PEGASUS · UNIGE — Statistiques pour médecins · semestre 1 · CHAPITRE 12 / 15

Ch12 — Étude cas-témoins

⭐⭐⭐ LE CHAPITRE DU RAISONNEMENT À L'ENVERS · on part du diagnostic, on remonte à l'exposition · la proportion de cas est arbitraire ⇒ aucun risque, seulement des odds · OR = ad/bc sur un tableau ordonné · OR d'exposition = OR de maladie (la « magie ») · OR ≈ RR si la maladie est rare · régression logistique : OR par unité, simple = non ajusté, multiple = ajusté · appariement ⇒ McNemar = B/C sur les paires discordantes — séance 12 — Pr C. Combescure

📊 Diapos : 50/50 mappées (Statistiques pour médecins_12_cas_témoins.pdf — 1 diapo par page, format 16:9, 960 × 540 pt, numéro imprimé = numéro de page) et 50/50 regardées une par une (9 montages) 🎙️ Oral : séance 12 en entier (1 h 47 de parole, pause 44:09 → 59:56) + l'ouverture de la séance 13 (rappel complet du chapitre, 00:08 → 13:49 : « on le calcule comme un ratio d'odds d'exposition, mais on va l'interpréter comme un ratio d'odds de la maladie, c'est un peu ça la magie de l'odds ratio ») 📝 Exercices : 3 exercices officiels du fichier questions12 (avantages et inconvénients · hyponatrémie au marathon, OR = 3,5 · infarctus apparié, McNemar = 4) tous corrigés par le prof et recalculés en Python — plus la question du répétitoire (cancer de la vessie et tabagisme) 📜 Annales : 4 questions sur 43 en quatre ans (SFO 2021 Q10, 2022 Q2, 2024 Q30, 2024 Q31) — 2021 Q10 et 2024 Q31 sont LA MÊME question (choisir les témoins d'une étude café et cancer du pancréas) ; les quatre sont des questions de RAISONNEMENT, sans calcul : qui sont les témoins, ce qu'on peut estimer, ce qu'on ne peut pas 🎯 Programme d'examen dans les mots du prof (59:56, 33:45, 1:17:34, 1:18:39, 1:45:32) : « Je ne vous interrogerai jamais sur la malnutrition aiguë, c'est sur les concepts méthodologiques » · « Faites attention à ce que votre tableau soit correctement ordonné » · « L'interprétation de l'odds ratio lorsque la variable est continue, ce n'est pas la même chose » · « Vous n'aurez pas de question sur la transformation logit » · « Si les données sont appariées ou pas, ce n'est pas le même calcul » 🗑️ Hors examen (logo poubelle) : la régression linéaire sur du binaire (d.32), la formule du logit et eb (d.33-35), la sortie de régression du NEJM (d.37) ; les résultats des exemples (Népal d.25-27, NEJM d.36-37, litchi d.45-48) ne sont pas à connaître, seuls les concepts qu'ils illustrent ⚠️ Écarts déclarés : 12 — arrondis oraux (« 2,2 » pour 2,16, « 1,3 à 3,7 », « 2,6 à 6,8 », « ≈ 37 » pour 36,6) · lapsus de transcription « 7 × 701 » pour 7 × 101 · la table des paires du litchi est reconstituée par le prof (66 cas litchi en paires contre 67 individus) · « 4 témoins par cas ⇒ 20 % de cas » calculé, pas imprimé · le NEJM écrit « risk ratio » pour des odds ratios · 104 vs 103 + 102 · questions12 ex. 1 demande 2 inconvénients, le corrigé en donne 3 · l'analyse naïve de l'ex. 3 (2,25) est une variante ajoutée · 2022 Q2 : clé reconstituée · répétitoire : énoncé reconstitué depuis l'oral · la transcription écrit « os ratio », « hôtes », « LODES » pour odds — normalisé dans les citations. Aucun ne change une conclusion ; tous sont signalés là où ils tombent.
0/0
🐎 PEGASUS📊 Diapos 2.0 Ch12🧠 Page blanche
🎯 LE CHAPITRE OÙ L'ON N'A PLUS LE DROIT DE DIRE « RISQUE ». Quatre annales sur 43, aucune ne demande un calcul : elles demandent de raisonner sur le design. Qui sont les témoins (des personnes sans la maladie étudiée, jamais choisies sur l'exposition, ni hospitalisées pour autre chose, ni conjoints) ; ce qu'on peut estimer (la prévalence de l'exposition chez les cas et chez les témoins, un odds ratio) ; ce qu'on ne peut pas (un risque, un taux d'incidence, une survie, plusieurs maladies) ; ce qu'on peut faire (apparier, une variable continue). Le prof a dit lui-même où sont les pièges d'examen : le tableau ordonné avant le produit croisé, et appariées ou pas avant tout calcul d'odds ratio. Autour du raisonnement, une chaîne courte : odds = p/(1 − p), OR = ad/bc, symétrie, OR ≈ RR si rare, H₀ : OR = 1 par χ², une référence et k − 1 OR, un OR par unité en régression logistique, ajusté = multiple, « associé à » et jamais « cause », McNemar = B/C. Les 34 micro-notions ci-dessous suivent l'ordre de la séance.
▶

N1 · Ce que la séance révise du Ch11, et les objectifs

d.1-5
0/3
⬜

Le rappel du Ch11 — survie, censure, Kaplan-Meier, log-rank

~5 min
📊 DIAPOS d.2-3
Temps jusqu'à un événement · observations complètes ou censurées · pré-requis : probabilité de l'événement indépendante de la probabilité de censure · S(t) = proportion sans événement, S = 1 à t = 0, décroissante · Kaplan-Meier = escalier, hauteur de marche selon le nombre encore à risque · log-rank compare 2 courbes (ou plus).
🎙️ ORAL (08:06 → 11:11)
« La méthode, elle, va toujours donner un résultat, elle va vous cracher une courbe de survie, mais après il faut savoir interpréter si ce résultat est valide. » · « Un événement parmi dix individus, ce n'est pas pareil qu'un événement parmi 100. » · « Le log-rank […] c'est un peu comme le χ², on peut comparer deux, trois, quatre groupes. »
⚠️ PIÈGE
Le prof refait le rappel pour une raison : au Ch12 il n'y a plus de temps, plus de suivi, donc plus de survie, plus de taux, plus de risque. Une option d'annale qui propose « la survie » ou « le taux d'incidence » dans une étude cas-témoins est fausse par construction (répétitoire).
📝 TOMBE EN QCM
Répétitoire (cancer de la vessie) options B et C ; Diapos 2.0 d.2-3.
⬜

Le hazard ratio, et la famille des mesures d'association (RR, DR, HR… et bientôt l'OR)

~4 min
📊 DIAPOS d.4
Risque instantané (hazard) à l'instant t, variable dans le temps ; concept proche : taux d'incidence (sa moyenne sur une période). Mesure d'association : hazard ratio, obtenu par le modèle de Cox. HR = 1 pas d'association · > 1 facteur de risque · < 1 facteur protecteur — la même grille que pour le RR, et demain pour l'OR.
🎙️ ORAL (11:11 → 13:15)
« Il faut changer de mesure d'association. Le hazard ratio va capter la différence entre les deux courbes de survie sur la globalité de la période d'observation. » · « Aujourd'hui, on va voir ce nouveau dessin d'étude qui, là aussi, va nécessiter une nouvelle mesure d'association qui s'appelle l'odds ratio. »
⚠️ PIÈGE
Chaque design a sa mesure : cohorte ⇒ RR, DR, taux ; survie ⇒ HR ; cas-témoins ⇒ OR seulement. Mais l'OR, lui, s'applique aussi aux études prospectives (d.49) — c'est la cohorte qui a le choix, pas l'étude cas-témoins.
📝 TOMBE EN QCM
C12-Q12 (l'OR se calcule aussi en prospectif) ; Diapos 2.0 d.4.
⬜

Les objectifs, et « pour chaque question de recherche, un design »

