Évaluation et mesure de l'état de la santé à l'échelle de la population

De Wikimedica
Sauter à la navigation Sauter à la recherche
Évaluation et mesure de l'état de la santé à l'échelle de la population
Concept
Informations
Spécialité Santé publique

OOjs UI icon help-ltr.svgPage non révisée par un comité éditorial

[ Classe (v1) ]

Pour répondre aux besoins en santé de sa population, le médecin se doit de connaitre l'état de santé de cette dernière. Il pourra ainsi concevoir des interventions médicales qui répondent aux besoins de la communauté.[1]

Obtenir et recueillir de l'information en matière de santé sont des aptitudes de première ligne en santé publique. Les études et les sources de données doivent être analysées judicieusement pour comprendre comment les facteurs étudiés influencent la santé de la collectivité et ainsi déterminer la conduite des professionnels de la santé.[1]

Objectif du CMC
Évaluation et mesure de l'état de santé à l'échelle de la population (78-2)

1 Obtention de données sur la santé populationnelle[modifier | w]

Les données sur l’état de santé des populations proviennent d’enquête auprès des habitants, mais aussi de données collectées (ex : registre des MADO), registre du coroner, d’études de prévalence et d’incidence.[2]

Évidemment ces données résultent d’un échantillon, et comportent donc une part d’incertitude liée à l’erreur et à la distribution, mais elles permettent de dresser un portrait pour fin de comparaison et de suivi. Il est donc important, comme clinicien, de contribuer à ces données, lorsqu’un signalement est requis par exemple.[2]

1.1 Quelques indicateurs de santé d'une population[modifier | w]

Indicateurs de la santé d'une population[2]
Indicateurs Définitions
Espérance de vie Nombre d’années qu’un individu né dans un pays donné peut espérer vivre en fonction du taux de mortalité standardisé
Taux de mortalité Définit comme le taux de décès (toute cause confondue) / 1000 habitants
Taux de mortalité selon l'âge Taux de décès ajusté par strate d’âge (permet la comparaison entre taux avec une structure d’âge différente – ex : Congo vs Japon ou Québec 1960 vs Québec 2015)
Taux de mortalité standardisé Nombre de décès / nombre de décès attendu pour un groupe
Taux de mortalité infantile Nombre de décès d’enfant < 1 an / 1000 enfants vivants < 1an pour une année
Taux de mortalité maternelle Nombre de mère enceinte décédée pergravida ou péripartum / 100 000 enfants vivants < 1 an pour une année
Ratio de mortalité proportionnelle Nombre de décès dû à une cause / nombre total de décès pour une période donnée
Années de vie potentielles perdues (PYLL) Différence entre l’âge du décès et l’âge de décès attendue, pour une population
Années de vie ajustées pour l'incapacité (DALY) Années de vie sans incapacité
Années de vie ajustée pour la qualité (QALY) Années de vie ajustées selon un multiplicateur (de 0 à 1) indiquant le niveau de qualité de vie

1.2 Devis d'étude[modifier | w]

Devis d'étude[2]
Type d'étude Caractéristiques
Quantitative Nombreux participants, permet de valider des hypothèses sur une base statistique.
Qualitative Permet de générer des idées, d’élaborer des théories à partir d’informations abondantes sur quelques sujets.
Prospective Évalue l’effet d’une exposition à partir d’un temps 0.
Rétrospective Regarde en arrière pour identifier des facteurs de risque, une exposition.
Essai cliniaque aléatoire Répartition des sujets en groupes de façon aléatoire, en tenant compte des facteurs confondants (groupes similaires) et assignation d’une exposition à un ou des groupes. Type d’étude ‘étalon’’ pour établir une causalité et évaluer l’efficacité d’un traitement. Plus la prévalence est faible, plus l’étude doit être grande. Très coûteux.
Essai clinique non aléatoire Exposition contrôlée à un facteur, mais randomisation des caractéristiques des groupes impossible (ex : niveau de revenus)
Étude de cohorte Sélections de sujets semblables, mais échantillons divisés selon exposition ou non. Très utile pour démontrer des associations. Ne prouvent pas la causalité. Facteurs confondants. Suivi au long cours nécessaire.
Étude cas-témoin Comparer des cas sélectionnés à des témoins sélectionnés pour étudier les FR Utile pour les maladies rares. Moins coûteux et moins long. Biais de rappel, biais de sélection des témoins
Étude descriptive, épidémiologique Études d’individus, sans échantillonnage ni exposition contrôlée

Permet de générer des hypothèses. Utilise pour estimer la prévalence, l’incidence.

