🔍
Erreur aléatoire vs systématiqueEn recherche, un biais est une erreur systématique qui fausse les résultats dans une direction précise, contrairement à l'erreur aléatoire liée au hasard. Imaginez une balance mal étalonnée qui ajoute toujours 2 kg : c'est un biais. En LCA, les biais menacent la validité interne d'une étude. Les identifier est essentiel pour juger de la fiabilité des conclusions.
📖 Définition
Biais : erreur systématique dans la conception, la réalisation ou l'analyse d'une étude, conduisant à une estimation incorrecte de l'association.
📢 Rappel
Erreur aléatoire : variabilité due au hasard, réduite en augmentant la taille de l'échantillon. Elle n'introduit pas de distorsion systématique.
🔍 Exemple
Un tensiomètre mal calibré donne des mesures toujours trop élevées : c'est un biais de mesure. La variabilité de la pression artérielle d'un instant à l'autre est une erreur aléatoire.
💡 À retenir : Un biais est une erreur systématique qui fausse les résultats dans un sens constant.
🧩
Les trois grandes famillesOn distingue principalement les biais de sélection, d'information et de publication. Le biais de sélection survient quand les groupes comparés ne sont pas comparables, par exemple si l'on recrute des volontaires en bonne santé vs des patients hospitalisés. Le biais d'information (ou de mesure) apparaît lorsque le recueil des données diffère entre les groupes, comme un interrogatoire plus poussé chez les cas. Le biais de publication désigne la tendance à ne publier que les résultats positifs.
📖 Définition
Biais de sélection : erreur systématique due à la manière dont les participants sont choisis ou répartis dans les groupes.
🔍 Exemple
Dans une étude cas-témoins, les cas peuvent se souvenir mieux de leur exposition passée que les témoins (biais de mémorisation).
⭐ À retenir
Un biais de publication survient quand les études avec résultats significatifs ont plus de chances d'être publiées, faussant les méta-analyses.
💡 À retenir : Le biais de sélection affecte la comparabilité des groupes, le biais d'information la qualité des mesures.
🎭
Le troisième facteur cachéUn facteur de confusion est une variable liée à la fois à l'exposition et à la maladie, qui peut créer ou masquer une association. Il ne doit pas être un intermédiaire dans la chaîne causale. Par exemple, le tabagisme est un facteur de confusion classique dans l'association café-cancer du poumon : les fumeurs boivent plus de café et ont un risque accru de cancer. L'analyse brute montre un lien, mais après ajustement sur le tabac, le lien disparaît.
📖 Définition
Facteur de confusion : variable tierce qui brouille l'association réelle entre l'exposition et la maladie.
🔍 Exemple
L'âge est souvent un facteur de confusion : les personnes âgées prennent plus de médicaments et ont plus de pathologies.
⭐ À retenir
Pour identifier un facteur de confusion, on compare la mesure brute (non ajustée) et la mesure ajustée. Si la différence est importante, il y a confusion.
💡 À retenir : Un facteur de confusion est associé à l'exposition et à la maladie, sans être une conséquence de l'exposition.
🛡️
Prévention et ajustementAu moment de la conception de l'étude, on peut limiter les biais par la randomisation, l'appariement ou la restriction. Lors de l'analyse, on utilise la stratification ou des modèles multivariés pour ajuster sur les facteurs de confusion. La randomisation est la méthode de référence car elle répartit aléatoirement les facteurs de confusion connus et inconnus. Un double aveugle prévient les biais d'information.
📢 Rappel
Randomisation : répartition aléatoire des sujets dans les groupes exposé/non exposé, assurant leur comparabilité.
⭐ À retenir
Stratification et analyse multivariée sont des méthodes d'ajustement a posteriori pour prendre en compte les facteurs de confusion.
💡 À retenir : La randomisation est le gold standard pour contrôler les facteurs de confusion, connus et inconnus.