PEGASUS · UNIGE — Statistiques pour médecins · semestre 1 · CHAPITRE 13 / 15

Ch13 — Association, biais, effet de confusion

⭐⭐⭐ LE CHAPITRE DU RAISONNEMENT · devant une association, cinq explications : causalité, causalité inverse, confusion, biais, hasard · la confusion s'ajuste (randomisation, appariement, stratification, modèle), le biais se prévient · deux biais à retenir : sélection et information · l'exemple qui résume tout : le café, HR 1,60 puis 0,90 — séance 13 — Pr C. Combescure

📊 Diapos : 55/55 mappées (Statistiques pour médecins_13_associations.pdf — 1 diapo par page, format 16:9, 960 × 540 pt, numéro imprimé = numéro de page) et 55/55 regardées une par une (10 montages) 🎙️ Oral : séance 13 en entier (1 h 46 de parole, pause 45:44 → 53:45) + l'ouverture de la séance 14 (8 minutes de rappel, 00:08 → 08:22 : « biais d'information ou biais de mesure, deux termes qui veulent dire la même chose ») 📝 Exercices : aucune série officielle pour ce chapitre — les fichiers du cours passent de questions12 à questions14 (vérifié sur le dossier du cours). Les 3 annales, l'étude du café et l'exemple poids-taille jouent ce rôle, avec leurs valeurs recalculées en Python. 📜 Annales : 3 questions sur 43 en quatre ans (SFO 2021 Q11, 2021 Q13, 2024 Q36) — une par notion gardée : reconnaître un BIAIS DE SÉLECTION, reconnaître un EFFET DE CONFUSION, savoir le NEUTRALISER. Aucune ne demande un calcul. 🎯 Programme d'examen dans les mots du prof (1:45:52) : « les points clés, c'est les différentes explications possibles à une association, les différentes formes que peut prendre une association […] ; les biais — ne retenez pas tous les biais : biais d'information, mesure, et biais de sélection, c'est ça qu'il faut retenir […] ; et puis l'effet de confusion, il faut comprendre ce que c'est […] et que ça peut être neutralisé par différentes manières, notamment les modèles de régression » 🗑️ Hors examen (logo poubelle, et il le dit) : le diagramme « Association and cause » (d.10, « vous n'avez pas à l'apprendre », dit deux fois) · les 9 arguments de Bradford Hill et les 4 types de biais (« vous n'avez pas à prendre par cœur les 4 ou les 9 ») · les noms des sous-types de biais (« retenez juste le terme global biais de sélection ») · la manifestation de la confusion (d.23, « je devrais mettre une poubelle dessus ») · la chaîne causale (d.37, « j'aurais pu mettre une poubelle ») · biais de prévalence (d.46), de temps zéro (d.48), de classification (d.49), de publication (d.50) ⚠️ Écarts déclarés : 13 — arrondis oraux (« à peu près 19 % » pour 18,8 % · « on augmente de moitié » pour +43 % · « on multiplie par 5 » les fumeurs pour ×7,2 · « on double » l'alcool pour ×1,84 · pente « 0,83 » et IC « 0,74-0,93 » pour 0,832 et [0,736 ; 0,928] · coefficients « 0,57 » et « 7,1 » pour 0,569 et 7,132) · l'intercept cité « 0,79 » pour −79,105 (coupure de la transcription) · t = 15,166 par le calcul contre 15,163 imprimé par SPSS · « entre 50 et 70 ans » pour 50 à 71 ans · SFO 2021 Q13 : seule la proposition A est retranscrite (B-E reconstituées) · SFO 2024 Q36 : le corrigé ne tranche ni B ni D · aucune série d'exercices officielle. Aucun ne change une conclusion ; tous sont signalés là où ils tombent.
0/0
🐎 PEGASUS📊 Diapos 2.0 Ch13🧠 Page blanche
🎯 LE CHAPITRE OÙ L'ON APPREND À NE PAS CONCLURE TROP VITE. Trois annales sur 43, aucun calcul : elles demandent de nommer l'explication d'une association. Le squelette tient en une phrase : devant une association observée entre A et B, il y a cinq explications — causalité, causalité inverse, effet de confusion, biais, hasard — et une bonne étude les discute toutes. Deux d'entre elles occupent la séance : l'effet de confusion, qui se reconnaît à un chiffre qui change entre brut et ajusté (le café : 1,60 ⇒ 0,90 ; le poids : 0,832 ⇒ 0,569) et qui se neutralise de quatre manières (randomiser, apparier, stratifier, ajuster) ; et le biais, erreur systématique qui caractérise une méthode, se reproduit à l'identique, et ne se rattrape jamais par l'analyse — il se prévient. Le prof trie lui-même ce qui tombe : « ne retenez pas tous les biais », « vous n'avez pas à prendre par cœur les 4 ou les 9 », « ce diagramme, vous n'avez pas à l'apprendre » — mais « l'effet de confusion, il faut comprendre ce que c'est ». Les 36 micro-notions ci-dessous suivent l'ordre de la séance.
▶

N1 · Ce que la séance révise du Ch12, et les objectifs

d.1-4
0/3
⬜

Le rappel du Ch12 — l'étude cas-témoins et l'odds ratio

~5 min
📊 DIAPOS d.2
Étude cas-témoins : plan d'étude pour examiner des associations entre facteurs de risque ou protecteurs et une maladie · surtout pour les maladies rares, efficace et économique · l'odds ratio est le ratio des odds d'exposition des cas sur les témoins · la mesure de risque n'est pas interprétable car le ratio cas et témoins est arbitraire · produit croisé ad ÷ bc.
🎙️ ORAL (02:12 → 04:16)
« La proportion de cas dans l'échantillon n'a plus de sens […] il faut utiliser une autre mesure d'association qu'on appelle l'odds ratio qui, elle, est valide dans les études cas-témoins, mais aussi dans les études prospectives. » · « 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. »
⚠️ PIÈGE
L'odds ratio n'est pas « la mesure des cas-témoins seulement » : c'est la seule mesure des cas-témoins, mais il s'emploie aussi ailleurs. La cohorte a le choix ; l'étude cas-témoins, non.
📝 TOMBE EN QCM
C13-Q1 ; Diapos 2.0 d.2 ; tout le Ch12.
⬜

Le rappel du Ch12 — régression logistique, appariement, McNemar

~5 min
📊 DIAPOS d.3
Régression logistique : modélisation pour des outcomes binaires ; donne des odds ratios pour des variables indépendantes continues ou catégorielles. Appariement : on choisit des témoins identiques aux cas sur les facteurs choisis à l'avance, et on analyse des paires. OR de McNemar = ratio des paires discordantes : (cas exposé, témoin non) ÷ (cas non-exposé, témoin exposé).
🎙️ ORAL (11:44 → 12:47)
« Quand on fait cet appariement, c'est assez élégant, c'est assez simple et c'est très efficace. Par contre ça va nécessiter un calcul différent de l'odds ratio : AD divisé par BC, ça ne marche plus. »
⚠️ PIÈGE
L'appariement est ici une révision, mais il revient comme méthode de neutralisation de la confusion (d.26) et comme bonne réponse d'annale (2024 Q36, à condition qu'il soit décrit dans le bon sens : témoin fumeur pour cas fumeur).
📝 TOMBE EN QCM
C13-Q22 (SFO 2024 Q36, option A à l'envers) ; Diapos 2.0 d.3.
⬜

