façon importante d’une strate à l’autre Soit à l’œil : IdC se recouvrent-ils ?

Soit à l’œil : IdC se recouvrent-ils ?

Soit au niveau statistique : test d’homogénéité des RR,OR …prudence dans l’interprétation.

ETAPES dans la recherche de confusion/ interaction
ETAPES dans la recherche de confusion/ interaction
ETAPES dans la recherche de confusion/
ETAPES dans la recherche de confusion/

ETAPES dans la recherche de confusion/

ETAPES dans la recherche de confusion/ interaction

interaction

ETAPES dans la recherche de confusion/ interaction
ETAPES dans la recherche de confusion/ interaction
ETAPES dans la recherche de confusion/ interaction

Analyse brute : OR,RR pour EXPOà ISSUE • Analyse stratifiée : OR,RR dans chaque strate • Recherche d’une interaction (modification d’effet)

Différence de RR/OR entre les strates

D’un point de vue de santé publique • Différences dans les IDC (chevauchement ??, test d’homogénéité)

Si interaction : STOP ; pas de mesure pondérée • Si pas d’interaction, recherche de CONFUSION • Calcul de RR/OR pondéré : si différence avec OR/RR de plus de 15-20% à confusion è prendre RR/OR pondéré comme mesure d’association de EXPOà ISSUE