Qu’est-ce qu’un biais (erreur systématique) dans une étude ?

Avant d’inclure une étude dans une méta-analyse, il convient d’analyse les biais. Il existe différents outils :

  • ROBIN-I pour les essais non-randomisés
  • ROB2 pour les RCT randomized-controlled trials), les essais randomisés contrôlés. La randomisation consiste à donner aléatoirement un traitement aux groupes, celle-ci permet d’assurer une comparabilité initiale des groupes.

Ces outils proposent différents critères d’évaluation pour évaluer les potentiels biais dans le protocole, le design de l’étude et sa mise en place et au cours de l’étude ainsi que dans les analyses statistiques. Dans la méta-analyse de Fiolet et al., les biais ont été présentés en Figures supplémentaires S1 et S2 et dans le fichier Excel en Appendice.

Biais vs erreurs aléatoires

Toute étude présente des biais, il faut avant tout essayer de les prévoir pour les minimiser.

Les biais sont des erreurs méthodologiques ayant comme conséquence systématique de produire des estimations supérieures ou inférieures à la valeur réelle des paramètres étudiés (ici les risques relatifs). Les biais sont indépendants de la taille de l’échantillon

Ces erreurs systématiques (biais) sont à distinguer des erreurs dites aléatoires, uniquement dues au hasard. Quand on augmente la taille de la population d’étude, cela permet de diminuer les erreurs aléatoires (liées aux fluctuations d’échantillonnages) mais cela ne diminue pas les biais.

Erreur aléatoire: PRECISION. Imprécision de l’estimation. Diminue quand la taille de l’échantillon augmente. Intervalle de confiance donne une mesure de la précision du paramètre. Erreur systématique = BIAIS. En présence d’un biais la valeur observée sur l’échantillon fluctue autour de OR moyen « biaisé » OR et non autour de la valeur vraie dans la population. Notion de validité de l’estimation (décentrage) Ecart présentant une direction privilégiée. Indépendante de la taille de l’échantillon. Fluctuation d’échantillonnage. Effet cumul lors d’un biais.

Quelques exemples de biais :

  • Le biais de sélection (ou de population) est celui qui discrimine la population
    (Problèmes dans la constitution des échantillons, perdus de vue, non répondants…..)
  • Le biais de mesure (d’investigation, ou d’information) est du à une mesure incorrecte du facteur d’exposition (exemple : défaut de mémorisation différente chez les cas et les témoins, défaut de randomisation)
  • Le biais de confusion concerne une mauvaise analyse ou un facteur incriminé qui n’a aucun lien de causalité avec le phénomène observé.

Créez votre site Web avec WordPress.com
Commencer
%d blogueurs aiment cette page :