Mesures d'association en épidémiologie

Ce document est une synthèse des éléments et des connaissances essentielles pour le Master IPA, visant à préparer l'épreuve de recherche, notamment sur les études observationnelles. Il se concentre sur les définitions clés, les types d'études, les mesures des forces d'association et l'identification des biais.

📚 Ressources EQUATOR Network

• Objectif : Améliorer la qualité et la transparence de la recherche en santé.

• Fonctionnalités : Base de données de lignes directrices de déclaration (reporting guidelines), outils d'amélioration de l'écriture, cours, formations.

• Exemples de lignes directrices pour les principaux types d'études :

  • 🎯 Essais Randomisés : CONSORT

  • 📊 Études Observationnelles : STROBE

  • 🗞️ Revues Systématiques : PRISMA

  • 📝 Protocoles d'étude : SPIRIT, PRISMA-P

  • 🧪 Études Diagnostiques/Pronostiques : STARD, TRIPOD

  • 📄 Rapports de cas : CARE

  • 💸 Évaluations Économiques : CHEERS

  • 🧫 Recherche Qualitative : SRQR, COREQ

  • 🐿️ Études précliniques animales : ARRIVE

📓 Définitions Clés

📝 Événement vs. Exposition

• Événement : Changement d'état (ex: cancer, guérison). De nature aléatoire.

  • Variable « réponse » (outcome).

  • Variable « expliquée ».

  • Variable « dépendante ».

• Exposition : Caractéristique potentiellement causale (ex: tabagisme, traitement, trait génétique).

  • « Covariable » (exposure).

  • Variable « explicative ».

  • Variable « indépendante ».

🕒 Longitudinal vs. Transversal

• Longitudinal : Mesures multiples dans le temps chez les mêmes sujets.
  Concerne les expositions et/ou les événements.

• Transversal (cross-sectional) : Mesure unique dans le temps chez les sujets.
  Limites pour les études étiologiques ou pronostiques (pas de temporalité).

🔍 Cohorte vs. Cas-Témoin

• Cohorte :

  • Sujets sélectionnés en fonction de leur exposition (ex: fumeurs vs. non-fumeurs).

  • Les sujets n'ont pas l'événement d'intérêt au début du suivi.

  • On compare les exposés aux non-exposés pour la survenue de l'événement.

• Cas-Témoin :

  • Sujets sélectionnés en fonction de l'événement d'intérêt (ex: malades vs. non-malades).

  • On compare leurs expositions passées.

📈 Mesure des Forces d'Association

📝 Objectif en épidémiologie étiologique

• Étudier la relation entre exposition (E) et maladie (M) pour déterminer si E est une cause de M.

• Questions sous-jacentes :

  1. Existe-t-il une association entre E et M ? (Test statistique, p-value).

  2. Quelle est la force du lien entre E et M ? (Quantification, force d'association).

  3. E est-elle la cause de M ? (Biais, facteurs de confusion, plausibilité, inférence causale).

💰 Risque Absolu (RA)

• Probabilité théorique qu'un sujet présente l'événement M.

• Estimé par la proportion observée de sujets présentant l'événement.

• Formule :

📉 Risque Relatif (RR)

• Rapport entre le risque de M chez les exposés et chez les non-exposés.

• Formule :

• Interprétation : Facteur multiplicatif par lequel l'exposition augmente le risque.

  • RR > 1 ➡ E est associée à un risque augmenté de M.

  • RR = 1 ➡ E n'est pas associée au risque de M.

  • RR < 1 ➡ E est associée à un risque diminué de M.

• Ne peut pas être estimé dans les études cas-témoins car la proportion de malades est fixée par le design de l'étude.

📝 Odd (Cote)

• Rapport entre une probabilité et sa probabilité complémentaire.

• Ex :

• Lorsque le risque est très faible, il tend à être égal à l'odd.