~4 min
📊 DIAPOS d.1, d.5
Quatre notions : études cas-témoins, odds ratio, régression logistique, appariement (matching). Petrie/Sabin 16 et 30. La question de recherche reste celle de la cohorte — identifier des facteurs de risque — avec un design différent, « qui a des avantages, mais aussi des inconvénients ».
🎙️ ORAL (04:56 → 05:59)
« Pour la preuve de l'efficacité d'une intervention expérimentale, le gold standard, c'est un essai clinique randomisé. Pour la détection de facteurs de risque, on peut faire des études prospectives, non interventionnelles, des études observationnelles. Et pour les études diagnostiques, ce sont des études transversales. »
⚠️ PIÈGE
« Gold standard » ne veut pas dire « pour tout » : l'essai randomisé prouve l'efficacité d'un traitement, on ne randomise pas une exposition nocive. Pour un facteur de risque d'une maladie rare, le bon design est l'étude cas-témoins.
📝 TOMBE EN QCM
C12-Q1 ; Diapos 2.0 d.5.
▶

N2 · ⭐⭐⭐ Prospective vs cas-témoins : principe, avantages, limites

d.6-10
0/5
⬜

Le principe d'une étude prospective : exposition → suivi → décompte, et sa souplesse

~4 min
📊 DIAPOS d.6
Fumeurs et non-fumeurs → cancer du poumon. Trois temps : mesure de l'exposition au recrutement, suivi dans le temps, décompte des malades. On compare le risque chez les exposés et les non-exposés (DR, RR, HR). Gros avantage : plusieurs expositions mesurées au départ, plusieurs problèmes de santé observés.
🎙️ ORAL (14:16 → 15:20)
« Ces études prospectives, elles ont un gros avantage. C'est qu'on peut mesurer plusieurs expositions au début. […] Et puis ensuite, on peut regarder plusieurs problèmes de santé. […] Donc, c'est assez souple. »
⚠️ PIÈGE
SFO 2024 Q30 option B applique cette souplesse à l'étude cas-témoins (« plusieurs facteurs d'exposition et plusieurs problèmes de santé ») : faux, la cas-témoins n'a qu'un seul problème de santé, celui qui définit les cas.
📝 TOMBE EN QCM
C12-Q2 (B), C12-Q3 (B) ; Diapos 2.0 d.6.
⬜

Les limites de la cohorte : maladies rares, longue latence — long, cher, tardif

~4 min
📊 DIAPOS d.7
Maladies rares : à 1 pour 1 000 personnes-années, il faut recruter plusieurs milliers de sujets pour avoir assez de cas. Longue latence (cancer du poumon) : suivre au moins dix ans. Conséquence : étude longue, coûteuse, réponse trop tardive pour piloter la prévention.
🎙️ ORAL (15:20 → 17:25)
« Il va falloir recruter des centaines, des milliers, voire des dizaines de milliers de personnes pour observer suffisamment de cas pour pouvoir en tirer quelque chose. » · « Si on doit attendre dix ans avant d'avoir la réponse, c'est beaucoup moins intéressant pour les décideurs. »
⚠️ PIÈGE
Le contre-pied d'annale : SFO 2024 Q30 option A « par rapport à une étude prospective, il est plus compliqué d'étudier une maladie rare » — c'est l'inverse.
📝 TOMBE EN QCM
C12-Q2 (A, D), C12-Q3 (A) ; Diapos 2.0 d.7.
⬜

L'étude cas-témoins : on part du diagnostic, on remonte à l'exposition

~6 min
📊 DIAPOS d.8-9
Identification des cas et des témoins dans une population : tous les cas (cancer du poumon ; ou un échantillon si la maladie est moins rare) + un échantillon de témoins (pas de cancer), de la même population. Puis mesure de l'exposition — dans le passé (entretien, dossier médical). Puis comparaison des 2 groupes. Pas de suivi.
🎙️ ORAL (17:25 → 19:27)
« On va recruter les individus à partir du moment où on a identifié le diagnostic du problème de santé chez eux. […] Il suffit de se tourner vers les services d'oncologie. […] Et puis ensuite, on va aller chercher des individus qui n'ont pas de cancer du poumon, les témoins. […] On va interroger les personnes sur leur exposition dans le passé. » · « Lorsque la maladie est rare, on va prendre tous les cas. »
⚠️ PIÈGE
« Rétrospectif » ne veut pas dire « ancien » : ce qui est dans le passé, c'est l'exposition, pas le diagnostic. Le cas est recruté au moment du diagnostic, souvent nouveau.
📝 TOMBE EN QCM
Répétitoire (« pas de suivi : recrutement des cas au moment du diagnostic ») ; C12-Q6 ; Diapos 2.0 d.8.
⬜

La proportion de cas est arbitraire ⇒ le risque perd son sens ⇒ l'odds ratio

~6 min
📊 DIAPOS d.9
La proportion de cas dans l'étude est décidée par l'investigateur·rice et ne reflète pas la proportion de malades dans la population — en général moitié / moitié (optimal pour la puissance), parfois 4 témoins par cas (NEJM, 20 % de cas). Conséquence : aucun risque, aucun taux d'incidence ⇒ une nouvelle mesure, l'odds ratio.
🎙️ ORAL (19:27 → 20:28)
« La proportion de cas qu'on a dans l'échantillon, en fait, elle est arbitraire. […] Ça ne veut pas dire que le problème de santé a une prévalence de 50 % dans la population. […] Et du coup, dans ces études de cas-témoins, on ne pourra plus calculer de risque. La notion de risque, elle perd son sens. »
⚠️ PIÈGE
C'est LA phrase du chapitre, et l'argument qui tue l'option « risque relatif » du répétitoire et l'option « risque de diabète » de SFO 2022 Q2. Corollaire : la rareté de la maladie se juge dans la population, jamais dans l'étude (50 % de cas ne rend pas la maladie fréquente).
📝 TOMBE EN QCM
SFO 2022 Q2 (A), répétitoire (A), 2024 Q30 (E) ; C12-Q7 (D), C12-Q14 (A, E) ; Diapos 2.0 d.9.
⬜

Le bilan : trois avantages, quatre limites (biais de mémoire, choix des témoins, une seule maladie)

~7 min
📊 DIAPOS d.10
Permet : maladies rares · plus rapide · moins d'observations (coût ↘). MAIS : pas de risque ni de taux d'incidence · risque de biais dans la mesure des expositions par entretien = biais de mémoire (recall bias) · témoins appropriés difficiles à choisir (ils doivent provenir de la même population que les cas) · un seul problème de santé à la fois.
🎙️ ORAL (22:32 → 24:33)
« Est-ce que vous avez été exposé à l'amiante dans les 20 dernières années ? […] Si jamais on a le problème de santé, on a tendance à plus chercher dans sa mémoire à quoi on a été exposé. […] Ça peut créer ce qu'on appelle un biais de mémoire. » · « Il n'est pas rare de trouver des témoins qui sont en fait des gens hospitalisés, mais pour une autre raison. Sauf que les personnes hospitalisées ne sont pas représentatives de la population générale. »
⚠️ PIÈGE
Les deux annales jumelles (2021 Q10 = 2024 Q31) sont exactement ce paragraphe : le témoin = sans la maladie étudiée ; pas « hospitalisés pour d'autres maladies digestives » (non représentatifs, facteurs de risque partagés), pas « non-buveurs de café » (sélection sur l'exposition), pas « les conjoints » (mêmes habitudes = appariement sur l'exposition).
📝 TOMBE EN QCM
SFO 2021 Q10 = 2024 Q31, 2024 Q30 ; questions12 ex. 1 ; C12-Q3, C12-Q4, C12-Q5 ; Diapos 2.0 d.10.
▶

N3 · ⭐⭐⭐ Le tableau 2×2 d'une étude cas-témoins : on raisonne colonne par colonne

d.11-12
0/2
⬜

Le même tableau qu'en cohorte, mais lu en colonne : a/(a+c) et b/(b+d)

