Scheda di revisione: Introduction aux études épidémiologiques

📋 Plan du Cours

1. Études épidémiologiques et populations
2. Variables, risques et tests statistiques
3. Figures et graphiques d’étude
4. Validité interne et externe
5. Essais thérapeutiques et randomisation
6. Critères de jugement et analyses
7. Études observationnelles et biais
8. Essais diagnostiques et fiabilité

📖 1. Études épidémiologiques et populations

🔑 Notions clés & Définitions

• Population cible : Une population cible est l’ensemble théorique vers lequel on veut généraliser les résultats, même si elle n’est pas directement accessible.
• Population source : Une population source est celle où l’on recrute l’échantillon, sous respect de critères d’inclusion et d’exclusion.
• Échantillon d’étude : Un échantillon d’étude est l’ensemble des participants recrutés, censés représenter la population source pour produire les résultats.
• Étude interventionnelle : Une étude interventionnelle implique une action sur le patient et cherche une comparaison entre groupes, en général avec randomisation.
• Étude observationnelle : Une étude observationnelle mesure des expositions et leurs associations avec une maladie sans imposer de traitement.

📝 Points essentiels

• Les études interventionnelles sont longitudinales et prospectives, avec comparaison groupe contrôle versus groupe traité et randomisation.
• Les cohortes comparent exposés et non exposés sur une maladie, avec collecte longitudinale pouvant être rétrospective ou prospective.
• Les cas témoins comparent l’exposition entre cas et témoins, et sont décrites comme rétrospectives dans le contenu.
• Les niveaux de preuve se gagnent en apprenant le type d’étude, notamment en distinguant interventionnel et observationnel.

💡 Astuce mémo

Interventionnel = on intervient (randomisé) ; Observationnel = on observe (exposé).

📖 2. Variables, risques et tests statistiques

🔑 Notions clés & Définitions

• Variable qualitative : Une variable qualitative classe les individus en catégories comme oui ou non ou des stades numérotés.
• Variable ordinale : Une variable ordinale regroupe des catégories avec un ordre naturel, utile pour un test de tendance.
• Variable nominale : Une variable nominale regroupe des catégories sans hiérarchie, où l’on compare à une catégorie de référence.
• Risque relatif : Le risque relatif compare la survenue de la maladie chez exposés versus non exposés via un ratio de risques.
• Rapport de cotes : Le rapport de cotes compare des cotes liées au statut malade et sert notamment lorsque l’on estime le risque relatif indirectement.

📝 Points essentiels

• Quand il existe une hiérarchie entre catégories, le contenu renvoie à l’ordinale ; sans hiérarchie, il renvoie à la nominale.
• Le RR s’interprète comme un multiplicateur du risque chez exposés versus non exposés, avec l’idée d’une « augmentation du risque ».
• L’OR est présenté comme une estimation du RR qui devient plus interprétable lorsque la prévalence de la maladie est faible, typiquement <10%.
• Un intervalle « dans les 2 ans » correspond à une notion de censure et aux délais de survenue utilisés pour les courbes de survie.
• Le risque alpha (souvent 5%) contrôle le faux positif et le risque bêta traduit un manque de puissance si un vrai effet n’est pas détecté.

💡 Astuce mémo

RR = risque ; OR = cotes (utile surtout quand on veut estimer indirectement).

📖 3. Figures et graphiques d’étude

🔑 Notions clés & Définitions

• Flow chart : Un flow chart décrit le devenir des participants, avec nombres et caractéristiques des exclusions pour juger la validité externe et l’ITT.
• Tableau 1 : Un tableau 1 présente les caractéristiques initiales des groupes pour vérifier leur comparabilité visuellement.
• Forest plot : Un forest plot synthétise les estimations dans plusieurs analyses et facilite la lecture des effets et de leur cohérence.
• Courbe de Kaplan-Meier : Une courbe de Kaplan-Meier représente la survie ou le temps jusqu’à un événement avec prise en compte de la censure.
• Hazard Ratio : Un hazard ratio quantifie le rapport des risques instantanés entre groupes, notamment pour la lecture de l’efficacité au cours du temps.

