EVALUATION DES TESTS DE DIAGNOSTIC. Vray M Institut Pasteur 1

Dimension: px
Commencer à balayer dès la page:

Download "EVALUATION DES TESTS DE DIAGNOSTIC. Vray M Institut Pasteur 1"

Transcription

1 EVALUATION DES TESTS DE DIAGNOSTIC Vray M Institut Pasteur 1

2 Plan de la présentation Introduction Définition Dépistage, D Diagnostique Les ¾ phases de développement d d un d test Phases 1, 2, 3 et 4 Les indices de performances Reproductibilité (Indice Kappa de Cohen, diagramme de Bland et Altman, CCI) Validité (Se, Sp,, VPP, VPN, LR+, LR-) Courbes Roc Les principaux biais Vray M Institut Pasteur 2

3 Les critères res diagnostiques Ce sont des marqueurs dont les résultats permettent d orienter la décision médicale Deux niveaux: Les tests de dépistage Les tests de diagnostic Comprennent Test médical, m signes cliniques, critères res bactériens, images radiologiques, tests biochimiques.. Vray M Institut Pasteur 3

4 Un test peut être très s simple par exemple une culture bactérienne pour évaluer une infection Ou plus compliqué par exemple un score clinique à partir d un d questionnaire ou la séquence de procédures spécifiques selon un protocole Vray M Institut Pasteur 4

5 Dépistage et diagnostic Dépistage Diagnostic exposition Phase pré-clinique Phase clinique Complications Vray M Institut Pasteur 5

6 Diagnostic et DépistageD Le diagnostic se distingue du dépistage par une caractéristique ristique fondamentale : La motivation de l examenl Réalisé en raison de l él état clinique (sujet malade) diagnostic Réalisé indépendamment de l él état clinique (sujet apparemment sain) dépistage Vray M Institut Pasteur 6

7 Spécificit cificité des tests de «dépistage» S appliquent à des sujets sains Sur une large échelle Doivent être non invasifs (sans danger et facile à administrer) et peu chers En général, g ils sont suivis par d autres d tests avant de prendre la décision d de traiter Le traitement avant les symptômes doit avoir une meilleure efficacité comparée à un traitement donné après s le début d des symptômes : dépistage d cancer col utérin, cancer du poumon? Vray M Institut Pasteur 7

8 Dépistage versus Diagnostic Intérêt de tester des populations saines pour traiter précocement Ex: Cancer du sein et mammographie Cholestérol rolémie et HTA pour maladies CV Maladies infectieuses avec traitement disponible (avantage individuel et collectif) Vray M Institut Pasteur 8

9 L évaluation statistique est identique que ce soit pour un Test de «dépistage» ou un Test de «diagnostic» Vray M Institut Pasteur 9

10 Critères res pour un test médical m «intéressant» Il doit y avoir un bénéfice b à diagnostiquer la maladie Avant de mettre en place un test il y a des critères res à vérifier La maladie doit être grave conséquences sur la survie ou La qualité de vie La maladie doit être «importante» prévalence élevée e dans la population ciblée e ou contexte épidémique La maladie peut être traitée (guérison ou ralentissement) Vray M Institut Pasteur 10

11 Si le traitement existe, les malades y ont accès (PED) Définir le bénéficeb apporté par le test au patient Le test ne doit pas être douloureux (bénéfices > inconvénients: nients: coût, déplacement, d inconfort moral, physique etc..) Evaluer comment le test va s intégrer dans la prise en charge de la maladie Le test doit être performant permet de bien classer les sujets en Malades et Non malades Eviter les faux Positifs traités à tort Eviter les faux Négatifs N non traités à tort Vray M Institut Pasteur 11

12 Les 3/4 phases de développement d un d test diagnostique Vray M Institut Pasteur 12

13 La phase I (proof-of of-concept) L objectif de cette phase exploratoire est de vérifier v que les résultats r du test sont différents chez les malades et les non malades (conditions «de laboratoire») Vérification du «mécanisme» d action Test dans conditions différentes (températures, humidité..), conditions de recueil Test chez sujets ou échantillons différents (différents niveaux de sévérité de maladie ou de quantité de bactéries ries.) y compris des sujets non malades mais avec des symptômes proches de ceux des sujets malades Test de la reproductibilité Vray M Institut Pasteur 13