~5 min
📊 DIAPOS d.11
Colonnes Cas et Témoin (« on prend tout le monde » / « un échantillon seulement »), lignes Exposé·es et Non-exposé·es : a, b, c, d. L'échantillon des exposé·es n'est pas représentatif de la population des exposé·es ⇒ on ne peut pas estimer le risque chez les exposé·es. On lit en colonne : a/(a+c) = proportion d'exposé·es chez les cas, b/(b+d) chez les témoins.
🎙️ ORAL (24:33 → 26:29)
« Contrairement à une étude prospective où on regardait ce tableau en ligne — parmi les exposés, quel était le risque —, là on ne peut plus faire ça parce que les colonnes cas et témoins sont déséquilibrées par rapport à la réalité. En fait, on va raisonner colonne par colonne. »
⚠️ PIÈGE
a/(a+b) « risque chez les exposés » est calculable arithmétiquement mais n'a aucun sens ici : le dénominateur mélange tous les cas et un échantillon de témoins. Ce qui a un sens, ce sont les prévalences d'exposition en colonne — exactement ce que le répétitoire fait valider (option E).
📝 TOMBE EN QCM
Répétitoire (E) ; C12-Q7 ; Diapos 2.0 d.11.
⬜

a, b, c, d : cas exposés, témoins exposés, cas non-exposés, témoins non-exposés

~4 min
📊 DIAPOS d.12
a = cas exposé·es (prospective : exposés qui développent la maladie) · b = témoins exposé·es (exposés qui restent en bonne santé) · c = cas non-exposé·es · d = témoins non-exposé·es. Même tableau, mais en cas-témoins les colonnes sont fixées par le recrutement.
🎙️ ORAL (26:29 → 27:30)
« Ça peut être un peu piégeux de voir des résultats qui ont la même forme, tableau deux par deux. Mais il faut faire attention à l'interprétation derrière, au sens des chiffres. »
⚠️ PIÈGE
Le vocabulaire du prof pour questions12 ex. 2 : « l'odds d'exposition chez les témoins est 5/(50 − 5) » — le complément se prend dans la colonne (50 témoins), jamais sur la ligne.
📝 TOMBE EN QCM
C12-Q7 (A, B) ; questions12 ex. 2 ; Diapos 2.0 d.12.
▶

N4 · ⭐⭐⭐ L'odds : proportion/(1 − proportion) ; odds d'exposition a/c et b/d

d.13-15
0/2
⬜

L'odds = p/(1 − p) : la cote des chevaux, de 0 à +∞, 1 pour p = 0,50

~6 min
📊 DIAPOS d.13
L'odds est une autre manière de représenter une proportion. Odds = proportion/(1 − proportion) ; proportion = odds/(odds + 1). Proportion ∈ [0 ; 1], odds ∈ [0 ; +∞[. p = 0,50 ⇔ odds = 1 ; p < 0,50 ⇔ odds < 1. Cote « 2 contre 1 » = odds 2 = 2/3 de succès ; p = 0,80 ⇒ odds 4 ; p = 0,20 ⇒ odds 0,25. ✓ Python Odds ratio = ratio de 2 odds.
🎙️ ORAL (27:30 → 29:37)
« Ça vient de la cote des chevaux. Quand vous avez une cote de deux contre un, ça veut dire que sur trois courses, le cheval, on s'attend à ce qu'il en gagne deux et qu'il en perde une. Un taux de succès de deux tiers. » · « Une proportion, c'est toujours entre zéro et un, alors qu'un odds, c'est compris entre zéro et l'infini. » · « Un odds de un, un divisé par un plus un, ça fait un demi. »
⚠️ PIÈGE
Un odds n'est pas une probabilité : il peut dépasser 1 (4 pour p = 0,80). Et 1/0,80 = 1,25 n'est rien ; 0,20/0,80 = 0,25 est l'odds de la non-exposition, l'inverse de 4.
📝 TOMBE EN QCM
C12-Q8 ; Diapos 2.0 d.13.
⬜

Odds d'exposition : a/c chez les cas, b/d chez les témoins

~5 min
📊 DIAPOS d.14-15
Risque d'exposition chez les cas : a/(a+c). Odds d'exposition chez les cas : [a/(a+c)] / [c/(a+c)] = a/c. Chez les témoins : b/d. Plus a/c est grand, plus l'exposition est fréquente chez les cas. questions12 ex. 2 : 14/36 chez les cas, 5/45 chez les témoins. ✓ Python
🎙️ ORAL (29:37 → 31:44)
« Le dénominateur, il s'en va, donc il reste a sur c. Quand vous avez un odds de 1, ça veut dire que chez les cas, pour un exposé, vous avez un non-exposé. Si vous avez deux fois plus d'exposés que de non-exposés, alors vous aurez un odds de 2. »
⚠️ PIÈGE
Le complément d'un odds d'exposition se prend dans la même colonne : 14 exposés sur 50 cas ⇒ 36 non-exposés ⇒ 14/36, jamais 14/50 ni 14/5.
📝 TOMBE EN QCM
questions12 ex. 2 ; C12-Q9, C12-Q10 ; Diapos 2.0 d.14-15.
▶

N5 · ⭐⭐⭐ L'odds ratio : produit croisé, mesure symétrique, interprétation

d.16-21
0/4
⬜

L'odds ratio = odds d'exposition chez les cas ÷ odds chez les témoins : 1, > 1, < 1

~5 min
📊 DIAPOS d.16
OR = (a/c)/(b/d). Il dit si l'exposition est plus fréquente chez les cas : OR = 1 même fréquence d'exposition · OR > 1 exposition plus fréquente chez les cas · OR < 1 exposition moins fréquente chez les cas. La fréquence absolue ne compte pas : 80 %, 50 % ou 25 % des deux côtés ⇒ OR = 1.
🎙️ ORAL (31:44 → 32:45)
« Si la fréquence d'exposition est la même chez les cas et chez les témoins, peu importe la fréquence, […] on aura un odds ratio qui va être égal à 1. »
⚠️ PIÈGE
L'OR d'exposition compare les cas aux témoins ; son interprétation en termes de maladie (exposés vs non-exposés) viendra de la symétrie (d.20), pas d'un abus de langage. Sur une option d'annale, « OR < 1 : l'exposition est plus fréquente chez les cas » est faux.
📝 TOMBE EN QCM
C12-Q11 ; Diapos 2.0 d.16.
⬜

Le produit croisé ad/bc — à condition que le tableau soit ordonné (l'avertissement d'examen n° 1)

~6 min
📊 DIAPOS d.17
Numérateur = diagonale a·d, dénominateur = antidiagonale b·c : OR = (a/c)/(b/d) = ad/bc. Valable si le tableau est ordonné : cas à gauche, témoins à droite, exposés en haut, non-exposés en bas. questions12 ex. 2 : (14 × 45)/(36 × 5) = 14 × 9/36 = 14/4 = 3,5. Tableau (30, 20 ; 20, 40) ⇒ (30 × 40)/(20 × 20) = 3. ✓ Python
🎙️ ORAL (32:45 → 33:45)
« Vous avez une petite astuce calculatoire : vous faites le produit en croix. […] Si vous utilisez cette approche, par exemple le jour de l'examen, faites attention à ce que votre tableau soit correctement ordonné. »
⚠️ PIÈGE
Un tableau lu à l'envers (témoins à gauche, ou non-exposés en haut) donne 1/OR : 0,29 au lieu de 3,5, 0,33 au lieu de 3. Le réflexe : réécrire le tableau dans l'ordre du cours avant de multiplier.
📝 TOMBE EN QCM
questions12 ex. 2 ; C12-Q9, C12-Q10, C12-Q15 (D, E) ; Diapos 2.0 d.17.
⬜

La symétrie : OR d'exposition = OR de maladie = ad/bc (« c'est ça qui est élégant »)

~7 min
📊 DIAPOS d.18-20
En étude prospective, les odds se calculent de 2 façons : odds de maladie en ligne (a/b, c/d) et odds d'exposition en colonne (a/c, b/d). En cas-témoins, seuls les odds d'exposition ont un sens. Mais ORexp. = (a/c)/(b/d) = ad/bc = (a/b)/(c/d) = ORmal. : l'odds ratio est le même, calculé à partir d'odds de maladie ou d'odds d'exposition — mesure symétrique. ✓ Python
🎙️ ORAL (33:45 → 38:04)
« Nous, on a envie de dire que le risque de la maladie est plus élevé chez les exposés que chez les non-exposés. Mais ça, on n'a pas encore le droit. » · « Il se trouve que mathématiquement, ces deux odds ratios sont exactement identiques. […] Du coup, on va l'interpréter comme étant le ratio des odds de la maladie. […] C'est ça qui est élégant. » · Séance 13 (04:16) : « C'est un peu ça la magie de l'odds ratio. »
⚠️ PIÈGE
La symétrie autorise l'interprétation, pas le calcul : en cas-témoins on calcule toujours des odds d'exposition (colonnes) ; dire « OR = (96/46)/(50/100), rapport des odds de maladie, calculable ici » est un contresens (C12-Q14 D).
📝 TOMBE EN QCM
C12-Q11 (C), C12-Q14 (D) ; Diapos 2.0 d.18-20.
⬜

L'interprétation en termes de maladie : 1 / > 1 / < 1, et déjà « associé », pas « cause »

