Biostatistique pour Analyse Biologique

Module de Biostatistique pour l'Analyse Biologique

La biostatistique est l'application des méthodes statistiques aux données biologiques et médicales. Ce module fournit des compétences fondamentales en biostatistique pour collecter, organiser, résumer et interpréter des données quantitatives et qualitatives en analyse biologique, avec une application particulière au contexte sénégalais.

Ce cours est destiné aux étudiants de Licence 3 en Analyse Biologique au Centre de Formation Africain du Sénégal (CEFAS) et est préparé par Oumar Samba Ly.

1. Introduction Générale à la Biostatistique

La biostatistique est une discipline essentielle pour toute personne impliquée dans la collecte et l'analyse de données en santé humaine, animale ou environnementale. Elle est cruciale à toutes les étapes du diagnostic médical, du suivi thérapeutique, de la validation des méthodes analytiques, et de l'évaluation des programmes de santé publique.

1.1 Définition et Utilité

La biostatistique est la branche de la statistique qui s'applique aux sciences du vivant, à la médecine, à la santé publique et à l'environnement. Elle implique la collecte, l'organisation, l'analyse et l'interprétation de données biologiques ou sanitaires.

• Exemples de données :

  • Taux d'hémoglobine d'un patient

  • Nombre de cas de paludisme par mois dans une région

  • Résultats de glycémie à jeun dans une population

1.2 Rôle des techniciens biologistes au Sénégal

Au Sénégal, les techniciens biologistes doivent être capables de :

• Comprendre les résultats numériques d'analyses biologiques (hématologie, biochimie, sérologie...).

• Mettre en forme les résultats bruts pour les professionnels de la santé.

• Assurer la traçabilité et la fiabilité des données biomédicales.

• Participer à l'interprétation et à la transmission de l'information scientifique.

1.3 Différenciation : Biostatistique vs. Statistique Générale

Bien que toutes deux utilisent des méthodes statistiques, leurs domaines d'application diffèrent.

1.4 Domaines d'application concrets

La biostatistique est indispensable dans divers contextes au Sénégal :

• En laboratoire (clinique ou de recherche) :

  • Étudier la répartition des résultats d'analyses (glycémie, cholestérol, créatinine).

  • Comparer les résultats entre plusieurs méthodes d'analyse.

  • Définir les valeurs de référence normales d'un paramètre biologique.

• En épidémiologie :

  • Estimer la prévalence d'une maladie (ex : VIH, tuberculose).

  • Suivre l'évolution d'une épidémie (ex : fièvre jaune, dengue, Covid-19).

  • Calculer des risques relatifs ou des taux d'attaque.

• En santé publique :

  • Évaluer les indicateurs de performance d'un centre de santé.

  • Suivre les taux de vaccination dans une commune.

  • Planifier les ressources (médicaments, personnel) à partir de données fiables.

1.5 Utilité : Exemples biomédicaux sénégalais

1.6 Niveaux d'analyse statistique

2. Types de Variables et Nature des Données Biomédicales

Savoir identifier et classer les types de variables est fondamental pour choisir les outils statistiques appropriés et interpréter correctement les résultats.

2.1 Définitions clés

• Donnée : une information observée ou mesurée sur un patient, un échantillon ou un événement biologique (ex: sexe du patient, concentration de glucose).

• Variable : un caractère mesurable ou observable qui prend différentes valeurs selon les cas étudiés (ex: "Température corporelle").

• Modalité : une des valeurs possibles prises par une variable, le plus souvent qualitative (ex: pour "groupe sanguin", les modalités sont A, B, AB, O).

2.2 Classification des variables

Les variables peuvent être classées en deux catégories principales : qualitatives et quantitatives.

2.3 Exemple d'identification de variables

À partir d'une fiche d'analyse d'un patient :

3. Tableaux Statistiques et Représentations Graphiques

L'organisation et la visualisation des données sont cruciales pour leur compréhension et leur communication efficace.

3.1 Objectifs de l'organisation des données

Organiser les données en tableaux et les représenter graphiquement permet de :

• Détecter rapidement une anomalie.

• Mieux communiquer les résultats aux professionnels de la santé.