14 Exemple: Bandelettes pour diagnostiquer des shigelles à partir de selles - Vérifier - bandelettes + dans prélèvements contenant des shigelles - Bandelettes - dans prélèvements sans shigelles - Définir les conditions de recueil des selles (délai de recueil et conditions de stérilit rilité..) - Vérifier délai d et conditions de lecture (mode d emploi) d - Vérifier la reproductibilité de la lecture (utiliser 2 bandelettes, lues par deux lecteurs différents) - Faire varier les conditions de stockage des bandelettes (humidité,, température) Vray M Institut Pasteur 14

15 Cette phase permet de savoir si le test semble suffisamment «fiable» pour pouvoir être utilisé dans les conditions souhaitées Une bonne reproductibilité est nécessaire n Vray M Institut Pasteur 15

16 La phase II (Etude cas-témoins) L objectif de cette phase de validation est de montrer que - la probabilité d avoir un résultat r + est supérieure chez les malades - la probabilité d avoir un résultat r est supérieure chez les non malades Validité du test dans conditions contrôlées ( conditions de terrain) - Sélectionner les cas et les témoins, t les évaluateurs (médecins, infirmiers, radiologues..) qui peuvent différer du terrain - Définir dans un PROTOCOLE les conditions d utilisation d du test (en essayant d éd éviter les biais) - Tester différentes conditions de recueil (températures, humidité..) - Estimer le % de faux positifs et de faux négatifs n (calcul du NSN et estimations des valeurs acceptables) - Pour les tests quantitatifs,, définir d le cut-off (Courbes( Roc), identifier les facteurs ayant un impact sur le test (ou ceux qui le rendent ininterpr nterprétable) table) Vray M Institut Pasteur 16

17 Les études de phases I et II sont des études rétrospectives réalisées uniquement dans un but de recherche Le statut du malade est détermind terminé avant par d autres d moyens Vray M Institut Pasteur 17

18 La phase III (Etude prospective) Objectif principal: Déterminer les performances du test dans les conditions oùo il sera utilisé vérifier que chez les patients chez lesquels il est cliniquement pertinent, les résultats r du test permettent de distinguer les malades des non malades Les performances pourront être comparées à celles d autres d tests Réalisée e dans les conditions pratiques d utilisation d du test S adresse à des sujets dont on ne connaît t pas à l avance l él état (Malade ou Non Malade) Vray M Institut Pasteur 18

19 Phase IV? Idéalement, il est intéressant de comparer, par un essai randomisé,, l impact l de l introductionl du test par rapport à une prise en charge sans test, dans la pratique courante, sur des critères res de morbi-mortalit mortalité (qualité de vie) et de coûts Permet de savoir si les sujets «testés» se «portent mieux» que les sujets «non testés» Vray M Institut Pasteur 19

20 Relation entre le Taux de peptide natriurétique tique (PN) et hypertrophie ventriculaire gauche (HVG) Phase I Les patients avec une HVG ont-ils des concentrations de PN supérieures à celles observées es chez des sujets normaux? PN (pg( pg/ml) Patients HVG + Patients HVG - médiane range ( ) 909.0) ( ) Vray M Institut Pasteur 20

21 Relation entre le Taux de peptide natriurétique tique (PN) et hypertrophie ventriculaire gauche (HVG) Phase II Les patients avec des concentrations de PN élevées es ont ils plus souvent une HVG que ceux avec des concentrations faibles? PN (pg( pg/ml) Cas (Avec HVG) Témoins T (Sans HVG) Valeurs élevéeses n=39 n=2 Valeurs normales n=1 n=25 Se= = 98% (87-100) VPP=95% (84-99) Sp= = 92% (77-98) VPN=95% (84-99) LR+= = 13 ( ) 50.0) LR-= = 0.03 ( ) 0.19) Vray M Institut Pasteur 21

22 Relation entre le Taux de peptide natriurétique tique (PN) et hypertrophie ventriculaire gauche (HVG) Phase III Parmi les sujets chez qui une suspicion clinique de HVG existe, les taux de PN sont-ils différents entre ceux qui ont une HVG (Echo) et ceux qui n en n n ont n pas? PN (pg( pg/ml) Valeurs élevées es (>=18) n=35 Valeurs normales (<18) n=5 Sujets HVG + Sujets HVG - n=35 n=57 n=5 n=29 Se = 88% (74-94) VPP=38% (29-48) Sp = 34% (25-44) VPN=85% (70-94) LR+= = 1.3 ( ) 1.6) LR- = 0.4 ( ) 0.9) Vray M Institut Pasteur 22