~4 min
📊 DIAPOS d.21
Le ratio des odds d'exposition s'interprète comme le ratio des odds de maladie : OR = 1 → l'exposition n'est pas associée au risque de maladie · OR > 1 → associée à un risque plus élevé (facteur de risque) · OR < 1 → risque plus bas (facteur protecteur).
🎙️ ORAL (38:35)
« Vous avez un facteur protecteur — je ne devrais pas parler d'effet protecteur, je ne devrais pas parler de causalité. »
⚠️ PIÈGE
Même grille que le RR et le HR (valeur neutre 1, pas 0). Et « facteur de risque » reste une association : le vocabulaire de la d.40 s'applique dès ici.
📝 TOMBE EN QCM
C12-Q11 (A, D), C12-Q13 (A) ; Diapos 2.0 d.21.
▶

N6 · ⭐⭐⭐ OR ≈ RR si la maladie est rare · test (χ², H₀ : OR = 1) et intervalle de confiance

d.22-24
0/3
⬜

OR ≈ RR lorsque la maladie est rare — rare dans la population, pas dans l'étude

~5 min
📊 DIAPOS d.22
Lorsque la maladie est « rare » (a ≪ b et c ≪ d), OR est proche de RR : OR = (a/b)/(c/d) ≅ [a/(a+b)]/[c/(c+d)] = RR, car a + b ≈ b et c + d ≈ d. Si la maladie est rare, OR est une bonne approximation du RR — la démonstration n'est pas exigée.
🎙️ ORAL (38:35 → 40:43)
« On n'a toujours pas le droit de confondre odds et risque, sauf dans la situation où le risque de la maladie est faible dans la population. Là, je ne parle pas de la proportion de cas dans l'étude cas-témoins. » · « Ce n'est pas quelque chose que vous avez besoin de savoir démontrer, retenez juste que si on s'intéresse à un problème de santé qui est rare dans la population étudiée, alors l'odds ratio pourra être interprété comme un risque relatif. »
⚠️ PIÈGE
« 50 % des enfants de l'étude sont dénutris, donc la maladie n'est pas rare » : faux, c'est la proportion de l'échantillon, décidée par les auteurs. Et le corrigé de questions12 ex. 2 fixe un ordre de grandeur : « si le risque d'hyponatrémie est faible (< 10 %), l'odds ratio peut être interprété comme un risque relatif ».
📝 TOMBE EN QCM
questions12 ex. 2 (interprétation) ; C12-Q12, C12-Q14 (E) ; Diapos 2.0 d.22.
⬜

L'exemple chiffré : 10/5 000 et 5/4 700 ⇒ OR = 1,88 = RR

~4 min
📊 DIAPOS d.23
Exposé : 10 malades, 5 000 sains · non-exposé : 5 malades, 4 700 sains. OR = (10/5000)/(5/4700) = 1,88 · RR = (10/5010)/(5/4705) = 1,88. Exacts : OR = 1,880, RR = 1,878. Variante : 20/10 000 vs 10/10 000 ⇒ RR = 2, OR = 2,002. ✓ Python
🎙️ ORAL (40:43 → 41:45)
« Quand vous rajoutez au dénominateur les 10, c'est peanuts par rapport aux 5 000. Donc on a un risque relatif, 1,88, c'est pareil que l'odds ratio à la deuxième décimale. »
⚠️ PIÈGE
Le calcul de l'exemple est celui d'une étude prospective (on y calcule un RR) : il montre que l'OR y est valable aussi (d.49 : « mais aussi aux études prospectives »). En cas-témoins, seul l'OR existe, et on l'approxime au RR si la maladie est rare.
📝 TOMBE EN QCM
C12-Q12 ; Diapos 2.0 d.23.
⬜

Estimation (ω, IC 95 %) et test : H₀ : OR = 1 par le χ² du tableau 2×2

~5 min
📊 DIAPOS d.24
L'OR calculé (ad/bc) est une estimation du paramètre vrai (oméga, ω). IC 95 % : formule non exigée ; plus l'échantillon est grand, plus l'IC est étroit. Test : H₀ : OR = 1 · χ² sur le tableau 2×2 · comme pour le risque relatif. Un IC contenant 1 ⇔ association non significative (NEJM sexe féminin 0,4 (0,1-1,3)).
🎙️ ORAL (41:45 → 43:51)
« L'intervalle de confiance dépend entre autres de la taille d'échantillon : 3 000 individus, des intervalles plus étroits que 200. » · « Toutes ces formulations d'hypothèse nulle, ça revient à l'égalité de proportions dans deux groupes […] et on retombe sur le test du χ², la même procédure, la même hypothèse nulle que lorsqu'on teste un risque relatif égal à 1. »
⚠️ PIÈGE
H₀ est OR = 1, jamais OR = 0. Et « IC large » ≠ « non significatif » : Népal 4,17 (2,56-6,80) est imprécis et significatif (l'IC exclut 1).
📝 TOMBE EN QCM
C12-Q13, C12-Q14 (C) ; Diapos 2.0 d.24.
▶

N7 · ⭐⭐ Lire un tableau d'odds ratios (Népal) : exposition binaire, à k catégories, continue

d.25-31
0/4
⬜

Lire une étude cas-témoins : but, population, cas (définition standardisée), témoins (tirés au sort), données

~5 min
📊 DIAPOS d.25-26
Népal (BMJ Open). But : « déterminants » de la malnutrition sévère aiguë — mot qui suggère la causalité. Population : 6 mois à 5 ans, par enquête. Cas : dénutris (poids/taille < −3 écarts-type OMS) — définition standardisée. Témoins : non-dénutris du même âge (> −2 ET), tirés au sort. Données : entretien avec les parents (⇒ biais de mémoire possible).
🎙️ ORAL (59:56 → 1:03:06)
« Je ne vous interrogerai jamais sur la malnutrition aiguë, c'est sur les concepts méthodologiques que vous serez interrogés, pas sur les exemples. » · « Le mot déterminant est un peu maladroit parce qu'il suggère la causalité. » · « C'est une définition qui est standardisée, qui va être appliquée de la même manière pour tous les enfants. »
⚠️ PIÈGE
Les résultats ne tombent pas, la grille de lecture si : d'où viennent les témoins (même population ? tirés au sort ?), comment l'exposition est mesurée (entretien ⇒ recall bias), quels mots emploient les auteurs.
📝 TOMBE EN QCM
C12-Q5, C12-Q19 ; Diapos 2.0 d.25-26.
⬜

Népal : OR = (96/50)/(46/100) = 4,17 (2,56-6,80) — imprécis mais fort ; 2,16 (1,26-3,71) — flou

~7 min
📊 DIAPOS d.27
146 cas, 146 témoins. Intervalle < 24 mois : odds cas = 96/50 (≈ 2), odds témoins = 46/100 (≈ 1/2) ⇒ OR = (96 × 100)/(46 × 50) = 4,17, p = 0,001, IC 95 % 2,56-6,80 = toutes les valeurs compatibles avec les données : imprécis, mais fort dès 2,56. Âge maternel < 20 ou ≥ 35 (réf. 20-34) : 2,16 (1,26-3,71), p = 0,005 : significatif, mais l'ampleur (1,3 = modeste, 3,7 = très fort) reste floue. ✓ Python
🎙️ ORAL (1:03:06 → 1:10:26)
« Cette proportion moitié-moitié, elle est arbitraire. » · « Ça pourrait être un odds ratio de 1,3, une association modeste, ou 3,7, une association très forte. […] Ça va être plus difficile de conclure sur l'ampleur. » · « 2 divisé par 0,5 ça vous fait 4. Le calcul précis vous donne 4,17. […] Déjà 2,6 ça montre une association qui est forte. »
⚠️ PIÈGE
Deux lectures d'un IC : significatif ? (contient-il 1 ?) et quelle ampleur ? (sa borne basse est-elle déjà forte ?). 96/146 = 66 % est une proportion d'exposés chez les cas, pas un risque de malnutrition. ÉCART DÉCLARÉ : l'oral arrondit 2,16 en « 2,2 », 1,26-3,71 en « 1,3 à 3,7 », 2,56-6,80 en « 2,6 à 6,8 ».
📝 TOMBE EN QCM
C12-Q14 ; Diapos 2.0 d.27.
⬜

Binaire → 2×2 ; k catégories → une référence et k − 1 odds ratios (9,4 · 36,6 · 120,5)