Les objectifs : cinq notions, aucune formule nouvelle

~4 min
📊 DIAPOS d.4
Approfondir : l'association et ses formes statistiques · ce qui peut expliquer une association · la causalité · les biais de sélection et d'information · l'effet de confusion. Tout le chapitre est un chapitre de raisonnement : les seuls chiffres sont ceux des deux exemples.
🎙️ ORAL (01:12)
« L'effet de confusion, c'est quelque chose de très fréquent dans les études observationnelles, pas dans les essais cliniques randomisés parce que le design de l'étude fait qu'il n'y a pas d'effet de confusion ; mais dans les études de cohorte, dans les études cas-témoins, c'est un problème assez fréquent — et heureusement on a des solutions. »
⚠️ PIÈGE
« Pas d'effet de confusion dans un essai randomisé » est vrai en moyenne et sur de grands effectifs : le prof ajoute qu'un petit essai peut rester déséquilibré (d.26). C'est la nuance qui distingue une K′ vraie d'une K′ fausse.
📝 TOMBE EN QCM
C13-Q8 (proposition D) ; Diapos 2.0 d.4.
▶

N2 · ⭐⭐ L'association : toute question de recherche en est une

d.5-8
0/3
⬜

Une hypothèse scientifique relie DEUX variables

~4 min
📊 DIAPOS d.5
Trois exemples, trois couples : dexaméthasone ou placebo et guérison à 48 h (exposition, outcome) · taille et poids · test urinaire rapide (test index) et culture des urines (gold standard, test de référence). Dans tous les cas : deux variables, une association.
🎙️ ORAL (14:51 → 15:52)
« Dans quasiment toutes les études cliniques, la question de recherche va se résumer à une association. […] Dire que la dexaméthasone a un effet sur la guérison, ça revient, du point de vue statistique, à démontrer qu'il existe une association entre le traitement reçu et l'outcome. »
⚠️ PIÈGE
Dans une étude diagnostique, l'« association » prend une forme particulière : le test index contre le gold standard, mesurée par la sensibilité et la spécificité — ce n'est pas un facteur de risque, mais c'est bien une association (Ch9).
📝 TOMBE EN QCM
C13-Q3 ; Diapos 2.0 d.5.
⬜

⭐ PICO et PEO, puis décrire et inférer

~6 min
📊 DIAPOS d.6-7
PICO (essais) : Population, Intervention, Comparateur, Outcome · PEO (observationnel) : Population, Exposition, Outcome. Puis deux étapes : décrire l'association dans l'échantillon (moyennes, proportions, pente, courbes, Se et Sp) et inférer sur le paramètre — estimation, IC 95 % = ensemble des valeurs compatibles avec les données, test et p < 0,05.
🎙️ ORAL (20:13 → 21:16)
« Ce qui se passe dans l'échantillon, on s'en fout ; ce qui nous intéresse, c'est ce que les données permettent de tirer comme conclusion sur les paramètres. […] L'intervalle de confiance à 95 %, je vous rappelle la définition, c'est l'ensemble des valeurs du paramètre compatibles avec les données observées. »
⚠️ PIÈGE
IC et valeur p appartiennent à l'inférence, pas à la description : une K′ qui les range dans « décrire l'échantillon » est fausse. Et l'hypothèse nulle est « celle qu'on n'a pas envie d'avoir » (21:16).
📝 TOMBE EN QCM
C13-Q3 (propositions A, B, D) ; Diapos 2.0 d.6-7 ; Ch1 (PICO), Ch3 (IC), Ch4 (valeur p).
⬜

⭐⭐ Le catalogue des mesures : quelle mesure pour quel design

~8 min
📊 DIAPOS d.8
Différence de 2 moyennes (outcome quantitatif) · pente de régression linéaire (différence moyenne de B par unité de A) · différence de risque et NNT · risque relatif et RRR · hazard ratio (survie, modèle de Cox) · odds ratio (cas-témoins) · sensibilité et spécificité, aire sous la courbe ROC (diagnostic). La liste n'est pas exhaustive : le taux d'incidence s'y ajoute.
🎙️ ORAL (22:18 → 23:22)
« Ce qui est important dans cette slide, c'est de comprendre qu'en fonction du design de l'étude et de la nature statistique du problème de santé, ce sera telle ou telle méthode qui sera appropriée. […] Dans les cas-témoins, on ne peut utiliser que l'odds ratio. »
⚠️ PIÈGE
Deux entrées, pas une : le design (cas-témoins ⇒ OR obligatoire) et la nature de l'outcome (binaire ⇒ risques et odds ; quantitatif ⇒ moyennes et pentes ; délai ⇒ hazard ratio). Le NNT et la RRR appartiennent surtout aux essais.
📝 TOMBE EN QCM
C13-Q2 ; Diapos 2.0 d.8 ; rappel de la séance 14 (02:11 → 04:16).
▶

N3 · ⭐⭐⭐ Les CINQ explications d'une association observée

d.9-11
0/3
⬜

⭐⭐⭐ Les cinq explications, dans l'ordre — LA diapositive du chapitre

~8 min
📊 DIAPOS d.9
1. Causalité : A cause B · 2. Causalité inverse : B cause A · 3. Effet de confusion : une troisième variable C produit l'association · 4. Biais (erreur systématique) : dû aux méthodes utilisées · 5. Hasard (erreur aléatoire). « Toujours envisager ces 5 possibilités !! » — et elles doivent être discutées dans la discussion de l'article.
🎙️ ORAL (14:51 · 24:22 → 29:28)
« Une association prouvée avec les données de manière statistique, ça ne veut pas dire que c'est une association causale […] il y a cinq explications qui existent. » · « La causalité inverse, prenons l'exemple poids-taille : ce serait dire que lorsque le poids augmente, la taille augmente aussi. Moi j'ai essayé, ça ne marche pas : ne prenez pas du poids pour grandir. » · « Le hasard, c'est un peu le chewing-gum qu'on a sous la chaussure. »
⚠️ PIÈGE
La causalité inverse est celle qu'on oublie : elle s'écarte par la temporalité (l'exposition précède l'outcome). Et l'appariement ou la randomisation ne sont pas des explications : ce sont des parades.
📝 TOMBE EN QCM
C13-Q4 ; Diapos 2.0 d.9 ; conclusions d.53 ; rappel de la séance 14 (04:16 → 05:17).
⬜

🗑️ L'arbre « Association and cause » — et la méthode par élimination

~4 min
📊 DIAPOS d.10
L'arbre descend : biais de sélection ou de mesure (oui, non) → hasard (probable, improbable) → confusion (oui, non) → CAUSE. Ce qu'il faut garder n'est pas le dessin mais la méthode : on procède par élimination, et la causalité est ce qui reste quand tout le reste est écarté.
🎙️ ORAL (30:29)
« En pratique, vous notez la poubelle au passage, c'est un diagramme que vous n'avez pas à savoir. […] Je répète, ce diagramme, vous n'avez pas à l'apprendre. »
⚠️ PIÈGE
« Hors examen » ne veut pas dire « inutile » : la démarche d'élimination est exactement celle que demandent les annales — on ne choisit pas « causalité » tant qu'on n'a pas écarté le biais, le hasard et la confusion.
📝 TOMBE EN QCM
C13-Q5 (proposition A) ; Diapos 2.0 d.10.
⬜

Ce que fait une bonne étude : limiter, puis décrire

~4 min
📊 DIAPOS d.11
Une bonne étude apporte des arguments en faveur ou en défaveur de la causalité · limite et décrit les effets de confusion résiduels · limite et décrit le risque de biais · limite et décrit le rôle du hasard. Deux verbes, quatre fois : limiter par le design, décrire dans la discussion.
🎙️ ORAL (29:28)
« Heureusement, avec les méthodes statistiques qu'on utilise, on arrive à limiter le rôle du hasard : l'erreur de type 1 est fixée à 5 %, ce qui est relativement faible ; c'est peut-être trop pour certains, mais ce n'est pas 20 %, ce n'est pas 50 %. »
⚠️ PIÈGE
« Confusion résiduelle » est le terme exact : même bien ajusté, un modèle laisse passer ce qu'on n'a pas mesuré. Une étude honnête l'écrit ; une K′ qui affirme « l'ajustement supprime toute confusion » est fausse.
📝 TOMBE EN QCM
C13-Q14 (proposition C) ; Diapos 2.0 d.11.
▶