23 Relation entre le Taux de peptide natriurétique tique (PN) et hypertrophie ventriculaire gauche (HVG) Phase IV Les sujets chez qui une suspicion clinique de HVG existe et chez qui un dosage de PN a été réalisé ont - ils «un meilleur état de santé» que les sujets qui n ont n pas été testés s? Vray M Institut Pasteur 23

24 Indices de performances Reproductibilité Validité (Accuracy) Vray M Institut Pasteur 24

25 Protocole pour évaluer la reproductibilité de la mesure Définir la population à analyser : représenter toute l él étendue des mesures Au moins 2 répétitionsr Résultats indépendants (évaluation( en insu) Vray M Institut Pasteur 25

26 Type de critères res 1) Variable discrète (2 ou K classes) Coefficient Kappa de Cohen 2) Variable quantitative Diagramme de Bland et Altman et CV ou CCI Vray M Institut Pasteur 26

27 Critères res qualitatifs Coefficient Kappa de Cohen Vray M Institut Pasteur 27

28 Le coefficient Kappa L accord observé entre des jugements qualitatifs, résulte r de la somme d une d composante «aléatoire» et d une d composante d accord «véritable» Le coefficient Kappa propose de chiffrer l intensité ou la qualité de l accord l réel r entre des jugements qualitatifs appariés Vray M Institut Pasteur 28

29 Accord entre 2 évaluations (Exemple : N= 81 sujets évalués) + Evaluation 2-32 (15.95) 2 Evaluation (18.05) 6 (22.05) 41 (24.95) Po = (32+41) / 81 = 0.9 Pe = ( ) / 81 = 0.5 Kappa = SE kappa = P o P 1 P e e o n (1 P = P (1 P ) e o ) (1 P e ) = 0.8 = 0.07 Po = 0.9 IC = Kappa ± SE 95% kappa Pe = 0.5 (chance) Po Pe = 0.4 IC 95 % = 0.8 ± = 0.8 ± Pe = 0.5 Vray M Institut Pasteur 29

30 Il exprime une différence relative entre la proportion d accord observée Po et la proportion d accord d aléatoire atoire Pe (la valeur attendue sous HO d indépendance des jugements) divisée e par la quantité disponible au-del delà de l accord l aléatoire atoire K est un pourcentage de l accord l maximum corrigé de ce qu il serait sous le simple effet du hasard Le coefficient Kappa est un nombre réel, r sans dimension, compris entre -11 et +1 Chi-2 2 de Mac Nemar (qui teste s il y a concordance) n est pas approprié dans ce contexte Utilisation du Kappa pour évaluer la reproductibilité mais aussi la validité (quand le test et le Gold standard ont le même nombre de catégories, notamment 2) Vray M Institut Pasteur 30

31 Concordance et Kappa «Valeurs de référencer rence» (Landis-Koch, 1977) Kappa peut être testé (Ho: Kappa= 0) mais ce test a peu d intd intérêt en pratique: le kappa s utilise s davantage comme un indicateur descriptif de concordance Vray M Institut Pasteur 31

32 Concordance et Kappa Cas à K 2 2 catégories Lecture du frottis cervico-utérin chez 761 sujets, méthode Papanicolaou (J. Coste et al, BMJ 2003) Po= = 0.79 Pe= = Kappa= 1 Po P Pe e = = Vray M Institut Pasteur 32

33 Concordance et Kappa: Les deux paradoxes Dépendance lourde de Kappa vis-à-vis de la fréquence (biais de prévalence = PI) ) des réponses r positives (plus une catégorie est rare, plus le kappa est bas) Problème du biais (BI) lorsque les 2 observateurs Diffèrent dans leur jugement Vray M Institut Pasteur 33

34 Exemple (1/2) : Problème de prévalence (PI) Tableau 1 Tableau 2 Clinicien 1 Clinicien Clinicien Clinicien Kappa = 0.7 Kappa = 0.32 A concordance constante (ici 85%), le Kappa est d autant plus grand que le pourcentage de diagnostics positifs (ou négatifs) parmi les concordants est proche de 50% Déséquilibre entre les taux de concordance + et - Kappa diminue Vray M Institut Pasteur 34

35 Exemple (2/2): Biais d interprétationtation entre lecteurs Tableau 1 Tableau 2 Clinicien 1 Clinicien Clinicien Clinicien Kappa = 0.13 Kappa = 0.26 Dans le tableau 1, les deux cliniciens portent le diagnostic avec une fréquence proche (70% pour le clinicien 1 et 60% pour le clinicien 2) Dans le tableau 2, le clinicien 1 porte le diagnostic dans 30% des cas contre 60% pour le clinicien 2. Le Kappa est plus élevé dans le tableau 2 alors que les cliniciens sont le plus en désaccord. Vray M Institut Pasteur 35