~7 min
📊 DIAPOS d.28-29
Binaire : tableau 2×2, choisir la catégorie de référence (souvent celle où le risque est bas), calculer l'OR. > 2 catégories (scolarisation, groupe ABO) : tableau k×2, une référence, k − 1 OR par rapport à la même référence. Données fictives, réf. 40-54 ans (7 cas, 148 témoins, OR = 1,0) : 55-64 (45, 101) ⇒ (45/7)/(101/148) = 9,4 · 65-74 (52, 30) ⇒ 36,6 · 75-110 (57, 10) ⇒ 120,5 ; totaux 161 et 289. ✓ Python
🎙️ ORAL (1:10:26 → 1:13:30)
« Si vous avez un odds ratio de 2, ce n'est pas pareil si on regarde exposé versus non-exposé ou non-exposé versus exposé. […] Les auteurs ont regardé quoi par rapport à quoi. » · « J'élimine cette ligne, je refais un tableau deux par deux […] 52 × 148 divisé par 7 × 30, ça fait à peu près 37. L'odds de la maladie est 37 fois plus grand dans cette tranche d'âge que dans celle-là. »
⚠️ PIÈGE
Chaque OR est un tableau 2×2 réduit (la ligne considérée + la ligne de référence) : 57/10 seul, ou 57/161 ÷ 10/289, ne sont pas des OR. ÉCART DÉCLARÉ : la transcription écrit « 7 × 701 » pour 7 × 101 ; « ≈ 37 » pour 36,6.
📝 TOMBE EN QCM
C12-Q15 ; Diapos 2.0 d.28-29.
⬜

Exposition continue : catégoriser (sens clinique, forme) ou régression logistique (OR par unité)

~5 min
📊 DIAPOS d.30-31
Continu (âge, BMI, revenu) ➔ soit catégoriser (très utile si les catégories ont une signification clinique : BMI 20-25 normal, 25-30 surpoids, 30-35 obésité, ≥ 35 obésité morbide ; permet d'examiner la forme de l'association, linéaire ou non) ; soit laisser continue et utiliser une régression logistique ⇒ un OR par incrément d'une unité (multiplication des odds).
🎙️ ORAL (1:13:30 → 1:16:31)
« On va pouvoir, via un modèle de régression logistique, calculer un odds ratio qui va correspondre à la multiplication de l'odds de la maladie à chaque fois qu'on augmente la variable d'une unité, d'une année d'âge, d'une unité de BMI, c'est-à-dire 1 kg par mètre carré. […] Il n'y a plus vraiment d'exposés, il y a des degrés d'exposition. »
⚠️ PIÈGE
SFO 2024 Q30 option C : « on ne peut pas utiliser une variable continue comme l'âge » — faux, deux méthodes existent. « Catégoriser » n'est pas une perte : c'est le seul moyen de voir si l'association est linéaire.
📝 TOMBE EN QCM
SFO 2024 Q30 (C) ; C12-Q3, C12-Q16 ; Diapos 2.0 d.30-31.
▶

N8 · ⭐⭐ Régression logistique : OR par unité, l'unité, simple vs multiple (OR ajusté)

d.32-39
0/4
⬜

Pourquoi pas la régression linéaire, et ce qu'est le logit (hors examen, à comprendre)

~5 min
📊 DIAPOS d.32-34 🗑️
Décès (0 = vivant, 1 = décédé) en fonction de l'âge : la droite de régression linéaire prédit des proportions > 100 % et < 0 % — « ce n'est pas la bonne méthode ! ». On modélise le logarithme de l'odds = logit : ln[Pr(Décès)/Pr(Vivant)] = a + b·Âge ; logit(p) = ln(p/(1 − p)) = ln(odds) ; ln en base e (= 2,71828). Le logit « étire » [0 ; 1] entre −∞ et +∞.
🎙️ ORAL (1:16:31 → 1:18:39)
« Les logiciels de statistiques sont très gentils, ils sont un peu bêtes mais ils sont gentils. […] Cette régression va prédire des valeurs de décès qui n'ont pas de sens, plus grand que 1, plus petit que 0. » · « Il y a encore des poubelles, là c'est la partie un peu difficile du cours. […] Vous n'aurez pas de question sur la transformation logit. Je ne suis quand même pas méchant à ce point. »
⚠️ PIÈGE
Hors examen pour la formule, pas pour l'idée : « pour un événement binaire, pas de régression linéaire ⇒ régression logistique » peut tomber en K′ (C12-Q16 D). L'ancienne carte Anki sur le logit est conservée, étiquetée hors examen.
📝 TOMBE EN QCM
C12-Q16 (D) ; Diapos 2.0 d.32-34.
⬜

eb = OR par incrément d'une unité — et l'unité change tout (années ≠ décennies, 100 mL)

~6 min
📊 DIAPOS d.35, d.37
Analogie : linéaire Y = a + b·X, b = changement moyen de Y par unité de X ; logistique logit(pr(Y = 1)) = a + b·X, b = changement de logit par unité ; eb = odds ratio de Y pour un incrément d'une unité de X. L'OR d'une variable continue n'a de sens que par rapport à son unité : perte de sang par 100 mL ⇒ OR 1,0 (1,0-1,0) — pas une précision parfaite, une unité trop petite ; changer l'unité change l'estimation et l'IC, pas la valeur p. ✓ Python (ln 1,1 = 0,095 ; e0,095 = 1,1)
🎙️ ORAL (1:19:40 → 1:25:52)
« S'il y a quelque chose à retenir, c'est ça, même pas l'exponentielle de b, c'est que l'odds ratio pour une variable quantitative continue, ça dit de combien on multiplie l'odds lorsqu'on incrémente l'exposition d'une unité. » · « Si vous exprimez l'exposition en décades, alors l'odds ratio ça va être la multiplication de l'odds si j'incrémente l'âge de 10 ans. » · « On pourrait croire, super précision. C'est tout simplement que l'incrément de 100 mL, c'est l'unité. […] Ça ne va pas changer la valeur p. »
⚠️ PIÈGE
« OR = 1,0 (1,0-1,0) : aucune association, précision parfaite » — non : unité trop petite. « OR = 1,1 : association négligeable » — non : 1,1 par kg/m², IC 1,0-1,2 excluant 1, p = 0,01 ; sur 10 unités, 1,1¹⁰ ≈ 2,6 (extension). « On n'a pas du tout ce problème avec les expositions binaires. »
📝 TOMBE EN QCM
C12-Q16 (B), C12-Q17 ; Diapos 2.0 d.35, d.37.
⬜

NEJM : 4 témoins par cas, ORBMI = 1,1 par unité, urgence 8,8, sexe féminin 0,4 (NS) — « à la main, on ne peut pas »

~6 min
📊 DIAPOS d.36-37
But : facteurs associés aux oublis de matériel en chirurgie abdominale · population : opéré·es sur 16 ans dans 22 hôpitaux (Massachusetts) · cas : plaintes/incidents d'un registre d'assurance · témoins : même procédure, même période, sans plainte, 4 par cas (⇒ 20 % de cas, toujours arbitraire) · données : registre, dossiers, questionnaires. Table 3 : urgence 8,8 (2,4-31,9) · > 1 équipe 3,4 (0,8-14,1) · BMI 1,1 (1,0-1,2) par unité · perte de sang 1,0 (1,0-1,0) par 100 mL · sexe féminin 0,4 (0,1-1,3), NS. ➔ OR obtenus par régression logistique. ✓ Python (1/(1 + 4) = 0,20)
🎙️ ORAL (1:20:40 → 1:26:53)
« Quatre témoins par cas, donc on n'est pas obligé d'avoir moitié de cas, moitié de témoins, là on aura dans l'échantillon 20 % de cas, ça reste arbitraire. » · « Le genre féminin, c'est protecteur. Mais attention, ce n'est pas statistiquement significatif. » · « Calculer l'odds ratio pour l'incrément d'une unité de l'exposition, ça ne se fait pas à la main. »
⚠️ PIÈGE
Un OR < 1 avec un IC qui contient 1 : « protecteur » n'est pas démontré. ÉCART DÉCLARÉ : les auteurs écrivent « risk ratio » pour des odds ratios (le prof : la prévalence est si faible que OR ≈ RR) ; « 20 % de cas » est recalculé, pas imprimé.
📝 TOMBE EN QCM
C12-Q13 (D), C12-Q17 ; Diapos 2.0 d.36-37.
⬜

Simple = OR non ajusté ; multiple = OR de chaque facteur ajusté sur les autres (la confusion, en avant-goût du Ch13)

