ULaval:MED-2231/Validité, précision et sources d’erreurs
Une mesure juste est précise et valide. Il est possible par contre d’avoir une mesure valide mais non précise et vice-versa. Les résultats d'une étude peuvent aussi être affectés par plusieurs types de biais, notamment les biais de sélection, d'information et de confusion.[1]
Mesure juste
Il existe deux types d’erreurs : l’erreur aléatoire et l’erreur systématique. L’absence d’erreur systématique renvoie à la validité alors que l’absence d’erreurs aléatoires représente la précision. Une mesure précise signifie donc que l’effet observé n’est aucunement lié au hasard. Une mesure juste est précise et valide. Il est possible par contre d’avoir une mesure valide mais non précise et vice-versa.
Validité
La validité renvoie à la capacité d’évaluer correctement un phénomène ou d’en mesurer la valeur réelle. On distingue deux types de validité, la validité interne et la validité externe. La validité interne est la capacité d’une étude d’estimer correctement les mesures. La validité externe est la capacité de généraliser un résultat à une population cible.
La validité est affectée par la présence de biais (erreurs systématiques). Un biais apparaît lorsqu’une mesure s’écarte systématiquement de la valeur réelle. Un biais pourrait être causé, par exemple, par un instrument mal calibré. Pour prévenir les biais, il est nécessaire d’employer une démarche rigoureuse, que ce soit en recherche ou en clinique.
Précision
La précision d’une mesure réfère au fait qu’elle fluctue peu, c’est-à-dire qu’il n’y a pas d’erreur aléatoire. Une mesure peut varier selon les variations biologiques qui sont propres à chaque individu. Par exemple, les moments de la journée, les heures d’alimentation et les changements d’humeur peuvent affecter les mesures. Les données récoltées peuvent varier également en raison des différences entre les sujets étudiés. D’autres variations peuvent être liées aux instruments de mesure utilisés, à l’observateur ou au degré de collaboration des sujets.
Pour prévenir l’erreur aléatoire, il est nécessaire d’employer des instruments bien conçus. L’emploi d’un échantillon de grande taille permet également de d’améliorer la précision des mesures.
Types de biais
Biais de sélection
Le biais de sélection est lié aux procédures de sélection des sujets de l’étude.
- Biais d’échantillonnage ou de survie élective: survient lorsque des membres de la population à l’étude ont moins de chance d’être sélectionnées dans une étude. Par exemple, certains sujets pourraient être moins susceptibles d’être dans l’étude puisqu’ils sont asymptomatiques ou encore parce qu’ils souffrent d’une maladie causant rapidement le décès.
- Biais d’admission ou de Berkson: survient lorsque les sujets sélectionnés sont différents de la population cible en raison de l’exposition étudiée (plus grande proportion de gens exposés dans l’échantillon que dans la population cible).
- Biais de migration ou des perdus de vue: dans une étude où il y a eu des sujets perdus de vue, il est possible de surévaluer ou de sous-évaluer l’efficacité d’une intervention puisque l’on ne peut pas savoir si les gens perdus de vue ont été guéri ou non par le traitement.
- Biais de volontariat: se produit lorsque le recrutement des sujets de l’étude se fait par volontariat. Les caractéristiques de sujets volontaires ne représentent pas nécessairement les caractéristiques de la population à l’étude.
- Biais de « bonne santé des travailleurs »: les travailleurs ont généralement un taux de morbidité et de mortalité moins élevé que la population générale. Cela est secondaire au fait que les personnes en bonne santé ont plus de chance de conserver un emploi. On ne peut donc généraliser les résultats obtenus dans une population de travailleurs qu’à une population de travailleurs.