• Appuyer une décision (ex: ajustement thérapeutique, alerte sanitaire).

3.2 Tableaux de fréquences

Pour des données brutes, il est utile de calculer les effectifs, les fréquences (pourcentages) et les fréquences cumulées.

Fréquence (%) = (effectif / N) × 100

La fréquence cumulée est particulièrement utile pour les variables ordinales ou continues.

Exemple : Répartition des groupes sanguins chez 60 donneurs de sang

3.3 Types de graphiques et leurs usages

3.4 Histogramme : Exemple (taux de glycémie)

Un histogramme permet de visualer la répartition d'une variable continue.

Taux de glycémie à jeun de 40 patients

L'histogramme de ces données permet d'identifier la classe modale et la tendance générale. Les valeurs supérieures à 1,26 g/L peuvent indiquer une hyperglycémie possible.

4. Paramètres de Tendance Centrale (Moyenne, Médiane, Mode)

Les paramètres de tendance centrale résument une série de données numériques par une ou plusieurs valeurs représentatives. Ils indiquent autour de quelle valeur la majorité des observations se concentrent.

4.1 Définitions et utilités

4.2 Calcul de la moyenne

La moyenne est calculée en additionnant toutes les valeurs et en divisant par le nombre total de valeurs ().

$\bar{x} = \frac{x_1 + x_2 + \cdots + x_n}{n}" data-type="inline-math"></span>$

Exemple : Taux d'hémoglobine (g/dL) de 5 patientes : 11,5 – 10,8 – 12,2 – 11,0 – 11,9

$\bar{x} = \frac{11,5 + 10,8 + 12,2 + 11,0 + 11,9}{5} = \frac{57,4}{5} = 11,48 \text{ g/dL}" data-type="inline-math"></span>$

4.3 Calcul de la médiane

Pour calculer la médiane :

1. Trier la série de données par ordre croissant.

2. Si l'effectif est impair, la médiane est la valeur du milieu.

3. Si l'effectif est pair, la médiane est la moyenne des deux valeurs centrales.

Exemple : Âges (en années) de 7 donneurs : 22 – 25 – 24 – 29 – 30 – 28 – 27

Série ordonnée : 22 – 24 – 25 – 27 – 28 – 29 – 30

Médiane = 27 ans

4.4 Identification du mode

• Le mode est la valeur la plus fréquente dans une série.

• Une série peut avoir plusieurs modes (multimodale) ou aucun mode si toutes les valeurs sont différentes.

Exemple : Résultats Hb (g/dL) : 11,2 – 11,5 – 11,2 – 11,8 – 11,7 – 11,2

Mode = 11,2 g/dL

4.5 Choix de l'indicateur le plus fiable

5. Paramètres de Dispersion (Étendue, Variance, Écart-type)

Les paramètres de dispersion mesurent l'étalement ou la variabilité des données autour de la tendance centrale. Ils complètent les paramètres de tendance centrale pour fournir une image complète de la distribution des données.

5.1 Utilité des mesures de dispersion

Deux séries de données peuvent avoir la même moyenne mais des dispersions très différentes, indiquant :

• Une anomalie dans les échantillons (variabilité excessive).

• Une erreur de manipulation (résultat aberrant).

• Une méthode d'analyse moins fiable.

5.2 Indicateurs de dispersion

5.3 Exemple de calcul des paramètres de dispersion

Valeurs : numération leucocytaire (en milliers/mm³) : 6,5 - 6,8 - 6,3 - 6,2 - 6,7

• Moyenne () : 6,5 K/mm³

• Étendue : 6,8 - 6,2 = 0,6

• Variance

• Écart-type K/mm³

• CV

Un CV très faible comme celui-ci indique une très faible dispersion et une série homogène de résultats.

5.4 Importance en Biologie

Un faible écart-type ou CV est indicateur d'une série cohérente et fiable. C'est important pour :

• Suivre un paramètre biologique dans le temps (ex: CRP, glycémie).

• Comparer deux méthodes d'analyse.

• Évaluer si une anomalie relève d'un vrai problème ou d'une variabilité normale.