📉 Odd Ratio (OR)

• Rapport de deux odds (ex: OR de la maladie par rapport à l'exposition, ou OR de l'exposition par rapport à la maladie).

• Formule : (cohorte) et $OR_{E/M} = \</p></li></ul><p style="text-align: left;"></p><p style="text-align: left;">frac{odd_{E/M=1}}{odd_{E/M=0}}$ (cas-témoins)

  • Grande propriété :

    • L'OR estime la même force d'association dans les études de cohorte et cas-témoins.

    • Peut être utilisé dans les études cas-témoins.

  • Relation avec le RR : En cas de prévalence faible, OR ≈ RR.

  • L'OR ne dépend pas de la prévalence de la maladie ni de la fréquence de l'exposition.

  🗃️ Principaux Schémas d'Étude

  🌍 Études Écologiques

  • Analyse des critères au niveau de la population (ville, pays) et non des individus.

  • Exemple : Association tabagisme et décès par cancer du poumon à l'échelle nationale.

  • Risques majeurs de facteurs de confusion.

  📖 Études Transversales (Cross-sectional)

  • Décrivent les caractéristiques des sujets à un moment donné.

  • Essentiellement en épidémiologie descriptive.

  • Permettent d'estimer la prévalence de paramètres dans une population.

  • Ne permettent pas de proposer des hypothèses explicatives (absence de temporalité).

  👪 Études de Cohorte

  • Suivi longitudinal d'un groupe de sujets partageant des caractéristiques.

  • Collecte d'informations sur les expositions avant l'apparition des effets.

  • Permettent de quantifier les risques et d'argumenter la causalité.

  • Principe : Comparer la morbidité/mortalité dans des groupes définis par leur exposition, initialement indemnes de la maladie.

  • Types :

    • Suivi de population : Exposés et non-exposés dans une population de référence. Estime le RR.

    • Enquêtes exposés/non-exposés : Pour les expositions rares (ex: milieu professionnel).

  • Exemples célèbres :

    • John Snow et le choléra : Exposition à l'eau contaminée.

    • Framingham Heart Study : Facteurs de risque cardiovasculaires.

    • British Doctors Study : Effets du tabac sur la santé.

  • Personne-année : Unité de mesure du suivi d'un individu dans une cohorte (ex: un sujet suivi 5 ans = 5 personnes-années).

  • Mode d'emploi (éléments clés) : Protocole écrit, définition précise de l'exposition/non-exposition, critères d'inclusion/exclusion identiques, suivi semblable, précautions contre les biais (sélection, confusion).

  👪 Études Cas-Témoins

  • Sélectionne des "cas" (ayant l'événement) et des "témoins" (représentatifs de la population source des cas, sans l'événement).

  • Mesure rétrospective des expositions (donc plus sujettes aux biais).

  • Ne permet pas le calcul direct du Risque Relatif (RR), mais l'Odds Ratio (OR) est utilisé.

  • Exemples célèbres :

    • John Snow et le choléra.

    • Cancer du poumon et tabac (Doll & Hill, 1950).

    • DES et adénocarcinome du vagin (Herbst et al., 1971).

  🗃️ Synthèse des Avantages et Inconvénients

  	Cohorte	Cas-témoin
  Avantages	Mesure de la fréquence d'une maladie. Estime directement le RR. Relation dose-effet. Moins biaisée (température).	Rapide. Coût modéré. Investigation d'un grand nombre de FDR simultanément.
  Inconvén

  ients

  • Coûteux.

  • Durée de suivi.

  • Risque de perdus de vue.

  • Durée d'acquisition des résultats.

  • Nombreux biais (sélection des témoins +++).

  • Pas d'estimation de la fréquence de la maladie.

  • Pas d'estimation du RR.

  Pour Les maladies "fréquentes". Les maladies rares.

  🚨 Biais

  📝 Définition

  • Erreur systématique dans la planification, la conduite ou l'analyse d'une étude, modifiant l'estimation d'un paramètre.