N4 · ⭐⭐ La causalité, et les 9 arguments de Bradford Hill

d.12-13
0/2
⬜

⭐⭐ Ce qui démontre une causalité — et ce qui ne la démontre jamais

~7 min
📊 DIAPOS d.12
Démontrée par une étude expérimentale : si on modifie la cause, l'effet change (parfois éthiquement inacceptable) · séquence temporelle : la cause précède l'effet · arguments supplémentaires : association forte, dose-réponse graduelle, mécanisme sous-jacent · n'est JAMAIS prouvée par l'observation d'une association statistique sans intervention expérimentale.
🎙️ ORAL (31:30 → 33:34)
« C'est pour ça que les essais cliniques randomisés, c'est un peu le gold standard […] ça permet de garantir la causalité ; c'est pour ça qu'ils sont exigés par la FDA, par Swissmedic, par l'agence européenne du médicament. » · « Ça ne veut pas dire que l'existence d'un mécanisme plausible donne automatiquement la causalité : il y a des exemples où on a supposé des mécanismes tout à fait réalistes, mais en réalité ça ne marchait pas. »
⚠️ PIÈGE
Le mécanisme joue de façon asymétrique : son absence affaiblit la causalité, sa présence ne la prouve pas. Et une association très forte et très significative sur des centaines de milliers de personnes (le café !) ne prouve toujours rien.
📝 TOMBE EN QCM
C13-Q6 ; Diapos 2.0 d.12 ; conclusions d.53.
⬜

🗑️ Les 9 arguments de Hill : à comprendre, pas à réciter

~5 min
📊 DIAPOS d.13
1 Force · 2 Consistance · 3 Spécificité · 4 Temporalité · 5 Gradient · 6 Plausibilité · 7 Cohérence · 8 Expérimentation · 9 Analogie. Les cinq que le prof reprend à son compte : temporalité, force, gradient, plausibilité, expérimentation.
🎙️ ORAL (34:39 → 36:43 · 1:45:52)
« La spécificité : vous avez des problèmes de santé très spécifiques à une exposition, c'est le cas de l'amiante. » · « L'analogie : le thé vert protégeait de certains cancers ; par analogie, des principes contenus dans le thé peuvent se retrouver dans d'autres aliments. » · « Vous n'avez pas à prendre par cœur les 4 ou les 9, ce n'est pas la peine de tous les retenir. »
⚠️ PIÈGE
« Les 4 ou les 9 » = les 4 types de biais (d.42) et les 9 arguments (d.13). Ce qui reste exigible : savoir qu'il existe une liste de critères, et citer les plus forts — temporalité et expérimentation.
📝 TOMBE EN QCM
C13-Q5 (proposition C) ; Diapos 2.0 d.13.
▶

N5 · ⭐⭐⭐ L'effet de confusion : définition et TROIS conditions

d.14-17
0/3
⬜

⭐⭐⭐ La définition et le triangle A, B, C

~6 min
📊 DIAPOS d.15
L'association apparente entre A et B est en fait due à une autre variable, le facteur de confusion C. Ce qu'on observe : une flèche en pointillés entre A et B. La réalité : deux flèches pleines partant de C, l'une vers A, l'autre vers B — et aucune flèche entre A et B.
🎙️ ORAL (37:30)
« Si jamais la caractéristique qui diffère entre exposés et non-exposés est une cause du problème de santé, alors la comparaison directe va aboutir à un risque plus élevé chez les exposés — tout simplement parce que les exposés ont plus fréquemment la véritable cause du problème de santé. »
⚠️ PIÈGE
Dans le schéma de la réalité, il n'y a pas de flèche A → B : la confusion peut créer une association là où il n'existe aucun lien causal. Mais elle peut aussi déformer un lien réel (le poids et la taille) : les deux situations existent.
📝 TOMBE EN QCM
C13-Q8 ; Diapos 2.0 d.15 ; conclusions d.54.
⬜

⭐⭐ L'exemple : café, mortalité, tabagisme — et anticiper le SENS

~6 min
📊 DIAPOS d.16
Est-ce que le café augmente la mortalité ? Observation : café ⇄ mortalité. Réalité : tabagisme → café et tabagisme → mortalité. Si les buveurs de café sont plus susceptibles de fumer, on voit une association même si le café n'a aucun effet. On peut anticiper le sens de la distorsion : vers un café délétère.
🎙️ ORAL (38:32)
« On peut anticiper, sur la base de la logique, du sens attendu des associations entre café et tabagisme, et tabagisme et mortalité : on peut déjà pressentir dans quel sens va aller l'effet de confusion. »
⚠️ PIÈGE
Anticiper le sens est un exercice de raisonnement, pas une certitude : dans l'article, la distorsion est si forte qu'elle inverse le résultat (1,60 ⇒ 0,90). Prévoir la direction ne dispense jamais d'ajuster.
📝 TOMBE EN QCM
C13-Q11 (proposition D) ; Diapos 2.0 d.16.
⬜

⭐⭐⭐ Les TROIS conditions du facteur de confusion — par cœur

~8 min
📊 DIAPOS d.17
Le facteur C doit être une CAUSE de B (le tabac cause le décès) · ET doit être ASSOCIÉ avec A (le tabac est associé au café) · MAIS ne doit PAS être une CONSÉQUENCE de A (le tabac n'est pas une conséquence du café). Notez l'asymétrie : cause de B, seulement associé à A.
🎙️ ORAL (39:35 → 40:38)
« Il faut que ce facteur, dit de confusion, ce soit une cause directe du problème de santé, et il doit en plus être associé avec l'exposition A. Et là il y a une petite difficulté : c'est que ce facteur ne doit pas être une conséquence de A. » · « Le tabac n'est pas une conséquence du café ; c'est plus une manifestation de certaines habitudes de vie. »
⚠️ PIÈGE
La 3ᵉ condition est celle qui piège : une variable située sur la chaîne causale (les carcinogènes entre le tabac et le cancer) remplit les deux premières conditions et n'est pourtant pas un facteur de confusion — l'ajuster détruirait l'effet étudié (d.37).
📝 TOMBE EN QCM
C13-Q7, C13-Q18 ; Diapos 2.0 d.17 ; conclusions d.54.
▶

N6 · ⭐⭐⭐ L'étude du café : 1,60 puis 0,90

d.18-22
0/3
⬜

⭐⭐ L'article, les effectifs, et le premier hazard ratio

~8 min
📊 DIAPOS d.18-19
NEJM 2012;366:1891-904 · cohorte NIH-AARP : 229 119 hommes et 173 141 femmes, 50 à 71 ans, suivi 1995-2008, café mesuré une seule fois à l'inclusion. Chez les hommes : 33 731 décès · sans café (N = 21 080) 2 766 décès = 13,1 % · ≥ 6 tasses (N = 10 139) 1 904 décès = 18,8 % · HR ajusté pour l'âge = 1,60 (1,51-1,69), modèle de Cox. ✓ Python : 13,12 % et 18,78 % ; rapport 1,43
🎙️ ORAL (42:41 → 43:42)
« Parmi les non-consommateurs on avait 13,1 % de décès, et parmi les gros consommateurs à peu près 19 %. Rien que sur la proportion, on voit qu'on augmente de moitié. […] Ça donne un hazard ratio de 1,60. » · « Là il y a un effet de confusion qui est neutralisé, celui de l'âge ; par contre il y en a plein d'autres. »
⚠️ PIÈGE · ÉCART DÉCLARÉ
Deux arrondis généreux : « à peu près 19 % » pour 18,8 %, et « on augmente de moitié » pour un rapport de 1,43 (+43 %). Le HR ajusté pour l'âge, lui, vaut bien 1,60 : ce n'est pas le même nombre que le rapport des proportions.
📝 TOMBE EN QCM
C13-Q9 ; Diapos 2.0 d.18-19 ; examen blanc v2.
⬜