📝 Points essentiels

• Dans un flow chart, la diminution du nombre de sujets « à risque » vient des perdus de vue ou de la censure, pas d’une baisse due au seul suivi imparfait.
• Pour interpréter une courbe de survie, le contenu insiste sur l’observation de la parallélité des courbes et sur l’idée d’un effet constant dans le temps.
• Si l’efficacité n’est pas constante, il existe un problème d’interprétation car le HR ne resterait pas constant au cours du temps.
• Le biais du temps immortel est explicitement cité comme un piège majeur lié à une inclusion tardive dans le groupe exposé.
• Une analyse en sous-groupes est visualisée via forest plot, et la comparabilité initiale se lit sur le tableau 1.

💡 Astuce mémo

Sur survie : regarde la forme (parallèles) et pas seulement la baisse des courbes.

📖 4. Validité interne et externe

🔑 Notions clés & Définitions

• Validité interne : La validité interne reflète la qualité méthodologique et la maîtrise des biais dans l’étude.
• Validité externe : La validité externe correspond à la capacité à généraliser à d’autres patients et dépend surtout de la représentativité de l’échantillon.
• Cohérence externe : La cohérence externe est la concordance entre les résultats de l’étude et les connaissances antérieures de la littérature.
• Clause d’ambivalence : La clause d’ambivalence est une exigence éthique liée à l’existence d’incertitude sur le meilleur traitement, influençant la validité externe.
• Critères d’exclusion : Les critères d’exclusion sont des restrictions appliquées au recrutement qui peuvent réduire ou préserver la généralisation selon leur but.

📝 Points essentiels

• En interventionnel, la validité interne se lit notamment via randomisation, double aveugle et analyse ITT.
• En observationnel analytique, la validité interne exige la prise en compte des confusions via le recueil et leur traitement dans l’analyse.
• La validité externe dépend de la taille et des caractéristiques de l’échantillon, du type de centre, du type de pays et de la période d’étude.
• Les critères d’exclusion réduisent la validité externe, sauf ceux justifiés pour la clause d’ambivalence au traitement à l’essai.
• La cohérence externe se juge par la concordance avec les données antérieures mentionnées dans les parties ITR/discussion du contenu.

💡 Astuce mémo

Interne = biais maîtrisés ; Externe = représentativité.

📖 5. Essais thérapeutiques et randomisation

🔑 Notions clés & Définitions

• Sponsor : Le sponsor est le promoteur qui finance l’étude.
• Investigateur : L’investigateur est le médecin (ou pharmacien) qui suit les patients pendant l’essai.
• Double aveugle : Le double aveugle décrit une situation où l’assignation aux groupes n’est pas connue, ce qui limite certains biais.
• Randomisation par bloc : La randomisation par bloc organise l’assignation en blocs de taille définie, avec un contrôle du déséquilibre maximal attendu.
• Randomisation stratifiée : La stratification organise des listes de randomisation séparées pour équilibrer un facteur de confusion identifié.

📝 Points essentiels

• La randomisation vise à équilibrer les groupes sur des facteurs de confusion connus et inconnus, assurant une comparabilité initiale.
• Le double aveugle est cité comme limitant les biais liés au suivi et à la performance, via une prise en charge moins différenciée.
• La clause d’ignorance est l’incertitude de l’investigateur sur le groupe auquel le patient sera affecté.
• En randomisation par bloc de taille 4, le contenu indique que le déséquilibre maximal attendu est de 2 patients.
• Le contenu distingue minimisation et stratification : stratification = plusieurs listes (ex : centres × gravité).

💡 Astuce mémo

Randomisation = équilibre ; Double aveugle = on protège l’assignation et le suivi.