36 Conclusions Calculer Kappa, BI, PI Si BI important il faut essayer de comprendre pourquoi les 2 lecteurs ne cotent pas de la même façon Si PI important et BI faible il est nécessaire n de fournir les valeurs de concordances positives et négatives P neg et P pos Ces données sont particulièrement rement importantes quand on veut comparer les résultats r de plusieurs études Vray M Institut Pasteur 36

37 Critères res quantitatifs Diagramme de Bland et Altman Coefficient de corrélation intra- classe (CCI) Vray M Institut Pasteur 37

38 Résultats de la régression linéaire Y b Y b Pente = 1 Surestimation systématique d amplitude b X Pente = 1 Sous estimation systématique d amplitude b X Y X Pente 1 Surestimation jusqu à un seuil Sous estimation à partir d un seuil Vray M Institut Pasteur 38

39 Une pente = 1 et/ou un coefficient de corrélation entre les deux séries de mesures (x et y) permet de juger d une liaison entre les deux méthodes Les deux méthodes mesurant (a priori) la même chose, on doit observer une liaison Mais ne renseigne pas sur la qualité des deux mesures (ne quantifie pas les écarts entre les 2 méthodes) Vray M Institut Pasteur 39

40 Etape 2 : Méthode de Altman & Bland Etude du nuage de points avec en abscisse : la moyenne des 2 mesures (x+y)/2 en ordonnée : la différence des 2 mesures (x-y) Cette méthode fait l hypothèse que les différences sont distribuées normalement : d : moyenne des différence (x-y) s d : écart-type des différences (x-y) Compare les différences observées à la distribution statistique attendue Condition d application : nombre de mesures par méthodes n 30 Vray M Institut Pasteur 40

41 Les différentes étapes Y a-t-il une liaison entre les deux mesures? Coefficient de corrélation Oui Y a-t-il concordance? Y a-t-il indépendance entre la variabilité et le niveau de la mesure? Non Fin d analyse Diagramme de Bland & Altman Oui Coefficient de Corrélation IntraClasse (CCI) Non Coefficient de variation Vray M Institut Pasteur 41

42 Différence (x-y) d s d d 0 Valeurs moyennes (x+y)/2 d s d Comment juger si la nouvelle méthode est acceptable? C est-à-dire peut remplacer l ancienne, ou si les 2 lecteurs donnent les mêmes résultats - La différence entre les méthodes n augmente pas lorsque les valeurs augmentent (ou diminuent) - La différence entre deux mesures est peu éloignée de la moyenne Vray M Institut Pasteur 42

43 Différence (x-y) Différence (x-y) d d 0 0 (x+y)/2 (x+y)/2 Indépendance entre la variabilité et le niveau de la mesure Dépendance entre la variabilité et le niveau de la mesure (effet entonnoir) Vray M Institut Pasteur 43

44 Spécificité de la Reproductibilité d une mesure continue Pour vérifier la reproductibilité d une mesure, on répète la mesure ( 2) sur les mêmes échantillons : - les mesures doivent être indépendantes (TAS) - éviter les facteurs liés à l ordre Vérification de la cohérence en utilisant une régression linéaire : pente = 1 (coefficient de corrélation élevé) doit être observé(e), mais ne renseigne pas sur la reproductibilité Coefficient de corrélation intra-classe (>0.9) ou Coefficient de variation (<0.1) Vray M Institut Pasteur 44

45 Validité d un test par rapport à un Gold Standard Vray M Institut Pasteur 45

46 Définition du Gold Standard Caractéristiques des critères permettant d affirmer l existence d une maladie Un critère indiscutable: tuberculose et BK? Tuberculose et IDR+? Critères histo-pathologiques à partir de Biopsies Vray M Institut Pasteur 46

47 Difficultés s du Gold Standard Pas de gold standard : aucun critère vraiment satisfaisant Ex= test rapide de bandelettes pour diagnostiquer shigelles chez enfants atteints de diarrhée sévère (Coproculture peu sensible, PCR non spécifique) Quand un nouveau test ferait mieux que le standard actuel Ex: bandelettes plus sensibles si lues rapidement Un gold standard ne doit comporter dans sa définition, ni le signe, ni le résultat du test dont on évalue les propriétés diagnostiques Vray M Institut Pasteur 47