Étude écologique Études de populations plutôt que d’individus

Utile pour générer des hypothèses. Résultats non-applicables à des individus.

2 Analyse des données[modifier | w]

2.1 Incidence (taux)[modifier | w]

Page principale: Incidence

Le taux d'incidence mesure la vitesse, la force ou l’intensité de la propagation d’une maladie dans une population déterminée.

Taux d'incidence:
I= n / T

  • I: taux d'incidence exprimé en temps-1
  • n: le nombre de nouveaux cas de la maladie survenus depuis le début de l’étude
  • T: cumul du temps écoulé entre le début et la fin de l’observation de chaque participant à risque de contracter la maladie.

Le temps pour chaque personne correspond au temps écoulé entre le début de l’étude et l’apparition de la maladie ou le temps entre le début et la fin de l’étude si le participant ne contracte pas la maladie.[3]

2.2 Incidence (cumulée)[modifier | w]

Page principale: Incidence cumulée

L'incidence cumulée est une proportion qui mesure le risque de survenue d’un événement.

Incidence cumulée:
IC = n / R

  • n: nombre de nouveaux cas apparus durant la période d’observation
  • R: est le nombre de personnes observées au début de l’étude

Le calcul de l'incidence cumulée n'est possible que lorsqu’il n’y a aucune perte au suivi lors de l’étude. Il est important de toujours préciser le temps de suivi, même si celui-ci n’est pas directement pris en compte dans le calcul.[5]

2.3 Prévalence[modifier | w]

Page principale: Prévalence

En épidémiologie, la prévalence se définit comme le nombre total de cas d'une maladie dans une population donnée à un moment précis dans le temps.[7] La prévalence est une proportion.[8]

Prévalence:
P = m / N

  • m: le nombre de personnes malades
  • N: le nombre de personnes constituant la population

Même si la prévalence est une mesure instantanée, la collecte des données pour calculer la prévalence d’une maladie s’échelonne nécessairement sur un certain laps de temps. Ce temps est normalement négligeable par rapport à la durée de la maladie étudiée.

Il est pertinent de noter qu'en donnant le nombre de malades, la prévalence dépend de deux autre facteurs, soient le taux d'incidence et la létalité. Ainsi,

Prévalence:
P ≈ I x d

  • I : taux d'incidence
  • d : durée de la maladie


2.4 Taux de mortalité[modifier | w]

Page principale: Taux de mortalité

En épidémiologie, la mortalité est indiquée comme un taux d'incidence des décès parmi une population.[11] Selon si la population est dynamique fermée ou dynamique ouverte, le calcul se fera d'une manière différente.

2.5 Taux d'attaque[modifier | w]

Page principale: Taux d'attaque

Le taux d’attaque est la proportion de personnes malade sur la proportion de personnes exposées à un risque reconnu. Le taux d’attaque est utile, par exemple, pour déterminer la dangerosité (ou virulence) d'une condition (comme l'obésité). Cela correspond à une incidence cumulée.[13] Le terme morbidité est souvent utilisé à tort comme synonyme.


2.6 Normalisation[modifier | w]

2.6.1 Normalisation directe (selon l'âge)[modifier | w]

  • On applique les données par tranche d’âge des populations à l’étude à une structure d’âge fictive.
  • Utile pour comparer des populations entre elles.[2]

2.6.2 Normalisation indirecte (selon l'âge)[modifier | w]

  • Nombre de cas survenus / nombre de cas attendus
  • Utile lorsque faibles incidences ou petites populations
  • Ex. : 22 cancers (village Y de 120 personnes) / 0,075 cancers/personnes (incidence de la population générale) x 120 personnes = 22/9
  • 22/9 = ratio standardisé de cancers de 2,44 pour ce village (soit près 2,5 fois le nombre de cancers attendus pour cette population) [2]

2.7 Mesures d'associations[modifier | w]

2.7.1 Rapport de cote[modifier | w]

Page principale: Rapport de cotes


Un odds ratio (OR) ou rapport de cotes (RC) est une statistique qui quantifie la force de association entre deux événements, A et B. L'OR est défini comme le rapport entre les probabilités de A en présence de B et les probabilités de A en l’absence de B, ou de manière équivalente (en raison d'une symétrie), le rapport de les probabilités de B en présence de A et les probabilités de B en l'absence de A.