📖 6. Critères de jugement et analyses

🔑 Notions clés & Définitions

• Critère de jugement dichotomique : Un critère dichotomique sépare les individus en deux états, comme atteint versus non atteint selon le jugement.
• Critère composite : Un critère composite regroupe plusieurs événements, avec une décision basée sur la survenue d’au moins un des éléments.
• Analyse ITT : L’analyse en intention de traiter inclut les participants selon leur groupe d’assignation, même en cas de non-respect du protocole.
• Per protocole : L’analyse per protocole ne retient que les participants respectant le protocole, maximisant la différence mesurée entre groupes.
• Analyse de sensibilité : Une analyse de sensibilité modifie un paramètre de l’analyse principale pour tester la robustesse des résultats.

📝 Points essentiels

• Un critère composite peut augmenter la puissance, mais rend l’interprétation plus difficile car l’issue dépend d’événements différents.
• L’analyse ITT est décrite comme la plus conservatrice et destinée à maintenir le bénéfice de la randomisation malgré l’attrition.
• Le contenu oppose Last Observation Carried Forward comme méthode inadaptée, et rappelle l’idée d’imputation/gestion des perdus de vue.
• En analyse per protocole, la différence est maximisée et l’intérêt indiqué est plutôt la non-infériorité, pas la supériorité.
• Le schéma d’analyses intermédiaires doit être prévu au protocole et nécessite un ajustement du risque alpha via split alpha, augmentant le nombre de sujets nécessaires.

💡 Astuce mémo

ITT = selon assignation ; Per protocole = selon conformité.

📖 7. Études observationnelles et biais

🔑 Notions clés & Définitions

• Cohorte : Une cohorte suit dans le temps des sujets exposés et non exposés pour comparer l’incidence d’une maladie.
• Cas témoins : Une étude cas témoins compare des expositions chez des cas et des témoins, généralement rétrospectivement dans le contenu.
• Biais de confusion : Un biais de confusion survient quand un facteur est lié à la fois à l’exposition et au risque de maladie.
• Biais d’utilisateur sain : Le biais d’utilisateur sain décrit le fait que les personnes prenant un traitement peuvent aussi avoir d’autres comportements favorables de suivi médical.
• Biais de causalité inverse : Le biais de causalité inverse correspond à la situation où la maladie précède l’exposition observée au lieu de la causer.

📝 Points essentiels

• La cohorte peut être prospective (suivi temporel) ou rétrospective (données issues de bases), et le contenu associe respect de la séquence temporelle à moins de causalité inverse.
• Le cas témoin compare l’exposition entre 100 cas et 100 témoins (exemple du contenu) et n’apporte que l’OR selon le texte.
• Les cohortes et cas témoins peuvent souffrir de biais de sélection, d’attrition (cohorte) et de classement (ex : erreur de statut malade ou d’exposition).
• Le biais de temps immortel est décrit comme une sous-estimation de la maladie dans le groupe exposé lorsque l’« entrée exposé » survient après inclusion.
• Pour limiter la confusion, le contenu cite appariement, stratification, ajustement multivarié et score de propension, et pour causalité inverse des exclusions en analyse de sensibilité.

💡 Astuce mémo

Confusion = troisième facteur ; Causalité inverse = la maladie entraîne l’exposition.

📖 8. Essais diagnostiques et fiabilité

🔑 Notions clés & Définitions

• Sensibilité : La sensibilité est la proportion de vrais malades correctement identifiés par le test.
• Spécificité : La spécificité est la proportion de vrais sains correctement identifiés comme négatifs par le test.
• Valeur prédictive positive : La valeur prédictive positive est la probabilité d’être malade parmi les sujets ayant un test positif.
• Valeur prédictive négative : La valeur prédictive négative est la probabilité d’être sain parmi les sujets ayant un test négatif.
• Coefficient Kappa de Cohen : Le coefficient Kappa mesure l’accord entre deux tests pour des variables qualitatives binaires au-delà du hasard.