6. Initiation aux Probabilités et à leur Rôle en Biologie

La probabilité est la mesure du risque ou de la chance qu'un événement se produise. Elle est fondamentale pour gérer l'incertitude dans les décisions biologiques et médicales.

6.1 Qu'est-ce qu'une probabilité ?

Une probabilité s'exprime sous forme de fraction, de nombre décimal, ou de pourcentage.

Exemple : Si 3 tubes sur 10 sont non conformes dans un laboratoire, la probabilité de tirer un tube non conforme est de 3/10 (0,3 ou 30%).

6.2 Types d'événements et Probabilités

6.3 Calcul d'une probabilité simple

La probabilité est le rapport entre le nombre de cas favorables et le nombre total de cas possibles.

$P(\text{événement}) = \frac{\text{Nombre de cas favorables}}{\text{Nombre total de cas possibles}}" data-type="inline-math"></span>$

Exemple : Sur 200 personnes dépistées, 50 sont séropositives au VIH. La probabilité qu'une personne testée soit séropositive est de ou .

6.4 Probabilité de l'événement complémentaire

La probabilité qu'un événement ne se produise pas (événement non A) est $1<span data-latex=" moins la probabilité qu'il se produise " data-type="inline-math"></span>P(A)$.

$\boxed{P(A) + P(\text{non } A) = 1}" data-type="inline-math"></span>$

Si 25% des patients sont positifs, alors 75% sont négatifs.

6.5 Applications biomédicales

7. Applications Contextualisées (Tests Simples, Interprétation)

Les tests statistiques permettent de répondre à des questions biologiques ou médicales en comparant des groupes ou des situations, et de déterminer si les différences observées sont significatives ou dues au hasard.

7.1 Notions fondamentales des tests d'hypothèse

7.2 Test du Chi² ()

• Utilisé pour comparer des proportions ou des répartitions entre deux ou plusieurs groupes.

• Applicable aux variables qualitatives.

Exemple : Y a-t-il un lien entre le sexe et la présence de paludisme dans une population dépistée ?

7.3 Test t de Student

• Permet de comparer les moyennes de deux groupes lorsque l'on a des résultats numériques (variables quantitatives).

Exemple : Le traitement A réduit-il la glycémie plus efficacement que le traitement B ?

Conditions d'application :

• Échantillons indépendants.

• Distribution des données approximativement normale.

• Effectifs pas trop faibles (n ≥ 30 préférable, mais accepté pour n > 10).

7.4 Cas pratique : Comparaison entre deux traitements

Deux groupes de 8 patients sont traités contre une infection urinaire. Leur température est mesurée 48h après traitement.

Calcul des moyennes :

• Traitement A : $\bar{x}_A = \frac{37,8 + 37,2 + 38,0 + 37,4 + 37,5 + 37,6 + 37,2 + 37,9}{8} = \frac{303,6}{8} = \mathbf{37,95^{\circ}C}" data-type="inline-math"></span>$

• Traitement B : $\bar{x}_B = \frac{38,5 + 38,3 + 38,0 + 38,2 + 38,1 + 38,4 + 38,2 + 38,3}{8} = \frac{306,0}{8} = \mathbf{38,25^{\circ}C}" data-type="inline-math"></span>$

Interprétation :

• La température moyenne du groupe A est 37,95 °C, celle du groupe B est 38,25 °C.

• La température moyenne est inférieure dans le groupe A, ce qui suggère que le traitement A pourrait être plus efficace pour réduire la fièvre.

• L'écart moyen de 0,3 °C (38,25 - 37,95) peut être cliniquement significatif.

• Un test t de Student serait nécessaire pour confirmer si cette différence est statistiquement significative.

Résumé des compétences acquises

Ce module développe une culture statistique pour les contextes biologiques, cliniques et sanitaires. Les compétences clés incluent :

• Classifier et structurer les données.

• Représenter clairement les résultats chiffrés.

• Calculer et interpréter les indicateurs clés (moyenne, médiane, écart-type, proportions).

• Utiliser la probabilité pour gérer l'incertitude.

• Comparer des groupes ou des traitements avec des tests simples (Chi², test t).