⭐⭐ Qui sont les gros consommateurs : le tableau qui explique tout

~7 min
📊 DIAPOS d.20
Non-consommateurs contre ≥ 6 tasses : fumeurs actuels 4,8 % contre 34,7 % · plus de 3 verres par jour 6,3 % contre 11,6 % · activité physique vigoureuse 24,8 % contre 20,6 % · fruits 1,5 contre 0,8 portion par jour · viande rouge 33,1 contre 40,5 g par jour · âge médian 61,1 contre 60,3 ans. ✓ Python : ×7,2 pour le tabac, ×1,84 pour l'alcool
🎙️ ORAL (43:42 → 45:44)
« En termes d'âge, même pas un an de différence. Par contre : consommation de tabac, on passe de 5 à 35 %, on multiplie par 5 la fréquence de fumeurs […] on a des profils assez différents : des personnes qui ont de mauvaises habitudes de vie chez les exposés, et de bien meilleures habitudes chez les non-exposés. »
⚠️ PIÈGE · ÉCART DÉCLARÉ
« On multiplie par 5 » : la table donne 4,8 % → 34,7 %, soit ×7,2 ; « on double » l'alcool vaut ×1,84. Retenez la direction, pas les facteurs de l'oral. Et surtout : l'âge ne diffère pas, donc l'ajustement sur l'âge seul ne pouvait rien changer.
📝 TOMBE EN QCM
C13-Q11 ; Diapos 2.0 d.20.
⬜

⭐⭐⭐ Le HR multivarié 0,90 — et « les deux résultats sont justes »

~9 min
📊 DIAPOS d.21-22
HR multivarié = 0,90 (0,85-0,96) : ajusté sur l'âge, l'IMC, l'origine, l'éducation, l'alcool, le nombre de cigarettes, l'état de santé, le diabète, le statut marital, l'activité physique, l'apport énergétique et l'alimentation. L'effet s'inverse : mortalité réduite de 10 %. Le passage de 1,6 à 0,9 est la conséquence de l'effet des facteurs de confusion. Les deux IC excluent 1 : les deux résultats sont significatifs, en sens opposés.
🎙️ ORAL (1:04:54 → 1:05:54)
« Si vous prenez de manière aléatoire un gros consommateur de café, il aura un risque de décès plus élevé ; ça, c'est vrai. Par contre, si vous prenez un consommateur et un non-consommateur qui ont les mêmes caractéristiques, alors le consommateur aura un risque plus faible. Les deux résultats sont justes. » · « C'est plus intéressant d'arrêter de fumer, si jamais vous fumez, que de vous mettre au café. »
⚠️ PIÈGE
Trois pièges en un : ① l'inversion ne prouve pas que le café protège — l'étude est observationnelle, la causalité n'est pas discutée ; ② « réduite de 10 % » se lit sur le HR (1 − 0,90), pas sur les proportions ; ③ une K′ qui dit « le résultat brut était faux » est fausse : il répondait à une autre question.
📝 TOMBE EN QCM
C13-Q10 ; Diapos 2.0 d.21-22 ; rappel de la séance 14 (07:20 → 08:22).
▶

N7 · ⭐⭐ Reconnaître une confusion : manifestation, types, strates

d.23-25
0/3
⬜

⭐⭐⭐ Comment on reconnaît un effet de confusion (la règle des annales)

~6 min
📊 DIAPOS d.23
1) Examiner l'association A-B sans tenir compte de C · 2) refaire l'analyse dans chaque niveau de C (ou 2bis : ajuster dans un modèle) · 3) comparer : semblables ⇒ C n'est pas un facteur de confusion · différentes ⇒ C est un facteur de confusion.
🎙️ ORAL (1:06:55 → 1:07:57)
« Là je passe assez vite […] c'est une slide, je devrais mettre une poubelle dessus. » · « Si jamais un article vous montre les résultats non ajustés et ajustés, s'il y a eu un changement entre les deux valeurs, comme le hazard ratio qui passe de 1,6 à 0,90, ça veut dire qu'il y a eu des effets de confusion : c'est comme ça qu'on les reconnaît. »
⚠️ PIÈGE
La poubelle porte sur le détail de la procédure, pas sur la règle : SFO 2021 Q13 teste exactement le point 3) (p qui passe de 0,02 à 0,08). Ne jetez pas la règle avec la diapositive.
📝 TOMBE EN QCM
C13-Q13, C13-Q21 (SFO 2021 Q13) ; Diapos 2.0 d.23.
⬜

⭐⭐⭐ Les quatre effets possibles : ça part dans tous les sens

~5 min
📊 DIAPOS d.24
Un effet de confusion peut : faire APPARAÎTRE une association là où aucune n'existe · faire DISPARAÎTRE une association causale · INVERSER le sens · RENFORCER ou AFFAIBLIR. Les deux exemples du cours en montrent trois : le café inverse (1,6 ⇒ 0,9) ; le poids et la taille affaiblit (0,832 ⇒ 0,569) ; et dans l'autre sens la taille renforçait (14,7 ⇒ 7,1).
🎙️ ORAL (1:08:59)
« Attention, l'effet de confusion, il peut partir dans tous les sens. […] Ça peut faire apparaître une association alors qu'en réalité il n'y a aucune relation causale, ça peut la faire disparaître, l'affaiblir, l'inverser, la renforcer : ça peut tout faire sur l'association. »
⚠️ PIÈGE
Ne confondez pas avec le biais d'atténuation (d.49), le seul dont la direction est prévisible : lui rapproche toujours de H₀. La confusion, jamais.
📝 TOMBE EN QCM
C13-Q12 ; Diapos 2.0 d.24.
⬜

⭐⭐ Lire les strates : cacher ou fabriquer une association

~6 min
📊 DIAPOS d.25
Gauche : rien globalement, mais A et B associés dans CHAQUE strate de C ⇒ C cachait l'association. Droite : association négative globale, mais A et B associés dans AUCUNE strate ⇒ C a fabriqué une association inexistante. Dans les deux cas, la lecture est la même : on compare le global et l'intra-strate.
🎙️ ORAL (1:10:00 → 1:11:01)
« On ne voit pas d'association, on a une boule de points. Mais si je décompose mon échantillon en fonction d'un facteur C — par exemple les non-fumeurs, les ex-fumeurs, les fumeurs actifs — on voit que dans chaque strate de C on a une association positive : la variable C cachait l'association. »
⚠️ PIÈGE
Une association qui disparaît dans les strates n'est pas un problème de puissance : c'est la signature attendue d'une confusion. Inversement, une association identique dans toutes les strates prouve que C n'est pas confondant.
📝 TOMBE EN QCM
C13-Q13 ; Diapos 2.0 d.25.
▶