~6 min
📊 DIAPOS d.38-39
La régression logistique modélise une variable dépendante binaire (cas vs témoin) en fonction d'une ou plusieurs variables indépendantes ; elle donne un OR pour des expositions binaires, catégorielles ou continues. Simple (1 exposition) ⇒ OR non ajusté. Multiple ⇒ OR de chaque facteur ajusté sur les autres : débarrassé de la confusion due aux autres facteurs, « à autres facteurs identiques par ailleurs ». Cf. cours 13. Famille : linéaire (quantitatif), Cox (survie), logistique (binaire).
🎙️ ORAL (1:26:53 → 1:31:05)
« L'effet de confusion, c'est lorsqu'on compare des groupes qui ne sont pas comparables. L'essai randomisé, ça va régler ce problème. Mais dans toutes les études observationnelles, ce risque existe. Il est neutralisé via ces modèles de régression. » · « Le 8,8 […] s'interprète pour des opérations qui ont le même nombre d'équipes chirurgicales impliquées. On va bloquer cet autre facteur. » · « C'est un ajustement qui est mutuel. »
⚠️ PIÈGE
« Ajusté » ≠ « causal » : l'ajustement neutralise la confusion due aux facteurs mesurés et mis dans le modèle ; la d.40 rappelle qu'aucun modèle ne démontre la causalité. Et SFO 2024 Q36 (Ch13) cite la régression logistique comme procédé de neutralisation de la confusion — le pont existe déjà.
📝 TOMBE EN QCM
C12-Q18 ; SFO 2024 Q36 (Ch13) ; Diapos 2.0 d.38-39.
▶

N9 · ⭐⭐⭐ Attention aux mots : « associé à », jamais « cause », « augmente le risque », « déterminant »

d.40
0/1
⬜

Le vocabulaire autorisé et le vocabulaire interdit d'une étude observationnelle

~4 min
📊 DIAPOS d.40
On doit dire : « X est associé à Y », « X est plus fréquent chez les cas que chez les témoins ». À éviter (suggèrent la causalité) : « X augmente le risque de Y », « X cause Y », « X est un déterminant de Y ». La causalité n'est pas démontrée dans une étude observationnelle, ni par un modèle statistique !!
🎙️ ORAL (1:31:05 → 1:33:09)
« On a tendance en tant qu'auteur, autrice, à survendre un petit peu de manière inconsciente. […] Le mot déterminant qu'il y avait dans l'exemple, il suggère aussi cette causalité. » · « Normalement dans la partie discussion des articles, ça doit être abordé : quelle est la plausibilité de la causalité. »
⚠️ PIÈGE
« X multiplie par 3,2 le risque de Y » cumule deux fautes : le verbe causal et le mot « risque » pour un odds ratio. Le titre même de l'article népalais (« Determinants of… ») est l'exemple du prof.
📝 TOMBE EN QCM
C12-Q18 (C), C12-Q19 ; Diapos 2.0 d.40.
▶

N10 · ⭐⭐⭐ Appariement (matching) et odds ratio de McNemar = B/C : des paires, pas des individus

d.41-48
0/5
⬜

Le problème : est-ce l'intervalle entre naissances, ou l'âge maternel et le SSE ? La réponse : apparier

~6 min
📊 DIAPOS d.41
La malnutrition est liée à l'intervalle entre naissances, à l'âge maternel, au statut socio-économique. L'effet de l'intervalle est-il expliqué par les deux autres ? Approche : pour chaque enfant malnutri, un témoin dont la mère a le même âge et le même SSE ⇒ une différence d'intervalle ne pourrait plus être due à l'âge ni au SSE. C'est l'appariement (matching).
🎙️ ORAL (1:33:09 → 1:35:14)
« La source de l'effet de confusion, c'est le déséquilibre d'une caractéristique entre les groupes comparés. On peut détruire ce déséquilibre, on peut forcer l'équilibre. […] C'est comme ça qu'on arrive à casser un effet de confusion. »
⚠️ PIÈGE
Apparier, c'est rendre la variable d'appariement identique en distribution entre cas et témoins : elle ne peut plus être étudiée (SFO 2022 Q2 : l'âge n'est ni l'association mesurée, ni le facteur de confusion, il est neutralisé).
📝 TOMBE EN QCM
SFO 2022 Q2 ; C12-Q20 ; Diapos 2.0 d.41.
⬜

Les règles : 2-3 variables potentiellement confondantes, et une analyse qui tient compte de l'appariement

~5 min
📊 DIAPOS d.42
Pour chaque cas, un témoin (ou plusieurs) qui ressemble au cas sur les variables d'appariement (âge, sexe, niveau social, tabagisme…). But : neutraliser la confusion due à ces variables. Attention : l'analyse doit tenir compte de l'appariement — l'analyse habituelle suppose les cas indépendants des témoins. En pratique 2 à 3 variables au maximum, et seulement des variables potentiellement confondantes.
🎙️ ORAL (1:35:14 → 1:36:14)
« On le limite à deux caractéristiques maximum, trois. […] Sur quatre caractéristiques, il faut être fou. […] Apparier pour le plaisir d'apparier, c'est assez inefficace. » · « Comme on introduit une particularité dans le design de l'étude, cette particularité va aussi entraîner une particularité dans l'analyse. »
⚠️ PIÈGE
SFO 2024 Q30 D (« on peut apparier les cas et les témoins ») est la bonne réponse. SFO 2024 Q36 (Ch13) décrit un appariement à l'envers (cas fumeur avec témoin non-fumeur) : ce n'est plus de l'appariement, ça crée la confusion.
📝 TOMBE EN QCM
SFO 2024 Q30 (D) ; C12-Q3, C12-Q22 (D) ; Diapos 2.0 d.42.
⬜

Le tableau des paires : A, B, C, D sont des nombres de paires, pas d'individus

~5 min
📊 DIAPOS d.43
4 types de paires : A cas et témoin tous deux exposés · B cas exposé, témoin non · C témoin exposé, cas non · D tous deux non-exposés. Tableau 2×2 : lignes = cas (exposé, non-exposé), colonnes = témoin ; A et B en haut, C et D en bas. Nombres de paires, pas d'individus !! Concordantes (A, D) = aucune information ; discordantes (B, C) = toute l'association.
🎙️ ORAL (1:36:14 → 1:39:21)
« Les effectifs qu'on va mettre dans ce tableau 2 par 2, ce ne sont plus des individus, ce sont des paires d'individus. » · « Plus l'effectif B est grand et plus ça va dans le sens que l'exposition est associée à un risque plus élevé. […] Si jamais B est égal à C, vous avez les deux phénomènes qui vont se neutraliser. »
⚠️ PIÈGE
questions12 ex. 3 donne les paires en toutes lettres (« seul le cas était fumeur dans 8 paires ») : il faut les ranger dans le bon tableau avant tout calcul, sans repasser par les individus (18 cas fumeurs, 12 témoins fumeurs ⇒ 2,25, faux).
📝 TOMBE EN QCM
questions12 ex. 3 ; C12-Q21, C12-Q22 (A) ; Diapos 2.0 d.43.
⬜

L'odds ratio de McNemar = B/C : seules les paires discordantes comptent (questions12 ex. 3 : 8/2 = 4)

~6 min
📊 DIAPOS d.44
Si l'exposition est associée à la maladie, on attend beaucoup de B, peu de C ; A et D « ne nous aident pas ». Odds ratio de McNemar = B/C — on n'utilise que les paires discordantes. Interprétation inchangée (> 1 facteur de risque, < 1 protecteur, B = C ⇒ absence d'association). Ex. 3 : 10 paires fumeur/fumeur, 10 non/non, 8 cas seul fumeur, 2 témoin seul fumeur ⇒ OR = 8/2 = 4. ✓ Python
🎙️ ORAL (1:39:21 → 1:40:24)
« Cet odds ratio ne fait pas du tout appel aux effectifs A et D parce qu'en fait, ils n'apportent aucune information sur l'association. […] Mais attention, ce n'est pas le même odds ratio que celui qu'on vient de voir. Cette fois, c'est l'odds ratio qu'on dit de McNemar. »
⚠️ PIÈGE
Le produit croisé du tableau des paires ((10 × 10)/(8 × 2) = 6,25) n'a aucun sens ; 10/10 = 1 non plus. Le corrigé officiel : « puisque les cas et les témoins sont appariés, il faut calculer l'odds ratio de McNemar ». ÉCART DÉCLARÉ : l'analyse naïve 2,25 est une variante ajoutée pour illustrer le piège.
📝 TOMBE EN QCM
questions12 ex. 3 ; C12-Q21, C12-Q22 ; Diapos 2.0 d.44.
⬜

