UCAD / ISED

ERREURS
EN ÉPIDÉMIOLOGIE
 Plan
• Objectifs éducationnels spécifiques
• Généralités
• Erreurs aléatoires
• Erreurs systématiques
• Erreurs liées au facteurs de confusion
Objectifs éducationnels spécifiques
• Définir un biais
• Décrire 3 types d’erreurs rencontrés
dans les études en épidémiologie
• Citer 3 sources d’erreurs aléatoires
• Citer 5 méthodes permettant de tenir
en compte un facteur de confusion
lors de l’analyse des données
L’interprétation des résultats
d’une étude épidémiologique :

Quelles questions se poser ?

• N’y a-t-il pas d’erreurs dans l’étude ?

• Le résultat n’est-il pas du au hasard ?
• Le résultat n’est-il pas du à autre chose ?
• L’association mesurée est-elle causale ?

4
 GÉNÉRALITÉS (1)
Un des objectifs des études épidémiologiques :
avoir une estimation du risque de la survenue d’un
phénomène de santé

Les erreurs qu’on peut rencontrer se situent à

toutes étapes des enquêtes épidémiologiques

réduire au minimum ces erreurs

en évaluer l’importance et en tenir compte dans

l’interprétation des résultats
 GÉNÉRALITÉS (2)

On distingue 3 types d’erreurs:

les erreurs aléatoires® manque de

précision et diminution de la puissance
les erreurs systématiques: biais ® non
validité des résultats
les erreurs liées aux facteurs de
confusion
 ERREURS ALÉATOIRES (1)
Écart est dû au seul fait du hasard, entre une
observation faite dans un échantillon et la valeur vraie
dans la population

Étude sur échantillon: fluctuations aléatoires

d’échantillonnage
ü entraîne un manque de précision dans la mesure d’une
association
ü 2 sources principales :
Ø la variabilité biologique,
Ø les erreurs d’échantillonnage,
 ERREURS ALÉATOIRES (2)

Ne peuvent jamais être entièrement éliminées

ü Erreurs d’échantillonnage inhérentes au processus
de sélection des participants, qui représentent
toujours un échantillon d’une population plus
nombreuse

ü pour les réduire : augmenter la taille de l’échantillon

 ERREURS ALÉATOIRES (3)
Taille souhaitable déterminée à l’aide de formules:
- degré de signification requis pour les résultats (IC95%)
- probabilité jugée acceptable pour qu’un effet réel ne passe
pas inaperçu (Alpha=5%)
- importance de l’effet étudié (valeur attendue RR ou OR)
- fréquence de la maladie dans la population étudiée
- taille relative des groupes comparés
En réalité, compromis entre coût de l’étude et taille de
l’échantillon
Puissance = 80%
ERREURS SYSTEMATIQUES
ERREURS SYSTÉMATIQUES
OU BIAIS (1)
Toute erreur qui s’introduit dans
l’étude lors du choix des sujets ou de
la collecte des données et qui
contribue à produire des résultats
systématiquement plus élevés ou
plus bas que la valeur réelle des
paramètres que l’on étudie.
ERREUR SYSTEMATIQUE ===> résultats ¹ réalité
 ERREURS SYSTÉMATIQUES
OU BIAIS (2)
Les résultats trouvés dans l’échantillon ont tendance à
différer systématiquement des valeurs vraies dans la
population : pas d’exactitude
Les biais:
ü ne dépendent pas de la taille de l’échantillon
ü Liés à un défaut de conception de l’étude
ü sources d’erreurs possibles sont nombreuses et variées
ü 2 principaux groupes :
§ biais de sélection
§ biais de mesure
 BIAIS DE SÉLECTION
OU DE RECRUTEMENT (1)
Existe une différence systématique entre les
caractéristiques des sujets choisis pour l’étude et
celles des sujets non choisis :
ü L’échantillon n’est pas représentatif de la population

ü La probabilité que les sujets entrent dans l’étude est liée à

un ou plusieurs facteurs étudiés (exemple: sujets recrutés à
l’hôpital, dans une entreprise)
 BIAIS DE SÉLECTION
OU DE RECRUTEMENT (2)

• Exemples des biais de recrutement

– Biais d’autosélection:volontariat
– Biais dû au « healthy worker effect »
– Biais liés aux perdus de vue et non réponse
• Les principales sources sont:
- Critères d’inclusion et d’exclusion imprécis
- Sensibilité et spécificité des tests
 BIAIS DE SÉLECTION
OU DE RECRUTEMENT (3)

Population effectivement étudiée

Population que l’on avait prévu d’étudier

 BIAIS DE MESURE OU DE
CLASSIFICATION (1)
Les mesures individuelles ou la classification en malade et/ou
en exposé sont inexactes
Défaut de sensibilité et de spécificité de l’instrument de mesure.