N8 · ⭐⭐⭐ Neutraliser : les QUATRE méthodes

d.26-27
0/3
⬜

⭐⭐⭐ Randomisation — la seule qui neutralise les facteurs INCONNUS

~6 min
📊 DIAPOS d.26
L'allocation aléatoire équilibre les caractéristiques des 2 groupes, en moyenne ; elle casse le lien entre C et le traitement A · cela marche aussi pour les facteurs de confusion inconnus · attention : pas de garantie, surtout si les groupes sont petits · conséquence : dans un essai randomisé, pas besoin d'ajuster.
🎙️ ORAL (1:11:01 → 1:13:04)
« Ce qui est très élégant, c'est que ça rend comparables les individus sur toutes les caractéristiques, y compris celles qu'on n'a pas mesurées, y compris les facteurs de confusion qu'on ne soupçonne pas — les variants génétiques, des choses difficiles à mesurer. Donc c'est extrêmement puissant. » · « Si la caractéristique déséquilibrée n'est pas un facteur causal du problème de santé, ce n'est pas très grave. »
⚠️ PIÈGE
« Pas d'effet de confusion dans un essai randomisé » est une règle probabiliste : un petit essai peut être déséquilibré. Et la randomisation ne protège pas des biais de mesure ni de sélection.
📝 TOMBE EN QCM
C13-Q14 (proposition A) ; Diapos 2.0 d.26 ; conclusions d.54 ; Ch7.
⬜

⭐⭐⭐ Appariement — l'AUTRE flèche du triangle

~6 min
📊 DIAPOS d.26
On choisit les témoins identiques aux cas sur certains facteurs de confusion présumés ; ceci casse le lien entre C et la maladie B — l'autre flèche du triangle, quand la randomisation casse C → A. Limite : on ne peut apparier que sur 1, 2, au grand maximum 3 variables ; d'autres effets de confusion peuvent persister.
🎙️ ORAL (1:13:04 → 1:14:07)
« Cette fois, la relation qu'on casse, ce n'est pas la relation entre l'exposition et le facteur de confusion, c'est la relation entre le facteur de confusion et le problème de santé : c'est l'autre flèche dans le diagramme à 3 branches. » · « Plus vous augmentez les facteurs d'appariement, plus vous augmentez les contraintes pour trouver le témoin qui ressemble au cas. »
⚠️ PIÈGE · ANNALE
SFO 2024 Q36 option A décrit un appariement à l'envers (cas fumeur avec témoin non-fumeur) : tel qu'écrit, le procédé crée la confusion. Et apparier sur une variable interdit ensuite de l'étudier (SFO 2022 Q2, Ch12).
📝 TOMBE EN QCM
C13-Q22 (SFO 2024 Q36) ; Diapos 2.0 d.26 ; Ch12 (McNemar).
⬜

⭐⭐⭐ Stratification et ajustement statistique — et la confusion RÉSIDUELLE

~8 min
📊 DIAPOS d.27
Stratification : on analyse A-B dans chaque niveau de C ; l'association intra-strate ne peut pas être confondue par C — praticable sur 1 ou 2 facteurs. Ajustement : modèle « B prédit par A », puis « B prédit par A et C », et on regarde si l'association change ; c'est ce qui explique la plupart des modèles multivariés des articles observationnels. ⚠️ un modèle ne neutralise que les variables qu'on y met ⇒ confusion résiduelle.
🎙️ ORAL (1:15:08 → 1:17:12)
« On peut stratifier sur un facteur, voire deux, mais à partir du moment où on stratifie sur 5, 6, 8 facteurs, il faut faire des strates croisées, et là il faut des dizaines de milliers, des centaines de milliers d'individus. » · « Dans les essais cliniques randomisés, on n'a pas besoin de ces modèles […] mais dans les études observationnelles, c'est très fréquent. »
⚠️ PIÈGE
Le choix du modèle suit la nature de l'outcome : linéaire (quantitatif), logistique (binaire), Cox (survie). Et les variables d'ajustement doivent être des facteurs de confusion, jamais des causes intermédiaires (d.37).
📝 TOMBE EN QCM
C13-Q14, C13-Q22 (option C) ; Diapos 2.0 d.27 ; conclusions d.54.
▶

N9 · ⭐⭐⭐ Poids et taille : voir la confusion dans deux régressions

d.28-37
0/4
⬜

⭐⭐ Le nuage, puis les deux nuages : l'effet de levier

~6 min
📊 DIAPOS d.28-31
434 étudiant·es ; taille en cm (indépendante), poids en kg (dépendante), sexe biologique comme variable de confusion. Le nuage complet monte. Séparé : points pleins = étudiants (plus à droite et plus haut), cercles vides = étudiantes. Les deux pentes par sexe sont semblables entre elles mais plus faibles que la pente d'ensemble : le nuage des hommes fait levier et redresse la droite globale.
🎙️ ORAL (1:19:13 → 1:21:19)
« Chez les hommes, même si la pente est un peu différente que chez les femmes, ça reste du même ordre de grandeur ; c'est l'aléa qui explique cette petite différence. Par contre la pente obtenue chez les hommes et chez les femmes est très différente de la pente globale. » · « Imaginez que vous décaliez encore vers le haut le nuage de points des étudiants : ça va faire un effet levier. »
⚠️ PIÈGE
Les deux nuages se chevauchent : la confusion ne demande pas une séparation nette, seulement un décalage moyen. Et l'association reste vraie dans chaque sexe : ici la confusion déforme, elle n'invente pas.
📝 TOMBE EN QCM
C13-Q16 ; Diapos 2.0 d.29-31.
⬜

⭐⭐⭐ Régression simple : lire une pente, et se méfier de l'intercept

~7 min
📊 DIAPOS d.32
Poids = −79,105 + 0,832 · taille · 0,832 = gain de poids en kg par centimètre supplémentaire · IC 95 % de la pente 0,736 à 0,928, Sig. 0,000 · −79,105 = poids attendu à 0 cm : interprétation absurde, qui illustre le danger de l'extrapolation au-delà des données. ✓ Python : à 180 cm, 70,66 kg prédits
🎙️ ORAL (1:21:19 → 1:22:20)
« Pour un incrément de taille de 1 cm, le poids augmente en moyenne de 0,83 kg. Faites attention : cette interprétation dépend des unités ; si la taille est en mètres, le poids en grammes, ce sera complètement différent — c'est la même association, mais les valeurs seront différentes. » · « Je ne reviens pas sur l'intercept, il n'a aucun sens. »
⚠️ PIÈGE · ÉCART DÉCLARÉ
L'oral arrondit la pente à « 0,83 » et l'IC à « 0,74-0,93 » ; la diapositive imprime 0,832 et [0,736 ; 0,928]. L'intercept est cité « 0,79 » dans la transcription pour −79,105 (coupure automatique).
📝 TOMBE EN QCM
C13-Q15 ; Diapos 2.0 d.32 ; Ch6 (régression linéaire).
⬜

⭐⭐⭐ Régression multiple : « à sexe identique » et « à taille identique »

~9 min
📊 DIAPOS d.33-34
Poids = −43,595 + 0,569 · taille + 7,132 · sexe (femme = 1, homme = 2) · 0,569 : gain par cm à sexe identique (IC 0,439-0,699) · 7,132 : supplément de poids d'un homme à taille identique (IC 4,654-9,610) · l'ajustement est MUTUEL. Effet de confusion : la pente passe de 0,832 à 0,569, réduite d'un tiers. ✓ Python : 0,569 ÷ 0,832 = 0,684, soit −31,6 %
🎙️ ORAL (1:23:23 → 1:26:27)
« Le 7,1, coefficient du sexe, s'interprète à taille identique : chez des individus de même taille, le poids moyen d'un étudiant est plus élevé de 7,1 kg que celui d'une étudiante. C'est ça qui est important, de même taille. » · « L'ajustement dans un modèle statistique est mutuel. »
⚠️ PIÈGE
La constante change aussi (−79,105 ⇒ −43,595) et reste ininterprétable — « sexe = 0 n'existe pas ». Et l'association persiste après ajustement (IC 0,439-0,699, qui exclut 0) : ici la confusion affaiblit sans annuler.
📝 TOMBE EN QCM
C13-Q16 ; Diapos 2.0 d.33-34.
⬜

