Fiche de révision : Principes et biais des études cas-témoins

📋 Plan du Cours

1. Généralités sur les études cas-témoins
2. Estimation de l’odds ratio
3. Sélection des cas
4. Sélection des témoins
5. Biais de sélection et d’information
6. Biais de confusion
7. Synthèse des biais

📖 1. Généralités sur les études cas-témoins

🔑 Notions clés & Définitions

• Études cas-témoins : Études observationnelles où l’on compare des personnes malades et non malades pour chercher une association avec un facteur d’exposition.
• Cas : Sujets atteints de la maladie étudiée inclus à partir d’une population source définie.
• Témoins : Sujets non atteints de la maladie étudiée inclus à partir de la même population source que les cas.
• Cas incidents : Cas correspondant à un début récent de la maladie, utile pour limiter les biais liés à la temporalité du diagnostic.
• Cas prévalents : Cas correspondant à des personnes déjà malades au moment du recueil, dont certains facteurs peuvent être influencés par la maladie.

📝 Points essentiels

• Les études cas-témoins visent une association entre exposition et risque (ou présence) de la maladie, sans estimer directement la prévalence ni l’incidence.
• La logique d’échantillonnage consiste à sélectionner deux groupes aléatoires depuis la même population source puis à rechercher l’exposition chez tous les sujets inclus.
• Elles sont souvent plus rapides et moins coûteuses qu’une cohorte car il n’y a pas de suivi dans le temps et donc pas de perdus de vue.
• Elles sont adaptées aux maladies rares, mais les expositions rares et l’interprétation temporelle sont moins favorables, surtout avec des cas prévalents.

💡 Astuce mémo

Cas-témoins = Malades vs Non-malades, on remonte l’exposition avant pour voir si ça “pousse” la maladie.

📖 2. Estimation de l’odds ratio

🔑 Notions clés & Définitions

• Odds ratio : Rapport des cotes d’exposition entre cas et non-cas, utilisé pour mesurer l’intensité de l’association dans les études cas-témoins.
• Rapport de cotes : Mesure de type odds qui compare les chances relatives d’exposition chez les malades versus les non-malades.
• Risque relatif : Rapport des probabilités de maladie entre exposés et non exposés, interprétable directement quand l’incidence peut être mesurée.

📝 Points essentiels

• L’odds ratio s’écrit comme OR = [P(M/E)/(1−P(M/E))] ÷ [P(M/¬E)/(1−P(M/¬E))] où M est la maladie et ¬E l’absence d’exposition.
• Dans le tableau de 2×2 (E parmi cas et témoins), l’odds ratio s’estime par OR = (a/c)×(d/b) ou équivalemment OR = ad/bc.
• Si la maladie est rare, alors OR est une bonne approximation de RR car les odds et les risques deviennent proches (l’écart est faible).
• En cas de maladie rare, si RR=2 et P(M/¬E)=0,01, alors OR ≈ RR×(0,99/0,98)=RR×1,01.

💡 Astuce mémo

Maladie rare : OR colle à RR, car (1−p) reste presque 1, donc le “÷ (1−p)” ne change presque rien.

📖 3. Sélection des cas

🔑 Notions clés & Définitions

• Définition diagnostique : Description précise et reproductible des critères requis pour identifier les cas, incluant clinique et examens complémentaires.
• Sensibilité : Capacité des critères diagnostiques à identifier correctement les personnes réellement malades.
• Spécificité : Capacité des critères diagnostiques à exclure correctement les personnes réellement non malades.

📝 Points essentiels

• La sélection des cas doit utiliser une définition diagnostique précise, reproductible et pertinente, en recherchant un bon équilibre de sensibilité et de spécificité.
• Les cas doivent provenir d’une population identifiée dans l’espace et dans le temps, avec échantillonnage aléatoire ou exhaustif sans lien avec l’exposition.
• Les cas incidents sont préférables aux cas prévalents car ils limitent la causalité inverse et le biais d’information protopathique.
• Des biais de survie sélective apparaissent si une exposition modifie la durée ou le pronostic : une survie plus courte peut sous-estimer l’association et une survie plus longue peut la surestimer.