Le rapport de cotes est plutôt utilisé dans les études cas-témoins tandis que le risque relatif est utilisé dans les études observationnelles. La raison étant que dans les études cas-témoins, les groupes et l'exposition sont biens définis.

Si la probabilité qu'un événement arrive dans le groupe A est p, et q dans le groupe B, le rapport des cotes est :

[p/(1 - p)] / [q/(1 - q)] = [p(1 - q)] / [q(1 - p)]
2.7.1.1 Interprétation[modifier | w]

L’odds ratio est toujours supérieur ou égal à zéro. Si l'odds ratio est :

  • ≈ 1: l'événement est indépendant du groupe ;
  • > 1: l'événement est plus fréquent dans le groupe A que dans le groupe B ;
  • >> 1: l'événement est beaucoup plus fréquent dans le groupe A que dans le groupe B ;
  • < 1: l' événement est moins fréquent dans le groupe A que dans le groupe B ;
  • ≈ 0: l' événement est beaucoup moins fréquent dans le groupe A que dans le groupe B.[15]


L’odds ratio est proche du risque relatif lorsque le nombre d’événements est faible. En d'autres termes, si p est petit alors p/(1-p) est à peu près égal à p.


2.7.2 Risque relatif[modifier | w]

Page principale: Risque relatif


Le risque relatif (RR) est le rapport entre la probabilité d'un résultat dans un groupe exposé et la probabilité d'un résultat dans un groupe non exposé.

Risque relatif:
(Ie/In)

  • Ie : l'incidence dans le groupe exposé
  • In : l'incidence dans le groupe non exposé

[17] Avec la différence de risque et l'odds ratio, le risque relatif mesure l'association entre l'exposition et l'issue.[18]

Le risque relatif est utilisé dans l'analyse statistique des données des expérimentaux, cohortes et transversales, pour estimer l'association entre traitements ou facteurs de risque et les résultats.[18][19] Par exemple, il est utilisé pour comparer le risque d'évolution défavorable lors d'un traitement médical par rapport à l'absence de traitement (ou un placebo), ou à un facteur de risque environnemental .

2.7.2.1 Interprétation[modifier | w]

En supposant un effet de causalité entre l’exposition et le résultat, les valeurs de RR peuvent être interprétées comme suit:

  • RR = 1 signifie que l'exposition n'affecte pas le résultat;
  • RR < 1 signifie que le risque de résultat est diminué par l'exposition;
  • RR > 1 signifie que l'exposition augmente le risque d'évolution.


2.7.3 Risque attribuable[modifier | w]

Page principale: Risque relatif

Le risque attribuable (RA) est la différence entre le risque d'un événement dans le groupe exposé et le groupe non exposé.[22]

2.7.3.1 Interprétation[modifier | w]
  • RA = 0, il n'y a pas de différence de risque
  • RA > 0, le facteur étudié est responsable de cas non-attribuables au risque général
  • RA< 0, le facteur étudié prévient des cas


2.7.4 Critères de causalité (Bradford-Hill)[2][modifier | w]

corrélation ou association ≠ forcément causalité

  • force de l'association
  • effet spécifique (une cause, un/des effet(s))
  • plausible sur le plan biologique
  • cohérence avec les connaissances actuelles
  • analogie possible (ex. : avec certains phénomènes animaux)
  • preuve expérimentale (étude, expérience)
  • relation temporelle (cause survient avant l'effet)
  • relation dose-réponse (effet proportionnel)
  • consistance et validité (qualité de l'étude)

2.7.5 Validité[modifier | w]

Dépend de la précision du résultat et de la reproductibilité[2]

  • Interne: À quel point le résultat représente la réalité des personnes étudiées
  • Externe: À quel point il est possible de généraliser à une population

2.7.6 Sensibilité d'un examen[modifier | w]

Page principale: Sensibilité

La sensibilité d'un test correspond à la probabilité que le résultat d'un examen soit réellement positif chez un malade.[24]

Sensibilité:
VP / (VP + FN)

  • VP : Vrais positifs
  • FN : Faux négatifs


2.7.7 Spécificité d'un examen[modifier | w]

Page principale: Spécificité

La spécificité d'un test correspond à la probabilité que le résultat d'un examen soit réellement négatif chez un individu non malade.[26]

Spécificité:
VN / (VN + FP)

  • VN : Vrais négatifs
  • FP : Faux positifs


2.7.8 Valeur prédictive positive[modifier | w]

Page principale: VPP


La valeur prédictive positive d'un examen détermine la capacité d'un test à confirmer, lorsque positif, la présence d'une pathologie donnée.