48 Le test Les critères de positivité d un test doivent être connus précisément Décrire les conditions dans lesquelles ils sont mesurés et les règles de conclusion Exemples Utilisation d une bandelette pour diagnostiquer des shigelles dans les selles lecture dans les 15 minutes Mesure de la glycémie: à jeun, post prandiale Examen direct BK (conditions de lecture : nombre de champs microscopiques?) Vray M Institut Pasteur 48

49 Evaluation d un d nouveau test diagnostic et critères res de performances On peut distinguer - Les tests binaires (oui/non ou positif/négatif ou présent/absent) Ex: Présence de sang dans les urines, sérologie s VIH positive ou négative, BAAR + ou - Les tests quantitatifs: variable continue avec un seuil Ex: bilirubinémie, cholestérol rolémie, taux de PSA,, FibroScan - Les réponses r ordinales Ex: degré de fibrose sur une lame de biopsie, images radiologiques, échelle de BIRADS sur la mammographie analyse peut être abordée e comme du quantitatif En fonction du critère, re, la méthodologie m d éd évaluation sera différente Vray M Institut Pasteur 49

50 Expressions des résultats r d une d évaluation Signe binaire : Sensibilité,, spécificit cificité Signe avec valeur continue : Courbes ROC Vray M Institut Pasteur 50

51 Cas des variables binaires Vray M Institut Pasteur 51

52 Expression des résultats Résultat test + Statut malade M+ Vrai Positif VP non malade M- Faux positif FP test - Faux Négatif FN Vrai Négatif VN On distingue 4 types de sujets -Les vrais positifs (VP) -Les faux positifs (FP) -Les varis négatifs (VN) -Les faux négatifs (FN) Vray M Institut Pasteur 52

53 Qualités intrinsèques : sensibilité et spécificité M+ M- T + VP FP T - FN VN Sensibilité : probabilité d obtenir un test positif quand le sujet est malade Valeur comprise entre 0 et 1 Se = P (T+ / M+) = VP / VP+FN => c est l aptitude d un test à identifier correctement les individus malades grâce à une réponse positive Vray M Institut Pasteur 53

54 Qualités intrinsèques : sensibilité et spécificité M+ M- T + VP FP T - FN VN Spécificité : probabilité d obtenir un test négatif quand le sujet est non malade Valeur comprise entre 0 et 1 Sp = P (T- / M- ) = VN / VN+FP => c est l aptitude d un test à identifier correctement les individus non malades grâce à une réponse négative Vray M Institut Pasteur 54

55 ex : on souhaite déterminer la sensibilité et la spécificité d un nouveau test de dépistage d une maladie sujets ont été soumis au test de référence (Gold Standard) supposé parfait : 900 ont fourni une réponse négative et 100 une réponse positive. Parmi les 100 sujets à réponse positive, 90 répondent positivement au nouveau test, et parmi le 900 à réponse négative, 30 ont donné une réponse positive au nouveau test. référence référence + - T Se = 90/100 = 0,90 Sp = 870/900 = 0,97 T Vray M Institut Pasteur 55

56 Se calculée sur une population composée exclusivement de sujets malades => Se ne varie donc pas en fonction de la prévalence de la maladie Sp calculée sur une population composée exclusivement de sujets non malades => Sp ne varie donc pas en fonction de la prévalence de la maladie Pour un test donné : Se et Sp ne dépendent pas de la prévalence de la maladie => qualités «intrinsèques» = dépendant uniquement de facteurs internes (caractéristiques du test ) Vray M Institut Pasteur 56

57 Relativité de la sensibilité et de la spécificité M+ M VP FP Seuil 1 Seuil 2 Seuil 3 FN VN Se = 0,55 Sp = 0,95 Se = 0,80 Sp = 0,75 Se = 1 Sp = 0,50 FN Se FP Sp Vray M Institut Pasteur 57

58 Ex: dépistage d cancer du sein HIP Breast Cancer Screening Project femmes âgées de 40 à 64 ans Ex. physique + mammo. + - Cancer du sein (biopsie ou aspiration) Sensibilité: : 132/177 = 75% Spécificit cificité: : 63650/64633 = 99% (Shapiro S et al., Am J Epidemiol, 1974) Vray M Institut Pasteur 58

59 Equilibre entre sensibilité et spécificit cificité On peut parfois être amené à faire des tests en séquence: s Test rapide pour le VIH qui a une très s grande sensibilité,, mais dont la spécificit cificité n est pas parfaite. Un test très s spécifique, mais plus complexe (type Western blot), pour ceux qui ont un résultat positif sur le premier test. Vray M Institut Pasteur 59