- Biais de publication: ce biais peut être retrouvé dans les articles de synthèse. Il est lié à la tendance des chercheurs de publier davantage les articles qui appuient les hypothèses de recherche plutôt que ceux qui les contredisent.
| Types de biais | Prévention du biais |
|---|---|
| Échantillonnage | S’assurer que tous les membres de la population ont la même probabilité d’être sélectionnés pour l’étude. Par exemple, en effectuant un échantillonnage aléatoire stratifié |
| Admission | Vérifier que les caractéristiques des sujets à l’étude sont représentatives de la population cible. |
| Migration | Employer des méthodes pour minimiser les perdus de vue |
| Volontariat | Utiliser un échantillonnage aléatoire |
| « Bonne santé des travailleurs » | Comparer les résultats obtenus dans un groupe de travailleurs uniquement à une population de travailleurs |
| Publication | Prendre des mesures pour retrouver les études qui n’ont pas été publiées |
Biais d’information
Le biais d’information est causé par la mesure incorrecte de l’exposition ou de la maladie. Ce type de biais peut être causé par des instruments de mesure de mauvaise qualité, à une mauvaise méthode de récolte des données ou encore par de mauvaises pratiques de la part de l’observateur.
- Erreur de classification non différentielle: cela survient lorsque les mesures sont prises par un même instrument imparfait dans les deux groupes comparés. L’erreur de classification non différentielle affecte de la même façon les deux groupes. Ce type d’erreur cause une sous-estimation de la vraie mesure d’association.
- Erreur de classification différentielle: ce type d’erreur affecte différemment les deux groupes comparés dans l’étude. Elle peut mener à une surestimation ou à une sous-estimation de la mesure d’association.
- Biais de rappel: ce type de biais peut survenir dans les études cas-témoins et dans les études transversales. Il est du au fait que les personnes souffrant d’un problème de santé ont tendance à se rappeler davantage de l’exposition antérieure à un facteur de risque que les individus en santé.
Réduction des biais d’information
Pour diminuer les biais d’information, il est nécessaire de décrire convenablement les méthodes d’obtention des données ainsi que les instruments utilisés. Il est aussi essentiel pour les chercheurs de bien décrire les instruments qu’ils emploient et de décrire leurs limites.
Dans les études expérimentales, il est important que la répartition et la sélection des sujets soient effectuées aléatoirement. Il est aussi idéal que la personne qui analyse les résultats ignore quel traitement est administré à quel sujet.
Biais de confusion
Un biais de confusion est causé par la présence d’un facteur influençant de façon indépendant la maladie et le facteur d’exposition à l’étude. Un facteur de confusion ne doit donc pas entrer dans la chaîne causale de la maladie. Un facteur de confusion peut provenir des caractéristiques de la population à l’étude ou de la façon dont les sujets ont été sélectionnés. Un biais de confusion se traduira par le fait que la mesure d’association brute ne sera pas comprise entre la mesure spécifique la plus élevée et la mesure spécifique la plus basse.
Réduction du biais de confusion
Il est possible d’éliminer l’effet d’un facteur de confusion en étudiant les mesures selon les strates du facteur de confusion (ex : par tranche d’âge).
Pour éviter un biais de confusion lors de l’échantillonnage, il est possible de procéder par restriction ou par assortiment. Procéder par assortiment signifie que l’on choisit, pour les deux groupes comparés, des individus qui sont semblables par rapport au facteur de confusion potentiel. Procéder par restriction veut dire que l’on exclut de l’étude les gens exposés au facteur potentiellement confondant.
La répartition des sujets par hasardisation dans une étude expérimentale permet également de prévenir le biais de confusion. Il faut cependant vérifier que la distribution des caractéristiques de personne est semblable entre les deux groupes étudiés. Dans la majorité des articles scientifiques, les caractéristiques des sujets de l’étude sont exposées dans un tableau, ce qui permet de vérifier si les deux groupes sont comparables.
Il est également possible de contrôler les biais de confusion lors de l’analyse par stratification ou à l’aide de modèles mathématiques. Sinon, on peut contrôler ce type de biais par l’ajustement de la mesure d’association.