⭐⭐⭐ 14,7 kg puis 7,1 kg — et la chaîne causale qu'on n'ajuste pas

~9 min
📊 DIAPOS d.35-37
Moyennes : femmes 58,365 kg (n = 293), hommes 73,092 kg (n = 141), total 63,150 (n = 434) ⇒ différence brute 14,727 kg (IC 12,818-16,636) ; ajustée sur la taille : 7,132 kg, soit réduite de moitié — ici la taille RENFORÇAIT la différence. Les 2 analyses sont justes. Et chaîne causale ≠ confusion : tabac → carcinogènes → cancer, cause distale et cause proximale ; ne jamais ajuster sur un facteur de la chaîne. ✓ Python : 73,092 − 58,365 = 14,727 ; 7,132 ÷ 14,727 = 0,484
🎙️ ORAL (1:26:27 → 1:28:31)
« Les deux résultats sont justes, les deux associations sont justes ; après c'est l'interprétation qui diffère, et ce que vous allez trouver le plus souvent dans les articles, ce sont les résultats ajustés. » · « Il ne faut surtout pas ajuster sur les carcinogènes, sinon […] vous neutralisez l'effet de la cigarette, puisque vous égalisez la quantité d'exposition. »
⚠️ PIÈGE
Le même jeu de données donne deux réductions différentes selon la question posée : un tiers pour la pente, la moitié pour la différence de poids. Ce n'est pas contradictoire : ce sont deux associations distinctes, chacune ajustée sur l'autre variable.
📝 TOMBE EN QCM
C13-Q17, C13-Q18 ; Diapos 2.0 d.35-37.
▶

N10 · ⭐⭐⭐ Deux sortes d'erreurs : aléatoire et systématique

d.38-41
0/3
⬜

⭐⭐⭐ La distinction fondatrice : hasard contre méthode

~7 min
📊 DIAPOS d.39
Une erreur = différence entre le résultat de l'étude et la réalité. ALÉATOIRES : dues au seul hasard de la sélection de l'échantillon, indépendantes (l'erreur d'un échantillon ne dit rien du suivant). SYSTÉMATIQUES : dues à des procédures imparfaites (choix de l'échantillon, mesure, analyse), prévisibles — mêmes méthodes, mêmes erreurs, dans le même sens.
🎙️ ORAL (1:28:31 → 1:30:35)
« L'erreur aléatoire, c'est une erreur qui n'est pas reproductible : vous refaites la mesure de la même personne, la machine vous donne un résultat différent, tantôt en dessous, tantôt au-dessus. » · « Le biais, c'est la balance qui va vous donner systématiquement le poids moins 1 kg. […] Les erreurs commises ne se compensent pas, elles vont toujours dans le même sens. »
⚠️ PIÈGE
Une erreur aléatoire de mesure n'est pas un biais : elle élargit les écarts-types et les IC, diminue la puissance — mais ne déplace pas l'estimation. La balance de −1 kg, elle, déplace la moyenne sans toucher à la dispersion. ✓ Python
📝 TOMBE EN QCM
C13-Q19 ; Diapos 2.0 d.39 ; rappel de la séance 14 (07:20).
⬜

⭐⭐ Les erreurs aléatoires : les repérer et les limiter

~6 min
📊 DIAPOS d.40
Évaluées par la largeur de l'IC et les probabilités d'erreurs de type 1 et de type 2. Il faut toujours envisager qu'un résultat soit une erreur de type 1 ou 2, ou que l'IC ne contienne pas la vraie valeur. Pour les limiter : 1. échantillon suffisamment grand · 2. mesures précises (bons instruments) · 3. procédures statistiques adaptées.
🎙️ ORAL (1:30:35 → 1:31:35)
« Il faut se méfier des études de petite taille, parce que leur précision est vraiment mauvaise ; c'est pour ça qu'on fait des calculs de taille d'échantillon avant de faire l'étude. » · « On va se donner les moyens d'avoir de très bons instruments de mesure. »
⚠️ PIÈGE
Agrandir l'échantillon combat le hasard, jamais le biais : un grand échantillon biaisé donne une estimation fausse avec un IC étroit — c'est le pire des cas, parce qu'il inspire confiance.
📝 TOMBE EN QCM
C13-Q19 (proposition C) ; Diapos 2.0 d.40 ; Ch3 et Ch4.
⬜

⭐⭐⭐ Le biais caractérise une MÉTHODE, pas un résultat

~7 min
📊 DIAPOS d.41
Le biais caractérise une méthode plutôt qu'un résultat · si on refait l'étude de multiples fois, la moyenne des observations n'est pas la bonne valeur : E(estimateur) ≠ paramètre · il survient à cause de procédures non optimales qui orientent le résultat dans une certaine direction · « systématique » parce que la même méthode donnera la même erreur.
🎙️ ORAL (1:31:35 → 1:32:35)
« Une erreur systématique, c'est lorsque, en répétant plusieurs fois votre étude, vous allez obtenir des estimations qui en moyenne sont à côté de la plaque. […] Ça ne veut pas dire que sur un échantillon je ne vais pas tomber par hasard pile sur la valeur du paramètre, mais globalement je vais être à côté. »
⚠️ PIÈGE
C'est la différence capitale avec la confusion : la confusion s'ajuste après coup, le biais ne se rattrape pas — il se prévient par le design (d.52). Une K′ qui propose « ajuster pour corriger un biais de sélection » est fausse.
📝 TOMBE EN QCM
C13-Q19, C13-Q23 (proposition C) ; Diapos 2.0 d.41.
▶

N11 · ⭐⭐⭐ Les biais : sélection et information (les deux à retenir)

d.42-52
0/4
⬜

⭐⭐⭐ Les quatre types, et les deux que le prof garde

~7 min
📊 DIAPOS d.42
Biais de SÉLECTION : échantillon non représentatif de la population visée · Biais d'INFORMATION : mesures et recueil incorrects (aussi appelé biais de mesure : les deux termes veulent dire la même chose) · 🗑️ biais d'atténuation (misclassification) · 🗑️ biais de publication. La consigne : « ne retenez pas tous les biais — biais d'information, mesure, et biais de sélection, c'est ça qu'il faut retenir ».
🎙️ ORAL (1:32:35 → 1:33:37 · séance 14, 06:18)
« Les sources principales de biais, c'est les biais de sélection et les biais d'information. […] Il existe d'autres biais […] mais notez les poubelles, c'est des notions qui commencent à devenir compliquées. » · « Le biais d'information ou biais de mesure : deux termes qui veulent dire la même chose. »
⚠️ PIÈGE
« Deux à retenir » ne veut pas dire « il n'en existe que deux » : une K′ affirmant que ce sont les seules familles est fausse. Ce sont les grandes familles (séance 14, 06:18).
📝 TOMBE EN QCM
C13-Q23, C13-Q20 (SFO 2021 Q11) ; Diapos 2.0 d.42 ; conclusions d.53.
⬜

⭐⭐⭐ Le biais de sélection : trois mécanismes et l'exemple du dépistage

~9 min
📊 DIAPOS d.43-45
Recrutement : les patients référés à l'hôpital ont des formes plus graves que ceux vus en ville · volontaire sain : les volontaires sont en meilleure santé · survie : ceux qui survivent longtemps n'ont pas le même profil (les cas agressifs manquent). Dépistage du cancer du sein (exemple fictif) : survie 90 % dans le groupe dépisté contre 80 % dans le groupe historique — les femmes qui se font dépister sont différentes (meilleure santé, plus jeunes, plus motivées… mais aussi plus d'antécédents familiaux). ✓ Python : 10 points d'écart, RR de décès 0,5
🎙️ ORAL (1:34:38 · 1:35:38 → 1:38:41)
« Retenez juste le terme global biais de sélection : il y a plusieurs mécanismes qui causent ce biais. » · « C'est ça qui est très difficile dans les biais : il y a toujours des arguments dans un sens et dans l'autre. »
⚠️ PIÈGE · ANNALE
SFO 2021 Q11 : deux lieux de recrutement incomparables (hôpital universitaire contre concert clandestin) ⇒ biais de sélection ; la mention « le même questionnaire dans les 2 cas » est là pour écarter le biais d'information.
📝 TOMBE EN QCM
C13-Q20 (SFO 2021 Q11) ; Diapos 2.0 d.43-45.
⬜