La valeur prédictive positive (VPP) indique la probabilité que la maladie soit réellement présente lorsque le résultat du test est positif.[28] Du point de vue du patient qui reçoit une résultat positif pour un test, la VPP dicte le niveau d'inquiétude qu'un patient devrait avoir.

VPP = Vrais positifs / (Vrais positifs + Faux positifs) • 100%

La VPP et la valeur prédictive négative (VPN) sont influencées par la prévalence d'une maladie. Une prévalence basse diminuera la VPP et augmentera la VPN. En d'autres mots, si on effectue un test pour une maladie à forte prévalence, il sera plus probable qu'un patient dont le test est positif ait réellement la maladie.[29]


2.7.9 Valeur prédictive négative[modifier | w]

Page principale: VPN


La valeur prédictive négative d'un examen détermine la capacité d'un à infirmer, lorsque négatif, la présence d'une pathologie donnée.

La valeur prédictive négative (VPN) indique la probabilité que la maladie soit absente lorsque le résultat du test est négatif. Du point de vue du patient qui reçoit une résultat négatif pour un test, la VPN dicte à quel point il devrait s'en réjouir.

VPN = Vrais négatifs / (Vrais négatifs + Faux négatifs) • 100%

La valeur prédictive positive (VPP) et la VPN sont influencées par la prévalence d'une maladie. Une prévalence basse diminuera la VPP et augmentera la VPN. En d'autres mots, si on effectue un test pour une maladie à forte prévalence, il sera plus probable qu'un patient dont le test est positif ait réellement la maladie.[32]


2.7.10 Biais[2][modifier | w]

  • erreur systématique
  • (et non aléatoire comme un instrument de mesure imprécis)
Biais Explications Correctifs
Biais de sélection Biais d'admission (Berckson) Témoins pris parmi les hospitalisés (plus malades)
  • Mieux préciser la population visée
  • Mieux définir les critères
  • Relancer les perdus de vus
  • Recrutement par tirage au sort
  • Randomisation
Biais de volontatriat Volontaires différents des moins volontaires ou non répondants
Perdus de vu Ne répondent plus
Travailleurs de la santé Meilleure santé que la population gnérale
Biais d'information Rappel Les cas (malades) se rappellent davantage de leur exposition que les non malades(différentiel)
  • Calibrer les outils de mesure
  • Standardiser les procédures
  • Formation
  • Évaluation à l’aveugle
  • Ressources + importantes
  • Observateur unique
  • Réponses anonymes
Mémoire Oublis des participants (non différentiel)
Instrument de mesure Mesures variables
Désirabilité sociale Le participant dit ce qu'il croit devoir dire
Inter/Intra-interviewer Façon de faire différente entre les interviewer ou avec différentes personnes (même interviewer)
Biais de confusion Facteur de confusion Facteur présent, lié à l'exposition et à la maladie

Sans lien causal

Fausse la mesure

Parfois non mesuré ou mal réparti

  • Restriction, appariement ou randomisation
  • Analyse stratifiée des données ou multivariée

2.7.11 Erreur de type 1[modifier | w]

Rejet de l'hypothèse nulle (aucun effet), alors qu'elle est vraie

2.7.12 Erreur de type 2[modifier | w]

Rejet de l'hypothèse alternative (effet existant), alors qu'elle est vraie

2.7.13 Puissance[2][modifier | w]

  • Capacité de rejeter l'hypothèse nulle si elle est fausse.
  • Augmente avec la taille de l'échantillon = 1-β

2.7.14 Signification statistique[2][modifier | w]

Page principale: Valeur p

L'erreur α (ou valeur p) est la probabilité d'obtenir par le fruit du hasard un résultat autant ou plus extrême que celui observé si en réalité il n'y avait pas de différence entre les deux groupes à l'étude.

L'erreur α est évaluée en comparaison avec une valeur fixée par le chercheur au début de l'étude et au delà de cette dernière, le résultat est jugé statistiquement non significatif. Par coutume, ce seuil est fixé à 0.05 ou 0.01.[2] Par exemple, si on obtient un p à 0.2 pour une valeur et que le seuil que le chercheur s'est donné a été fixé à 0.05, le résultat est non significatif.