💡 Astuce mémo

Incident = exposition mesurée avant la “vraie” chronologie, donc moins de causalité inverse.

📖 4. Sélection des témoins

🔑 Notions clés & Définitions

• study-base principle : Principe selon lequel les témoins doivent provenir de la même population d’origine que les cas, sans être issus d’un sous-groupe choisi différemment.
• deconfounding principle : Principe visant à contrôler le biais de confusion via l’appariement sur facteurs connus ou via des choix de conception limitant les différences.
• Comparable accuracy principle : Principe imposant une mesure de l’exposition aussi comparable que possible entre cas et témoins, avec le même mode de recueil.
• Appariement : Méthode de sélection où chaque cas est associé à des témoins partageant des caractéristiques choisies pour limiter la confusion.

📝 Points essentiels

• Principe study-base : les témoins doivent venir de la même population source que les cas, sans utiliser une autre population ni un sous-groupe qui aurait pu être sélectionné comme cas autrement.
• Pour des témoins hospitaliers, la validité exige qu’ils auraient été admis dans le même hôpital si la maladie étudiée était survenue et que l’exposition ne influence pas l’admission.
• Principe deconfounding : la confusion peut être contrôlée par appariement sur des facteurs connus (ex. âge, sexe) ou non mesurables selon l’objectif (ex. génétique via fratrie).
• Principe de comparable accuracy : cas et témoins doivent avoir la même manière d’évaluer l’exposition (questionnaire, examens), idéalement avec procédures standardisées.

💡 Astuce mémo

Témoins = même “base”, même “mesure”, et même “comparaison” pour que la différence vienne de l’exposition.

📖 5. Biais de sélection et d’information

🔑 Notions clés & Définitions

• Biais : Écart entre la valeur estimée d’un paramètre et sa valeur réelle, conduisant à une sur- ou sous-estimation.
• Biais de sélection : Biais lié à la façon dont les sujets sont sélectionnés (primaire) ou à la façon dont l’analyse tient compte des sujets sélectionnés (secondaire).
• Sélection secondaire : Biais dû à des sujets sélectionnés mais non inclus faute de participation ou d’information manquante sur l’exposition.
• Biais d’information : Biais causé par une information erronée ou mesurée différemment pour l’exposition ou le diagnostic.

📝 Points essentiels

• Les biais peuvent être indépendants de l’effectif et ne se corrigent donc pas simplement en augmentant le nombre de sujets.
• Biais de sélection primaire : problème majeur surtout pour la sélection des témoins, car un mauvais groupe de comparaison fausse l’estimation.
• Biais de sélection secondaire : sans suivi, l’information d’exposition peut manquer de façon liée à la maladie et à l’exposition, entraînant une sur- ou sous-estimation.
• Biais d’information : la mesure de l’exposition est souvent plus exhaustive chez les cas que chez les témoins (biais différentiel), d’où l’importance de la standardisation et du recueil aussi aveugle que possible.

💡 Astuce mémo

Sélection = qui est dans l’étude ; Information = ce qu’on mesure, et si on ne mesure pas pareil, on invente une association.

📖 6. Biais de confusion

🔑 Notions clés & Définitions

• Facteur de confusion : Facteur associé à la fois à la maladie et à l’exposition, pouvant créer ou masquer une association apparente.
• Ajustement : Méthode statistique visant à contrôler la confusion en comparant des individus de niveaux comparables sur les facteurs concernés.
• Stratification : Approche de contrôle par regroupement des sujets par niveaux de facteurs confondants avant de comparer les expositions.
• Restriction : Contrôle de la confusion en limitant l’analyse à un sous-groupe défini, par exemple selon le statut d’exposition.