⭐⭐ Le biais d'information : mémoire et investigation

~6 min
📊 DIAPOS d.47
Recall bias (biais de mémoire), dans une étude cas-témoins : les cas, malades, rapportent plus volontiers un facteur de risque que les témoins — la mère d'un bébé porteur de malformation se rappelle plus d'expositions à des toxiques. Biais d'investigation ou de suivi médical : investiguer fait découvrir des anomalies qui passeraient inaperçues ; un suivi trimestriel trouve plus de complications qu'un suivi annuel ou passif.
🎙️ ORAL (1:39:43 → 1:41:46)
« Quand on est plus sensible au problème potentiel, on réfléchit un peu plus, on fait plus attention à ce à quoi on a été exposé dans le passé ; quand on n'a pas de problème de santé, on s'en fout un peu. » · « Retenez surtout, du point de vue éthique, c'est quand même assez challenging : quand on découvre un variant, est-ce qu'on alerte la personne ? »
⚠️ PIÈGE
Le biais de mémoire est un biais d'information, pas de sélection : il porte sur la mesure de l'exposition, pas sur le recrutement. La parade est la même que pour tous les biais de mesure : mêmes méthodes dans tous les groupes.
📝 TOMBE EN QCM
C13-Q23 (proposition B) ; Diapos 2.0 d.47 ; Ch12 (limites des cas-témoins).
⬜

🗑️ Les quatre poubelles — et comment on prévient un biais

~8 min
📊 DIAPOS d.46, d.48-52
🗑️ prévalence (on dépiste plus facilement les formes lentes) · 🗑️ temps zéro (la survie semble plus longue par avancement du t = 0) · 🗑️ misclassification : des erreurs aléatoires de classement diluent l'OR vers 1 — biais conservateur · 🗑️ publication : fishing expedition (k variables ⇒ k(k − 1) ÷ 2 tests, 5 % de faux positifs) et biais éditorial. PRÉVENIR (d.52) : échantillon représentatif · mesures standardisées, identiques dans tous les groupes · analyses pré-spécifiées dans un protocole · tous les résultats publiés. ✓ Python : 20 tests ⇒ 1 − 0,95²⁰ = 64 % ; OR 4 dilué à 1,86
🎙️ ORAL (1:42:49 → 1:44:50)
« Quand on a un biais de classification, on va être entre les deux […] et ça va atténuer l'association. Notez la poubelle. » · « Le biais de publication, on est tous un petit peu coupables, pas que les éditeurs. » · « Il ne faut pas mettre de côté des parties de population : si ces patients vont en ville, il va falloir recruter aussi en ville. »
⚠️ PIÈGE
Le biais d'atténuation est le seul dont la direction est prévisible (vers H₀) — d'où son nom de biais conservateur : il fait manquer des associations réelles, il n'en invente pas. Le biais de publication, lui, revient au Ch14.
📝 TOMBE EN QCM
C13-Q24 (les bonbons de xkcd) ; Diapos 2.0 d.49-52.
▶

N12 · Messages-clés et prochain cours

d.53-55
0/2
⬜

⭐⭐⭐ Les conclusions, telles qu'elles seront interrogées

~6 min
📊 DIAPOS d.53-54
La plupart des questions scientifiques portent sur des associations · plusieurs formes (différence de moyenne, de risque, RR, OR…) · cinq explications · la causalité est démontrée par l'expérimentation · biais contre hasard · deux sortes principales de biais : sélection et information · l'effet de confusion est dû à une variable tierce associée tant au facteur de risque qu'à la maladie · on le neutralise par randomisation, appariement, stratification, ajustement statistique.
🎙️ ORAL (1:45:52, fin du cours)
« Les biais, ne retenez pas tous les biais […] même si derrière vous avez ces biais, vous n'avez pas à prendre par cœur les 4 ou les 9. Et puis l'effet de confusion, il faut comprendre ce que c'est […] et que ça peut être neutralisé par différentes manières, notamment les modèles de régression. »
⚠️ PIÈGE · ANNALE
La liste des quatre méthodes de neutralisation est exactement le sujet de SFO 2024 Q36 — et l'insu n'en fait pas partie : « le blinding n'a pas d'impact sur les variables de confusion » (corrigé officiel).
📝 TOMBE EN QCM
C13-Q22 (SFO 2024 Q36) ; Diapos 2.0 d.53-54.
⬜

Le pont vers le Ch14 : revue systématique et méta-analyse

~4 min
📊 DIAPOS d.55
Prochaine séance : revue systématique d'articles sur un thème donné · méta-analyse d'essais cliniques randomisés · effet commun (odds ratio, différence de moyenne…) · hétérogénéité contre homogénéité · biais de publication. Petrie et Sabin, chapitre 43.
🎙️ ORAL (séance 14, 00:08 → 08:22)
« La semaine dernière, petit rappel : on avait revu les différentes mesures d'association […] dans les études cas-témoins, on ne peut utiliser que l'odds ratio […] il y a d'autres explications qui peuvent aboutir à une association apparente. » — les 8 premières minutes de la séance 14 refont tout le Ch13.
⚠️ PIÈGE
Le biais de publication, mis à la poubelle ici, devient central au Ch14 : il est la limite principale d'une méta-analyse. Ce qui est « hors examen » dans un chapitre peut être exigible dans le suivant.
📝 TOMBE EN QCM
Diapos 2.0 d.55 ; à revoir avec le Ch14.

📜 LES 3 ANNALES DU CHAPITRE, MOT POUR MOT

SFO 2021 Q11 — type A — anosmie du Covid : hôpital universitaire contre concert clandestin · clé C (biais de sélection)

Énoncé. On voulait étudier la prévalence de l'anosmie (perte de l'odorat) suite au Covid-19. Pour cela, on a observé les gens dans un hôpital universitaire et dans un concert clandestin. À l'hôpital, la prévalence était de 15 %, au concert de 30 %. Les recruteurs ont utilisé le même questionnaire dans les 2 cas. Cette différence de prévalence peut être expliquée par : A) Randomisation · B) Hasard · C) Biais de sélection · D) Absence de l'insu chez les recruteurs · E) Biais d'information.

C — bonne réponse. Deux populations recrutées dans des lieux non comparables : ni l'une ni l'autre ne représente la population visée (d.42-43). E faux : la phrase « le même questionnaire dans les 2 cas » élimine explicitement le biais d'information. A faux : la randomisation est une méthode d'attribution dans un essai. D faux : l'insu concerne les essais cliniques (Ch7). B : le hasard est toujours envisageable, mais un écart du simple au double entre ces deux lieux s'explique d'abord par le recrutement. ✓ clé officielle

La question modèle du biais de sélection : repérer deux modes de recrutement différents et la mention qui écarte l'autre biais. Diapos 2.0 C13-Q20.

SFO 2021 Q13 — type A — sport et mortalité : p passe de 0,02 à 0,08 après ajustement sur le tabac · clé A (facteur de confusion) · ÉCART DÉCLARÉ : seule la proposition A est retranscrite

Énoncé. On fait une étude pour comparer la mortalité chez les sportifs et chez les sédentaires. On obtient une différence avec p = 0,02. Par contre, une fois cette différence ajustée pour le tabac, la valeur p pour cette différence de mortalité devient p = 0,08. On peut affirmer : A) Le tabagisme est un facteur de confusion · B) à E) non retranscrites dans l'annale.