L'erreur α correspond à la probabilité de commettre une erreur de type 1. Soit l'erreur de conclure qu'un traitement est efficace alors qu'il ne l'est pas (un faux positif).[2][34]

2.7.15 Signification clinique[2][modifier | w]

  • Applicabilité du résultat à la clinique.
  • Coût, disponibilité, adapté au patient, effets secondaires, etc.
  • Bref, les résultats sont-ils valides, quels sont-ils et vont-ils changer ma pratique?

3 Références[modifier | w]

  1. 1,0 et 1,1 « 78-2 Évaluation et mesure de l'état de santé à l'échelle de la population | Le Conseil médical du Canada », sur mcc.ca (consulté le 25 mars 2020)
  2. 2,00 2,01 2,02 2,03 2,04 2,05 2,06 2,07 2,08 2,09 2,10 2,11 2,12 2,13 2,14 et 2,15 Maxime Ouellet, Préparation à l'exament du Conseil Médical Canadien (CMC): Résumé des objectifs et situations cliniques essentielles du CMC , hiver 2017, 325 p. (lire en ligne) Erreur de référence : Balise <ref> non valide ; le nom « :0 » est défini plusieurs fois avec des contenus différents Erreur de référence : Balise <ref> non valide ; le nom « :0 » est défini plusieurs fois avec des contenus différents
  3. André Simpson, Clément Beaucage et Yv Bonnier Viger, Épidémiologie appliquée : Une initiation à la lecture critique de la littérature en sciences de la santé, Montréal, Gaëtan Morin Éditeur, , 2e éd., 318 p. (ISBN 978-2-89105-993-0), p. 47
  4. André Simpson, Clément Beaucage et Yv Bonnier Viger, Épidémiologie appliquée : Une initiation à la lecture critique de la littérature en sciences de la santé, Montréal, Gaëtan Morin Éditeur, , 2e éd., 318 p. (ISBN 978-2-89105-993-0), p. 47
  5. André Simpson, Clément Beaucage et Yv Bonnier Viger, Épidémiologie appliquée : Une initiation à la lecture critique de la littérature en sciences de la santé, Montréal, Gaëtan Morin Éditeur, , 2e éd., 318 p. (ISBN 978-2-89105-993-0), p. 43
  6. André Simpson, Clément Beaucage et Yv Bonnier Viger, Épidémiologie appliquée : Une initiation à la lecture critique de la littérature en sciences de la santé, Montréal, Gaëtan Morin Éditeur, , 2e éd., 318 p. (ISBN 978-2-89105-993-0), p. 43
  7. Louis Samson, David Turgeon et al., Système cardiovasculaire, t. I, Québec, Canada, Université Laval, , p. 158
  8. André Simpson, Clément Beaucage et Yv Bonnier Viger, Épidémiologie appliquée : Une initiation à la lecture critique de la littérature en sciences de la santé, Montréal, Gaëtan Morin Éditeur, , 2e éd., 318 p. (ISBN 978-2-89105-993-0), p. 42
  9. Louis Samson, David Turgeon et al., Système cardiovasculaire, t. I, Québec, Canada, Université Laval, , p. 158
  10. André Simpson, Clément Beaucage et Yv Bonnier Viger, Épidémiologie appliquée : Une initiation à la lecture critique de la littérature en sciences de la santé, Montréal, Gaëtan Morin Éditeur, , 2e éd., 318 p. (ISBN 978-2-89105-993-0), p. 42
  11. André Simpson, Clément Beaucage et Yv Bonnier Viger, Épidémiologie appliquée : Une initiation à la lecture critique de la littérature en sciences de la santé, Montréal, Gaëtan Morin Éditeur, , 2e éd., 318 p. (ISBN 978-2-89105-993-0), p. 313
  12. André Simpson, Clément Beaucage et Yv Bonnier Viger, Épidémiologie appliquée : Une initiation à la lecture critique de la littérature en sciences de la santé, Montréal, Gaëtan Morin Éditeur, , 2e éd., 318 p. (ISBN 978-2-89105-993-0), p. 313
  13. André Simpson, Clément Beaucage et Yv Bonnier Viger, Épidémiologie appliquée : Une initiation à la lecture critique de la littérature en sciences de la santé, Montréal, Gaëtan Morin Éditeur, , 2e éd., 318 p. (ISBN 978-2-89105-993-0), p. 47