  • Nuit à la validité interne de l'étude.

  • Différent des fluctuations aléatoires d'échantillonnage.

  🎯 Familles de Biais

  1. Biais de sélection.

  2. Biais de classement (= d'information = de mesure).

  3. Facteurs (biais ?) de confusion.

  📅 Biais de Sélection

  • Affecte la constitution de l'échantillon.

  • Exemples :

    • Biais d'admission (Berkson) : Probabilité différente d'être admis à l'hôpital.

    • Biais de prévalence/incidence (survie sélective) : L'étude des seuls survivants biaise la force de l'association.

    • Self-selection bias : Sujets volontaires souvent plus à risque.

    • Healthy-worker effect : Ne pas prendre en compte la bonne santé initiale des travailleurs.

    • Biais de surveillance : L'exposition bénigne déclenche une recherche diagnostique plus intense.

    • Biais de non-réponse : Les non-répondants diffèrent des répondants.

    • Length-time bias (biais temporel) : Surreprésentation des "progresseurs lents" dans les pathologies chroniques.

    • Lead-time bias (biais temporel) : Illusion que le dépistage précoce retarde l'événement.

    • Événements compétitifs (biais temporel) : Un événement empêche l'observation d'un autre.

  📅 Biais de Classement (d'information / de mesure)

  • Erreurs systématiques de mesure de l'exposition ou de la maladie.

  • Conduisent à mal classer les sujets.

  • Types :

    • Différentiel : L'erreur de classement dépend du statut maladie/exposition.

      • Ex : Biais d'enquêteur, de mémorisation.

    • Non différentiel : L'erreur de classement ne dépend pas du statut maladie/exposition.

      • Ex : Instrument de mesure mal étalonné.

  • Exemples :

    • Biais de suspicion de diagnostic : La connaissance de l'exposition influence le diagnostic.

    • Biais de suspicion d'exposition : La connaissance de la maladie influence la recherche d'expositions.

    • Biais de mémorisation (recall bias) : Mémorisation différente des expositions passées entre cas et témoins.

    • Biais d'information familiale : Documentation variable de l'histoire familiale selon le statut malade.

    • Biais d'immortalité : Période durant le suivi où l'événement ne peut survenir par construction (ex: être traité > 1 an). Mène à sous-estimer le risque chez les traités.

  🧩 Prévention des Biais

  • Biais de sélection : Techniques correctes d'échantillonnage, groupes de témoins multiples, suivi complet.

  • Biais de classement : Travail "en aveugle", groupe contrôle négatif.

  • Lors de l'analyse : Garder les biais en mémoire, comparer répondants/non-répondants, estimer l'impact, analyses de sensibilité.

  🧩 Facteurs de Confusion

  • Un facteur de confusion est lié à la fois à l'exposition et à la maladie, et perturbe l'effet apparent de l'exposition étudiée.

  • Critères d'un facteur de confusion :

    • Lié à la maladie indépendamment de l'exposition.

    • Associé à l'exposition.

    • Ne doit pas être causé par l'exposition (pas sur le chemin causal).

  • L'analyse multivariée (ajustement) permet de prendre en compte les facteurs de confusion mesurés.

  • Prise en compte :

    • Planification de l'étude : Randomisation (expérimentale), appariement (observationnelle).

    • Analyse : Stratification, standardisation, ajustement (modèles multivariés).

  • Paradoxe de Simpson : Un effet apparent s'inverse lorsque les strates d'un facteur de confusion sont combinées.

  📝 Exemple de confusion avec l'alcool, le tabac et le cancer du poumon

  • L'association entre alcool et cancer du poumon peut être confondue par le tabac.

  • Après stratification sur le statut tabagique ou ajustement multivarié, l'association de l'alcool avec le cancer du poumon peut disparaître, car le tabac est le véritable facteur causal majeur.

  • La force d'association brute ne reflète pas toujours la réalité sans ajustement.