Le phénomène étudié a été mal mesuré

• facteur de risque (cas-témoin)

• Incidence (exposé-non exposés)

• Effet du traitement (essai thérapeutique)

• Prévalence (étude descriptive)

 BIAIS DE MESURE OU DE
CLASSIFICATION (2)
• Erreur de type non différentielle: identique dans
les groupes comparés
– Perte de la puissance statistique: RR ou OR ®1
– Exemple d’un tensiomètre mal étalonné
• Erreur de type différentielle
– La mesure de la maladie diffère chez les exposé et
les non exposés (subjectivité de l’investigateur)
– La mesure de l’exposition diffère chez les malades
et les non malades (différence de mémorisation)
 BIAIS DE MESURE OU DE
CLASSIFICATION (3)
les principales sources:
-biais liés aux investigations (laboratoire,
enquêteur)

- biais de mémorisation (étude cas-témoin)

- biais d’observation
LES ERREURS LIÉES AUX
FACTEURS DE CONFUSION
 LES ERREURS DUES AUX
FACTEURS DE CONFUSION (1)

Lorsque l’on étudie l’association entre

l’exposition à un facteur de risque et la
survenue d’un phénomène de santé, il
peut y avoir « confusion » si la population
étudiée est soumise à une autre
exposition qui est associée à la fois avec
l’exposition et la maladie étudiée
 Exposition
F lié à l’exposition

Facteur
Confusion F

F associé à la maladie
chez les non exposés
Maladie
 LES ERREURS DUES AUX
FACTEURS DE CONFUSION (2)
Problème si ce tiers facteur, facteur de
risque pour le phénomène étudié, a une
distribution inégale dans les différents
sous groupes exposés.

Lorsque les effets des 2 facteurs de risque

ne sont pas distingués, il y a confusion et
on conclut, par erreur, que l’effet constaté
est dû à tel ou tel facteur
 LES ERREURS DUES AUX
FACTEURS DE CONFUSION (3)

donc pour qu’une variable soit facteur de

confusion, il faut qu’elle soit elle-même un
facteur de risque du phénomène étudié et
qu’elle soit associée à l’exposition considérée

un facteur de confusion peut faire croire à une

relation qui n’existe pas ou même changer le
sens d ’une association
 ?
TABAC CANCER

AGE
 LES ERREURS DUES AUX
FACTEURS DE CONFUSION (4)
Comment tenir compte de facteurs de
confusion?
Ø Au moment de la conception de l’étude
- par la randomisation
- par la restriction de la population d’étude
- par l’appariement
Ø Au moment de l’analyse
- par la stratification
- par la modélisation statistique
 LA RANDOMISATION
Applicable aux études expérimentales
Méthode idéale pour que les éventuels
facteurs de confusion aient une
distribution à peu près identique dans les
groupes à comparer
Échantillons de taille suffisante pour éviter
le risque que ces facteurs soient distribués
de façon inégale
 LA RESTRICTION
Consiste à limiter l’étude à des personnes
présentant des caractéristiques particulières.
Ex : si l’on veut étudier l’influence du café sur les
coronaropathies, on peut restreindre l’étude à
des non fumeurs, pour éliminer tout phénomène
potentiel de confusion avec le tabac
 APPARIEMENT
Choix des participants à l’étude de telle sorte que les
facteurs de confusion potentiels aient une distribution
identique dans les groupes comparés.

Ex : exercice physique et coronaropathies : à chaque

cardiaque, on apparie un témoin de même sexe et de
même classe d‘âge pour que ces 2 variables ne soient
plus facteurs de confusion

- risque de surappariement si les critères sont trop

nombreux
 LA STRATIFICATION
Technique d’analyse qui consiste à mesurer la
force de l’association au sein de catégories
bien définies et homogènes (strates) en ce qui
concerne le facteur de confusion

Il existe des méthodes statistiques qui

permettent de regrouper les associations
partielles ainsi trouvées et d’obtenir une
association globale (ajustement)
 LA STRATIFICATION
E (tabac) M (kc vessie)

Fc (alcool)
KC+ KC-

T+ a b
OR brut: force de
l’association T- c d
 LA STRATIFICATION
- Stratifier Alcool+ KC+ KC-
sur l’alcool T+ a1 b1 OR1
- Calculer les T- c1 d1
OR
spécifiques Alcool - KC+ KC-

T+ a2 b2
OR2
T- c2 d2
 LA STRATIFICATION
• Comparaison:
• Si OR brut ≈ OR1≈ OR2 (IC se chevauchent) :
pas de facteur de confusion: on donne le
résultat de l’OR brut
• Si OR brut #OR1#OR2 (IC sont différents) : il
est soit un facteur modificateur de l’effet ou un
facteur de confusion
– Si OR1 et OR2 sont différents: FME
– Si OR1 et OR2 vont dans le même sens: FDC?
– Si oui , il faut calculer l’OR ajusté
– OR ajusté qui est le vrai OR, peut augmenter ou
diminuer ou annuler le risque
 MODÉLISATION STATISTIQUE

S’il y a interaction: les deux OR ne vont

pas dans le même sens (l’un protecteur et
l’autre facteur de risque

Si l’on veut tenir compte simultanément

de plusieurs facteurs de confusion, on a
recours à la modélisation statistique
(régression logistique).
 CONCLUSION

La recherche des biais potentiels d'une enquête et

des solutions pour les éviter ou en atténuer
l'importance est fondamentale.

Une enquête qui peut être très lourde, très longue,

très coûteuse, peut en effet se trouver finalement
compromise par un biais majeur.
 Référence

• Ancel T. Statistique, épidémiologie. Maloine, 2002, 300p

• Bouyer J, Hémon D, Cordier S et al. Epidémiologie:
principes et méthodes quantitatives. Edition INSERM,
238p.
• Landrivon G, Delahaye F. La recherche clinique: de
l’idée à la publication. Masson, 262p.
• Rumeau-Rouquette C, Blondel B, Maminski M, Bréart
G. Epidémiologie: méthodes et pratique. Flammarion,
2001, 312p.
• .