  14. André Simpson, Clément Beaucage et Yv Bonnier Viger, Épidémiologie appliquée : Une initiation à la lecture critique de la littérature en sciences de la santé, Montréal, Gaëtan Morin Éditeur, , 2e éd., 318 p. (ISBN 978-2-89105-993-0), p. 47
  15. « Odds ratio — Wikipédia », sur fr.wikipedia.org (consulté le 21 novembre 2019)
  16. « Odds ratio — Wikipédia », sur fr.wikipedia.org (consulté le 21 novembre 2019)
  17. Dictionary of Epidemiology, 6th, , 245, 252 p. (ISBN 978-0-19-939006-9, DOI 10.1093/acref/9780199976720.001.0001, lire en ligne)
  18. 18,0 18,1 18,2 et 18,3 « Proportions, odds, and risk », Radiology, vol. 230, no 1,‎ , p. 12–9 (PMID 14695382, DOI 10.1148/radiol.2301031028)
  19. Richard K. Riegelman, Studying a study and testing a test: how to read the medical evidence, Philadelphia, 5th, , 389 p. (ISBN 978-0-7817-4576-5, OCLC 56415070)
  20. Dictionary of Epidemiology, 6th, , 245, 252 p. (ISBN 978-0-19-939006-9, DOI 10.1093/acref/9780199976720.001.0001, lire en ligne)
  21. Richard K. Riegelman, Studying a study and testing a test: how to read the medical evidence, Philadelphia, 5th, , 389 p. (ISBN 978-0-7817-4576-5, OCLC 56415070)
  22. (en) « Risk difference - Wikipedia », sur en.wikipedia.org (consulté le 3 décembre 2019)
  23. (en) « Risk difference - Wikipedia », sur en.wikipedia.org (consulté le 3 décembre 2019)
  24. André Simpson, Clément Beaucage et Yv Bonnier Viger, Épidémiologie appliquée : Une initiation à la lecture critique de la littérature en sciences de la santé, Montréal, Gaëtan Morin Éditeur, , 2e éd., 318 p. (ISBN 978-2-89105-993-0), p. 313
  25. André Simpson, Clément Beaucage et Yv Bonnier Viger, Épidémiologie appliquée : Une initiation à la lecture critique de la littérature en sciences de la santé, Montréal, Gaëtan Morin Éditeur, , 2e éd., 318 p. (ISBN 978-2-89105-993-0), p. 313
  26. André Simpson, Clément Beaucage et Yv Bonnier Viger, Épidémiologie appliquée : Une initiation à la lecture critique de la littérature en sciences de la santé, Montréal, Gaëtan Morin Éditeur, , 2e éd., 318 p. (ISBN 978-2-89105-993-0), p. 313
  27. André Simpson, Clément Beaucage et Yv Bonnier Viger, Épidémiologie appliquée : Une initiation à la lecture critique de la littérature en sciences de la santé, Montréal, Gaëtan Morin Éditeur, , 2e éd., 318 p. (ISBN 978-2-89105-993-0), p. 313
  28. Louis Samson, David Turgeon et al., Système cardiovasculaire, t. I, Québec, Canada, Université Laval, , p. 158
  29. (en) « Sensitivity, Specificity, Positive Predictive Value, and Negative Predictive Value », sur The Pennsylvania State University (consulté le 30 septembre 2019)
  30. Louis Samson, David Turgeon et al., Système cardiovasculaire, t. I, Québec, Canada, Université Laval, , p. 158
  31. (en) « Sensitivity, Specificity, Positive Predictive Value, and Negative Predictive Value », sur The Pennsylvania State University (consulté le 30 septembre 2019)
  32. (en) « Sensitivity, Specificity, Positive Predictive Value, and Negative Predictive Value », sur The Pennsylvania State University (consulté le 30 septembre 2019)
  33. (en) « Sensitivity, Specificity, Positive Predictive Value, and Negative Predictive Value », sur The Pennsylvania State University (consulté le 30 septembre 2019)
  34. (en) « Type I and type II errors - Wikipedia », sur en.wikipedia.org (consulté le 27 novembre 2019)
  35. (en) « Type I and type II errors - Wikipedia », sur en.wikipedia.org (consulté le 27 novembre 2019)