Litchi : l'analyse naïve donne 6,4 (incorrect), l'analyse appariée 48/5 = 9,6 — l'avertissement d'examen n° 2

~7 min
📊 DIAPOS d.45-48
Lancet Glob Health 2017 : encéphalopathie chez des enfants < 15 ans (Muzaffarpur, Inde), témoins hospitalisés pour d'autres causes, appariés sur l'âge ; expositions : litchi (toxines : hypoglycine A, MCPG ⇒ hypoglycémie), hygiène, eau, pesticides. Courbe épidémique = saison du litchi (suspicion, pas preuve). Table 2 : litchi 65 % vs 23 %, mOR 9,6 (3,8-24,1) ; laver les fruits 0,13 (0,05-0,4), protecteur. d.48 : individus (67, 23 ; 36, 79) ⇒ OR = 6,4 — incorrect ! ; 102 paires (reconstituées) A = 18, B = 48, C = 5, D = 31 ⇒ ORMN = 48/5 = 9,6. ✓ Python
🎙️ ORAL (1:40:24 → 1:45:32)
« Si vous consommez trop de litchis, faites attention à Noël. » · « Le calcul correct qu'on a pu refaire, tant bien que mal, en reconstituant les données […], on arrive à retrouver l'odds ratio de McNemar de 9,6, et c'est bien 48 divisé par 5. Donc, si jamais le jour de l'examen, vous avez un calcul d'odds ratio à faire, faites attention. Si les données sont appariées ou pas, ce n'est pas le même calcul. »
⚠️ PIÈGE
Le naïf sous-estime ici (6,4 < 9,6) : ignorer l'appariement ne « fausse » pas dans un sens prévisible, il faut juste ne pas le faire. ÉCART DÉCLARÉ : la table des paires est reconstituée (66 cas litchi en paires contre 67 individus, 104 vs 103 + 102) — déclaré par le prof lui-même.
📝 TOMBE EN QCM
C12-Q23 ; Diapos 2.0 d.45-48.
▶

N11 · Messages-clés et prochain cours

d.49-50
0/1
⬜

Les quatre conclusions, et le rappel de la séance 13

~4 min
📊 DIAPOS d.49-50
Étude cas-témoins : associations entre un ou plusieurs facteurs de risque et une seule maladie ; surtout maladies rares ; efficace et économique. Odds ratio : applicable aux cas-témoins (≈ RR si maladie rare) mais aussi aux études prospectives. Régression logistique : outcomes binaires. Appariement : contrôle des facteurs de confusion, méthodes d'analyse spécifiques. Prochaine séance : association, causalité, biais, confusion (Petrie/Sabin 34).
🎙️ ORAL (1:45:32 → 1:46:34 ; séance 13, 00:08 → 13:49)
« Dans les études cas-témoins, c'est la seule mesure d'association qu'on peut utiliser parce que la notion de risque n'a plus de sens. » · « Si vous tirez au hasard les cadeaux de Noël sous le sapin ou faites un secret santa, pensez à la dissimulation de l'allocation […] et j'espère que vous n'aurez pas de cadeau placebo. » · Séance 13 : « Dans une étude de cas-témoins, on a un outcome qui est binaire […] il faut utiliser le modèle de régression logistique ; un outcome de survie, un modèle de Cox ; une variable quantitative, la régression linéaire. »
⚠️ PIÈGE
« L'OR n'existe que pour les études cas-témoins » — faux (d.49, ex. SFO 2024 Q23 du Ch10 calcule un OR dans un essai). « La cas-témoins ne peut étudier qu'un facteur » — faux, un seul problème de santé, plusieurs facteurs.
📝 TOMBE EN QCM
C12-Q3 (B), C12-Q12 (C) ; Diapos 2.0 d.49-50.

📝 LES 3 EXERCICES OFFICIELS (questions12) — résolus, confrontés au corrigé du prof et à Python

Le fichier questions12 contient trois exercices, chacun avec le corrigé du prof (« Rappel : l'examen se fera sous forme de questions à choix multiple »). Tout a été recalculé en Python (verif_ch12.py) : aucun écart numérique — un écart de consigne, déclaré (exercice 1 : 2 inconvénients demandés, 3 donnés).
questions12 · exercice 1 — 3 avantages et 2 inconvénients des études cas-témoins · 3 + 3

Énoncé. Citez 3 avantages et 2 inconvénients des études cas-témoins (par rapport aux études prospectives).

Corrigé du prof (mot pour mot). Avantages : 1. Peut être faite rapidement (pas de suivi des patients) et à coût réduit · 2. Permet d'étudier des maladies rares · 3. Permet d'évaluer plusieurs facteurs de risque pour un problème de santé donné. Inconvénients : 1. Risque de biais dans la mesure des facteurs d'exposition (biais de mémoire par exemple) · 2. Ne permet d'étudier que les facteurs de risque d'un seul problème de santé · 3. Ne permet pas de calculer un risque.

ÉCART DÉCLARÉ : l'énoncé demande 2 inconvénients, le corrigé en donne 3 — les trois sont repris. C'est la d.10 en six lignes, et le squelette de SFO 2024 Q30. Diapos 2.0 C12-Q4.

questions12 · exercice 2 — hyponatrémie au marathon, 50 cas / 50 témoins, 14 et 5 exposés · OR = 3,5

Énoncé. On fait une étude cas-témoins, sans appariement, comparant 50 cas d'hyponatrémie pendant un marathon à 50 témoins qui ne présentent pas cette anomalie. Parmi les cas, 14 ont consommé plus de 3 litres d'eau pendant la course. Parmi les témoins, 5 ont consommé une telle quantité d'eau. Calculez l'odds ratio mesurant l'association entre une consommation > 3 litres d'eau et l'hyponatrémie. Interprétez.

Corrigé du prof (mot pour mot). Ici, l'exposition est une consommation d'eau > 3 litres. L'odds d'exposition chez les témoins est 5/(50 − 5) = 5/45. L'odds d'exposition chez les cas est 14/(50 − 14) = 14/36. L'odds ratio est : OR = (14/36)/(5/45) = (14 × 45)/(36 × 5) = 14 × 9/36 = 14/4 = 3,5. Boire > 3 litres d'eau pendant la course est associé à un odds d'hyponatrémie multiplié par 3,5 (par rapport à boire < 3 litres d'eau). Si le risque d'hyponatrémie est faible (< 10 %), l'odds ratio peut être interprété comme un risque relatif et on peut dire que le risque d'hyponatrémie est 3 fois plus grand chez les coureurs qui boivent > 3 litres d'eau pendant la course par rapport à ceux qui boivent < 3 litres d'eau. ✓ Python (14 × 45/(36 × 5) = 3,5)

Les trois gestes : le complément dans la colonne (50 − 14, 50 − 5), le produit croisé sur le tableau ordonné, l'approximation OR ≈ RR conditionnée à la rareté. Le mot « associé » est celui du prof. Diapos 2.0 C12-Q9.

questions12 · exercice 3 — infarctus et tabagisme, 30 paires appariées sur l'âge et le sexe · McNemar = 8/2 = 4

Énoncé. Dans une étude cas-témoins recrutant 30 patients avec un infarctus et 30 témoins, les témoins sont appariés aux cas sur l'âge et le sexe. Parmi 30 paires cas-témoin : le cas et le témoin étaient fumeurs dans 10 paires · ni le cas ni le témoin n'étaient fumeurs dans 10 paires · seul le cas était fumeur dans 8 paires · seul le témoin était fumeur dans 2 paires. Calculer l'odds ratio mesurant l'association entre tabagisme et infarctus.

Corrigé du prof (mot pour mot). Puisque les cas et les témoins sont appariés, il faut calculer l'odds ratio de McNemar. Pour cela, il faut connaître le nombre de paires de cas/témoins dont l'un est exposé mais pas l'autre (paires discordantes). Tableau (lignes CAS fumeur / non-fumeur, colonnes TÉMOINS fumeur / non-fumeur) : 10, 8 ; 2, 10. Ici, OR = 8/2 = 4. L'odds d'infarctus est 4 fois plus élevé chez les fumeurs que chez les non-fumeurs. ✓ Python

ÉCART DÉCLARÉ (variante ajoutée) : l'analyse naïve sur les individus (18 cas fumeurs contre 12, 12 témoins fumeurs contre 18) donnerait (18 × 18)/(12 × 12) = 2,25 — fausse, elle ignore l'appariement. Diapos 2.0 C12-Q21.