A — bonne réponse. Une association qui change après ajustement sur une tierce variable est la signature de l'effet de confusion (d.23) : le tabac est lié à la fois à la sédentarité et à la mortalité. C'est le même geste que le café (1,60 ⇒ 0,90). ✓ clé du corrigé de relecture

⚠️ ÉCART DÉCLARÉ. Le retranscrit ne donne que la proposition A ; les distracteurs utilisés dans nos QCM sont reconstitués et signalés comme tels. À noter aussi : la valeur p traverse le seuil (0,02 puis 0,08), mais cela ne prouve pas qu'il n'y a aucune association — c'est la double lecture du Ch8.

La question modèle de l'effet de confusion. Diapos 2.0 C13-Q21.

SFO 2024 Q36 — type K′ — chewing-gum, caries et tabagisme : quels procédés neutralisent la confusion ? · clé F V V F · ÉCART DÉCLARÉ : le corrigé officiel ne tranche ni B ni D

Énoncé. Une étude est menée pour étudier l'association entre la consommation de chewing-gum et l'apparition de caries. Il est observé que les consommateurs de chewing-gum ont également tendance à être des fumeurs. Le tabagisme pourrait être un facteur de confusion concernant l'apparition de caries, et les chercheurs essaient de neutraliser l'effet de confusion. Sont des procédés pour neutraliser l'effet de confusion : A) Pour chaque cas (personne ayant une carie) associer avec le statut de fumeur ; pour chaque témoin (n'ayant pas de carie), associer avec le statut de non-fumeur · B) Dissimuler qui sont les personnes fumeuses aux personnes qui reportent les résultats · C) Documenter le tabagisme pour ensuite ajuster la variable pour les fumeurs et réaliser une régression logistique · D) Réaliser une étude des risques lors de l'association de la consommation de chewing-gum ou le statut tabagique.

F · V · V · F. A faux : appariement à l'envers — apparier, c'est donner au témoin le même statut tabagique que son cas ; tel qu'écrit, le procédé crée la confusion. B faux : c'est l'insu, qui protège du biais d'information ; « le blinding n'a pas d'impact sur les variables de confusion » (corrigé). C vrai : mesurer puis ajuster dans une régression logistique, c'est l'ajustement statistique (d.27, d.54). D faux : formulation vague qui ne décrit aucune des quatre méthodes. ✓ clé de la banque des annales

⚠️ ÉCART DÉCLARÉ. Le corrigé officiel ne tranche pas B et D ; B est comptée fausse d'après sa propre phrase sur le blinding, D par élimination.

La question modèle de la neutralisation : les quatre méthodes de la d.54 contre un intrus (l'insu). Diapos 2.0 C13-Q22.

📖 LES DEUX EXEMPLES CHIFFRÉS, RÉSOLUS

L'ÉTUDE DU CAFÉ (NEJM 2012) — de 1,60 à 0,90 : lire un effet de confusion dans un tableau d'article

Les données. Cohorte NIH-AARP, 229 119 hommes de 50 à 71 ans, suivi 1995-2008, 33 731 décès. Sans café : 2 766 décès sur 21 080 = 13,1 %. Six tasses ou plus : 1 904 sur 10 139 = 18,8 %. ✓ Python : 13,1214 % et 18,7790 % ; rapport 1,4312

Étape 1 — le HR ajusté pour l'âge. 1,60 (1,51-1,69) : à âge identique, la mortalité est plus élevée chez les consommateurs. L'IC exclut 1 : significatif. Mais l'âge ne différait presque pas (61,1 contre 60,3 ans) : cet ajustement ne pouvait rien corriger.

Étape 2 — qui sont les exposés. Fumeurs actuels 4,8 % contre 34,7 % (×7,2) · plus de 3 verres par jour 6,3 % contre 11,6 % (×1,84) · moins d'activité physique · fruits 1,5 contre 0,8 portion · viande rouge 33,1 contre 40,5 g. ✓ Python

Étape 3 — le HR multivarié. 0,90 (0,85-0,96) : à tabac, alcool, sport, alimentation et une dizaine d'autres facteurs identiques, la mortalité est plus basse chez les consommateurs — réduite de 10 %. L'IC exclut 1 de l'autre côté.

Conclusion. Le passage de 1,6 à 0,9 est l'effet de confusion. Les deux résultats sont justes : au hasard un gros consommateur meurt plus, à habitudes de vie identiques il meurt moins. Et rien n'est démontré sur la causalité : c'est une étude observationnelle. ✓ Python : 1 − 0,90 = 10 % ; 0,90 ÷ 1,60 = 0,5625

C'est l'exemple à raconter en trois phrases le jour de l'examen. Diapos 2.0 C13-Q9, C13-Q10, C13-Q11.

POIDS ET TAILLE (434 étudiant·es) — la même confusion vue dans les deux sens

Sens 1 — la pente taille-poids. Brute : Poids = −79,105 + 0,832 · taille (IC de la pente 0,736-0,928). Ajustée sur le sexe : Poids = −43,595 + 0,569 · taille + 7,132 · sexe (IC de la pente 0,439-0,699). La pente est réduite d'un tiers. ✓ Python : 0,569 ÷ 0,832 = 0,684, soit −31,6 %

Sens 2 — la différence de poids entre sexes. Moyennes : femmes 58,365 kg (n = 293, écart-type 9,0243), hommes 73,092 kg (n = 141, écart-type 10,3551), total 63,150 kg (n = 434). Différence brute 14,727 kg (erreur standard 0,971, t = 15,163, IC 12,818-16,636) ; à taille égale, 7,132 kg. La différence est réduite de moitié : ici la taille renforçait l'écart. ✓ Python : 73,092 − 58,365 = 14,727 ; 7,132 ÷ 14,727 = 0,484 ; 43,638 + 14,727 × 2 = 73,092

Pourquoi le sexe est un facteur de confusion. Il est associé à la taille (les femmes sont plus petites) et associé au poids (à taille égale, les femmes sont plus légères) — les deux conditions de la d.17, sans être une conséquence de la taille.

⚠️ ÉCART DÉCLARÉ. Le calcul direct donne t = 14,727 ÷ 0,971 = 15,166 quand SPSS imprime 15,163 (le logiciel travaille sur les décimales non arrondies) ; idem 43,638 ÷ 1,365 = 31,970 contre 31,974.

Les deux analyses sont justes ; la question posée décide de celle qu'il faut lire. Diapos 2.0 C13-Q15, C13-Q16, C13-Q17.

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

Ce qui ne tombera pas (le prof le dit) : le diagramme de la d.10, les 9 arguments de Hill, les noms des sous-types de biais, le biais de prévalence, de temps zéro, de classification, de publication.

Conclusion stratégique. Ce chapitre se révise comme une grille de lecture d'article : ① quelle est l'association étudiée, et sous quelle forme est-elle mesurée ? ② les cinq explications, dans l'ordre ; ③ le recrutement est-il représentatif (biais de sélection) ? ④ la mesure est-elle identique dans les deux groupes (biais d'information) ? ⑤ les résultats bruts et ajustés diffèrent-ils (confusion) ? ⑥ sur quoi a-t-on ajusté — et n'a-t-on pas ajusté sur une cause intermédiaire ? ⑦ que reste-t-il comme confusion résiduelle ? ⑧ l'IC exclut-il la valeur nulle, et l'effet est-il cliniquement important ?

🧠 LE PAR-CŒUR PAYANT DU CHAPITRE

✅ CRITÈRES DE VERROUILLAGE DU CHAPITRE