📝 Points essentiels

• La validité d’un test est illustrée par Se, Sp, VPP, VPN, et les rapports de vraisemblance sont donnés comme se/1-sp et 1-se/sp.
• Le contenu relie l’interprétation de la courbe ROC à l’AUC et indique que si l’IC95% de l’AUC exclut 0,5, le test fait mieux que le hasard.
• Pour un test de dépistage, l’objectif mis en avant est la maximisation de la sensibilité ; pour le diagnostic, la spécificité est particulièrement soulignée.
• La fiabilité du test correspond à la reproductibilité, et la concordance s’évalue notamment par Kappa pour le qualitatif binaire.
• Les biais diagnostiques incluent biais de spectre, biais de vérification (incluant work up partiel et différentiel), et biais de classement limitable par évaluation en aveugle.

💡 Astuce mémo

Se/Sp = performance ; Kappa = accord entre tests.

📊 Tableaux de synthèse

Cohorte vs cas témoins

⚠️ Pièges & confusions fréquents

1. Confondre RR et OR : l’OR est une estimation du RR qui dépend de la prévalence et n’a pas la même interprétation directe.
2. Interpréter une courbe de survie en croyant que les « pertes de vue » font baisser l’efficacité : seul le number at risk diminue.
3. Dire qu’un résultat non significatif en observationnel prouve l’absence de causalité ou de risque : le contenu insiste sur l’impossibilité d’affirmer H0.
4. Sur les essais : confondre ITT et per protocole, car l’ITT est conservatrice (selon assignation) tandis que le per protocole maximise la différence.
5. Penser qu’une corrélation mesure la concordance : le contenu sépare corrélation et concordance (ex : corrélé mais pas concordant).
6. Oublier la validité d’un test diagnostique en confondant sensibilité/spécificité avec la fiabilité : reproductibilité et validité ne sont pas identiques.
7. Risque alpha vs bêta : confondre l’erreur de type I (alpha) avec le manque de puissance (bêta) mène à une mauvaise interprétation des résultats.

✅ Checklist Examen

1. Identifier les caractéristiques distinctives des études interventionnelles vs observationnelles (randomisation, groupe contrôle, exposition imposée ou non).
2. Expliquer les définitions de population cible, population source et échantillon en reliant à la généralisation des résultats.
3. Classer une variable en qualitative, ordinale ou nominale selon la présence ou non d’une hiérarchie des catégories.
4. Calculer/interpréter RR selon le risque chez exposés et non exposés, et interpréter l’OR comme estimation du RR dans le cadre de faible prévalence.
5. Décrire l’idée clé d’un flow chart : exclusions et caractéristiques des groupes pour juger la comparabilité et l’ITT/validité externe.
6. Interpréter une courbe de Kaplan-Meier en vérifiant notamment si les courbes sont parallèles et en expliquant le rôle du nombre à risque.
7. Distinguer validité interne et validité externe et citer au moins deux leviers méthodologiques associés à chacune.
8. Rappeler les rôles au sein d’un essai (sponsor, investigateur) et les exigences de randomisation/blindage (clause d’ignorance, double aveugle).
9. Relier les critères de jugement à leur nature (simple vs composite, objectif vs subjectif, pertinent cliniquement vs intermédiaire) et citer le risque d’inflation alpha pour des critères multiples.
10. Décrire ITT et per protocole et rappeler la logique de l’analyse de sensibilité et des analyses intermédiaires avec split alpha.
11. Comparer cohorte et cas témoins sur la temporalité et la mesure principale (RR vs OR) et citer au moins trois biais possibles en observationnel.
12. Expliquer comment la fiabilité (reproductibilité) diffère de la validité (Se, Sp, VPP, VPN) dans un essai diagnostique.
13. Lire une ROC en reliant l’AUC et l’IC95%, et expliquer au moins un biais diagnostique (spectre, vérification, classement) et comment l’aveugle le limite.