📝 Points essentiels

• Le biais de confusion survient quand un facteur n’est pas pris en compte et modifie le niveau observé de l’association entre exposition et maladie.
• L’association peut être surestimée ou sous-estimée selon que le statut vis-à-vis de l’exposition est corrélé à des facteurs confondants.
• La confusion peut être contrôlée par appariement lors de la sélection ou par ajustement à l’analyse via stratification ou régression logistique.
• La restriction peut contrôler la confusion (ex. non-fumeurs uniquement) mais diminue la validité externe car la population analysée se réduit.

💡 Astuce mémo

Confusion = facteur caché qui “travaille” avec exposition et maladie, donc l’ajustement enlève son effet.

📖 7. Synthèse des biais

🔑 Notions clés & Définitions

• Validité interne : Propriété d’une étude indiquant que les résultats sont correctement attribuables à la variable étudiée plutôt qu’à des biais.
• Confusion : Biais dû à un facteur non contrôlé associé à l’exposition et à la maladie.
• Sélection primaire : Biais provenant du choix initial des cas ou des témoins lors du recrutement.

📝 Points essentiels

• Dans les études cas-témoins, tous les biais sont possibles et potentiellement sévères, donc la conception et l’analyse doivent être attentives.
• Le biais de confusion est un problème majeur et se gère par appariement et/ou analyses multivariées.
• Le biais de sélection primaire touche particulièrement les témoins si le groupe de comparaison n’est pas correctement défini.
• Le biais d’information est moins dominant que la sélection et la confusion mais reste important, notamment via une mesure différencielle de l’exposition.

💡 Astuce mémo

Priorités : témoins (sélection primaire) + confusion + information, car ce sont les “gros leviers” des résultats.

📊 Tableaux de synthèse

Odds ratio et risque relatif

⚠️ Pièges & confusions fréquents

1. Confondre OR et RR : OR s’interprète en cotes et ne se convertit en RR que lorsque la maladie est rare.
2. Choisir des témoins d’une population différente des cas peut créer un biais de sélection majeur et conduire à des conclusions erronées.
3. Utiliser des cas prévalents peut entraîner une causalité inverse ou un biais protopathique, car certains facteurs peuvent être influencés par la maladie.
4. Mesurer l’exposition de façon différente entre cas et témoins (mémorisation plus fréquente chez les cas) peut produire un biais d’information différentiel.
5. Oublier un facteur de confusion peut inverser ou exagérer l’association, car l’effet observé n’est pas forcément l’effet causal de l’exposition.
6. Croire qu’augmenter l’effectif élimine les biais : les biais principaux ne sont pas corrigés automatiquement par une taille d’échantillon plus grande.
7. Faire une restriction pour contrôler la confusion sans réfléchir à la validité externe peut rendre les résultats difficiles à généraliser.

✅ Checklist Examen

1. Définir les études cas-témoins et leur objectif d’association entre exposition et maladie.
2. Expliquer pourquoi une étude cas-témoins ne permet pas d’estimer directement la prévalence ni l’incidence.
3. Décrire la sélection des cas et des témoins depuis la même population source.
4. Donner la signification de cas incidents et pourquoi ils sont préférables aux cas prévalents.
5. Écrire la formule de définition de l’odds ratio en termes de probabilités et d’odds.
6. Calculer l’odds ratio à partir d’un tableau 2×2 avec les effectifs a,b,c,d.
7. Relier OR et RR : préciser l’approximation valable lorsque la maladie est rare et interpréter la conséquence sur le calcul.
8. Justifier une sélection des cas fondée sur une définition diagnostique précise, reproductible, avec sensibilité et spécificité.
9. Lister les principes de sélection des témoins (study-base, deconfounding, comparable accuracy) et ce qu’ils imposent.
10. Pour des témoins hospitaliers, énoncer les conditions nécessaires à un choix valide (même hôpital si maladie, exposition non liée à l’admission).
11. Citer les principaux biais en cas-témoins et distinguer biais de sélection primaire, sélection secondaire et biais d’information.
12. Expliquer comment la confusion est contrôlée (appariement, stratification, régression logistique) et ce que coûte la restriction (validité externe).
13. Conclure la synthèse : identifier les biais majeurs à prioriser (confusion, témoins, information) pour la validité interne.