📜 LES 4 ANNALES DU CHAPITRE (+ la question du répétitoire) — mot pour mot, toutes de raisonnement, deux identiques

Sur les 43 questions de statistiques tombées au SFO en 2021, 2022, 2023 et 2024, quatre portent sur ce chapitre — aucune en 2023. Aucun calcul : les quatre testent le design. 2021 Q10 et 2024 Q31 sont la même question (les témoins d'une étude café et cancer du pancréas), options réordonnées. ÉCART DÉCLARÉ : la clé de 2022 Q2 est reconstituée (le retranscrit porte « correction check ») ; l'énoncé du répétitoire est reconstitué depuis l'oral du prof (le PDF ne contient que les corrigés).
SFO 2021 Q10 — type A — café et cancer du pancréas : comme témoins nous devons choisir… · clé B (« gens sans cancer du pancréas »)

Énoncé. Nous faisons une étude cas-témoins pour savoir s'il existe un lien entre la consommation de café et le cancer du pancréas. On choisit, comme cas, les patients ayant un cancer du pancréas. Comme témoins nous devons choisir : A) Gens avec d'autres maladies du tube digestif hospitalisés · B) Gens sans cancer du pancréas · C) Les conjoints des cas vivant sous le même toit que les cas · D) Personnes qui ne consomment pas de café · E) Gens au hasard dans la population générale.

B — bonne réponse. Le témoin se définit par l'absence de la maladie étudiée (d.9-10). A faux : hospitalisés = non représentatifs, facteurs de risque digestifs partagés (oral 23:33). C faux : mêmes habitudes de café = appariement sur l'exposition. D faux : sélection sur l'exposition, le facteur disparaît. E faux : la population générale contient des cas. ✓ clé officielle

📜 RETOMBE : 2024 Q31, mot pour mot. Diapos 2.0 C12-Q5.

SFO 2024 Q31 — type A — la même question, trois ans plus tard · clé E (« des adultes non atteints du cancer du pancréas »)

Énoncé. On réalise une étude cas-témoins où l'on veut mesurer l'association entre la consommation de café et le cancer du pancréas. Les cas sont des adultes hospitalisés atteints du cancer du pancréas. Les témoins doivent être : A) Des personnes ne buvant pas de café · B) Des adultes guéris du cancer du pancréas · C) Des adultes hospitalisés pour atteintes digestives · D) Les conjoints des cas vivant sous le même toit que les cas · E) Des adultes non atteints du cancer du pancréas.

E — bonne réponse. Même raisonnement : absence de la maladie étudiée. A faux : sélection sur l'exposition. B faux : ils ont eu la maladie. C faux : biais, maladies digestives aux facteurs de risque communs. D faux : appariement sur l'exposition (même foyer, même café). ✓ clé officielle

L'option « guéris » est la nouveauté de 2024 : un ancien malade n'est pas un témoin. Diapos 2.0 C12-Q5.

SFO 2022 Q2 — type A — sédentarité et diabète de type 2, même tranche d'âge : qu'est-ce qu'on étudie ? · clé C (reconstituée)

Énoncé. On réalise une étude cas-témoins dans le but d'étudier la sédentarité chez les patients diabétiques de type 2. On prend un groupe de patients récemment diagnostiqués diabétiques de la même tranche d'âge. Qu'est-ce qu'on étudie ? A) Le risque de diabète type 2 en lien avec la sédentarité · B) L'association entre l'âge et le diabète type 2 · C) L'association entre la sédentarité et le diabète type 2 · D) Le facteur de confusion lié à l'âge · E) La proposition E.

C — bonne réponse. Une étude cas-témoins mesure une association (odds ratio), jamais un risque (proportion de cas fixée) ⇒ A faux. L'âge est ici la variable d'appariement (« même tranche d'âge ») : neutralisé, ni étudié ni confondant sur l'association ⇒ B, D faux. E : option vide. ✓ clé reconstituée (d.9, d.42)

ÉCART DÉCLARÉ : « correction check » dans le retranscrit ; la clé C est la seule cohérente avec les d.9 et d.42. Diapos 2.0 C12-Q20.

SFO 2024 Q30 — type A — concernant une étude cas-témoins · clé D (« on peut apparier »)

Énoncé. Concernant une étude cas-témoins : A) Par rapport à une étude prospective, il est plus compliqué d'étudier une maladie rare · B) On peut étudier plusieurs facteurs d'exposition et plusieurs problèmes de santé · C) On ne peut pas utiliser une variable continue comme l'âge · D) On peut apparier les cas et les témoins · E) On peut mesurer l'association entre plusieurs facteurs d'exposition et un problème de santé avec une différence relative de risque.

D — bonne réponse. d.42. A faux : la cas-témoins est l'outil des maladies rares (d.10). B faux : un seul problème de santé (d.10, d.49). C faux : catégoriser ou régression logistique (d.30-31). E faux : aucun risque calculable, donc aucune différence ni réduction relative de risque — un odds ratio. ✓ clé officielle

La d.10 et la d.49 dans une seule question : c'est le squelette de questions12 ex. 1. Diapos 2.0 C12-Q3.

RÉPÉTITOIRE (Pr Combescure) — type A — cancer de la vessie et tabagisme : quels paramètres peut-on estimer ? · clé E (« la prévalence du tabagisme »)

Énoncé (reconstitué depuis l'oral du répétitoire, 25:22 → 31:28). On effectue une étude cas-témoins pour identifier le lien possible entre cancer de la vessie et tabagisme ; l'exposition « tabagisme » est codée en deux catégories, jamais fumé versus fumeur ancien ou actif. Quels paramètres peut-on estimer ? A) Le risque relatif de cancer de la vessie · B) Le taux d'incidence · C) La survie · D) L'aire sous la courbe ROC · E) La prévalence du tabagisme.

E — bonne réponse. Corrigé écrit du prof : « Identifier le sujet : ici, cas-témoin (certaines réponses proposées font appel à des notions vues dans d'autres cours). La proportion de cas est fixée par les investigateur·rices et ne reflète pas le risque du problème de santé étudié. On ne peut pas calculer de risque ⇒ A fausse. Pas de suivi des participant·es (recrutement des cas au moment du diagnostic) ⇒ B et C fausses. La mesure d'association utilisée dans les études cas-témoins est l'odds ratio alors que la courbe ROC sert à évaluer les performances d'un test diagnostique continu (en plus ici l'exposition est binaire) ⇒ D fausse. Dans une étude cas-témoin, les cas sont un échantillon (ou la totalité) de la population des cas. La proportion d'exposé·es (ici tabagisme) chez les cas est une estimation de la prévalence du tabagisme dans la population des cas. Même chose chez les témoins. C'est de cette manière qu'on identifie un facteur de risque dans une cas-témoin ⇒ E vraie. » ✓ corrigé officiel

La question modèle du chapitre : elle teste en une fois « pas de risque », « pas de suivi », « OR et non ROC » et « proportions d'exposés en colonne ». Diapos 2.0 C12-Q6.

🎯 ANNALES CROISÉES — ce que les quatre années disent de ce chapitre

Ce qui ne tombera pas : les résultats des exemples (Népal, NEJM, litchi), la formule de l'IC, la démonstration OR ≈ RR, la transformation logit et eb, la sortie SPSS.

Conclusion stratégique. Ce chapitre se révise comme un interrogatoire du design : ① qui a fixé la proportion de cas ? (l'investigateur ⇒ pas de risque, pas de taux, pas de survie) ; ② les témoins viennent-ils de la même population et sont-ils définis par l'absence de la maladie seulement ? ; ③ l'exposition est-elle mesurée dans le passé (recall bias) ? ; ④ le tableau est-il ordonné (cas à gauche, exposés en haut) avant ad/bc ? ; ⑤ les données sont-elles appariées (⇒ paires, B/C) ? ; ⑥ l'exposition est-elle continue (⇒ OR par unité, quelle unité ?) ; ⑦ le modèle est-il simple ou multiple (non ajusté / ajusté) ; ⑧ les auteurs disent-ils « associé » ou « cause » ? Les par-cœur payants sont peu nombreux : odds = p/(1 − p), OR = ad/bc, OR d'exposition = OR de maladie, OR ≈ RR si rare, H₀ : OR = 1 par χ², k − 1 OR, eb par unité, simple/multiple, McNemar = B/C.

🧠 LE PAR-CŒUR PAYANT DU CHAPITRE

✅ CRITÈRES DE VERROUILLAGE DU CHAPITRE