60 Equilibre entre sensibilité et spécificit cificité Selon les cas, on pourra être amené à privilégier une sensibilité ou une spécificit cificité élevée La sensibilité sera privilégi giée dans les cas suivants: Maladie grave (on ne veut pas laisser passer un cas) Maladie transmissible Quand les investigations qui découleront d du dépistage d sont sans danger et peu coûteuses (confirmation d une d hypertension artérielle) rielle) La spécificit cificité sera privilégi giée dans les cas suivants: Quand les investigations qui découleront d du dépistage d sont dangereuses ou coûteuses (angiographie par cathétérisation risation, MDR et traitement) Vray M Institut Pasteur 60

61 Qualités extrinsèques : Valeur Prédictive Positive (VPP) Valeur Prédictive Négative (VPN) M+ M- T + VP FP T - FN VN VPP = P (M+/T+) = VP / VP+FP probabilité que l individu soit malade quand le test est positif Valeur comprise entre 0 et 1 Vray M Institut Pasteur 61

62 Qualités extrinsèques : Valeur Prédictive Positive (VPP) Valeur Prédictive Négative (VPN) M+ M- T + VP FP T - FN VN VPN = P (M-/T-) = VN / VN+FN probabilité que l individu soit non malade quand le test est négatif Valeur comprise entre 0 et 1 Vray M Institut Pasteur 62

63 Suite de l exemple précèdent référence + référence - T T VPP = 90/120 = 0,75 VPN = 870/880 = 0,99 Vray M Institut Pasteur 63

64 VPP et VPN Fonction de Se et Sp du test et de la prévalence de la maladie dans la zone où est employé le test VPP = VP / (VP + FP) et VPN = VN / (VN + FN) M+ M- T + VP FP T - FN VN lorsque Se et Sp sont fixées : si p => VP deviennent majoritaires/fp => VPP => FN deviennent majoritaires/vn => VPN si p => VP deviennent minoritaires/fp => VPP => FN deviennent minoritaires/vn => VPN Vray M Institut Pasteur 64

65 Conséquences sur l interprétation des résultats En milieu où prévalence élevée: grande confiance / résultat positif (VPP) confiance plus limitée / résultat négatif (VPN) En milieu où prévalence faible: grande confiance / résultat négatif (VPN) confiance plus limitée / résultat positif (VPP) Vray M Institut Pasteur 65

66 Un même test effectué sur 1000 sujets dans 2 zones différentes (A et B) Zone A M+ M- Zone B M+ M- T T T T Quelles sont les qualités intrinsèques de ce test? Zone A : Se = 190/200 = 95% Sp = 720/800 = 90% Zone B : Se = 19/20 = 95% Sp = 882/980 = 90% Quelle est la prévalence de la maladie dans chaque zone? Que conclure si le test est +? Si le test est -? Zone A => p = 20% Zone B => p = 2% Zone A => VPP = 190/270 = 70% Zone B => VPP = 19/117 = 16% Zone A => VPN = 720/730 = 98.6% Zone B => VPN = 882/883 = 99.8% Vray M Institut Pasteur 66

67 En résumé : La VPP dépend, notamment de la spécificité du test, mais surtout de la prévalence de la maladie (plus la maladie est rare, plus la VPP est faible). La VPN dépend, notamment de la sensibilité du test, mais surtout de la prévalence de la maladie (plus la maladie et rare, plus la VPN est élevée). Vray M Institut Pasteur 67

68 Intervalles de confiance (IC) Par convention, intervalle de confiance à 95% IC 95% (Se) = IC 95% (Sp) = Se Sp ± 1.96 ± 1.96 ( Se (1 Se) m ( Sp (1 Sp) n m= nombre de malades n= nombre de non-malades Vray M Institut Pasteur 68

69 Calcul du nombre de sujets nécessairen Cette formule peut être utilisée e pour calculer le nombre de sujets nécessaire n dans une étude en définissant: d - La Se et la Sp attendues - La précision désird sirée e de ces deux estimateurs n = p q Avec p = Se ou Sp q = 1-p Et = la précision Vray M Institut Pasteur 69

70 Malades/Total Se (%) IC 95 % 10/20 90 % / % / % Plus le n est grand, plus l IC est étroit Vray M Institut Pasteur 70

71 Indices de synthèse se Visent à établir la valeur d'un test Exactitude (e) Test de Youden (j) Rapport de vraisemblance (LR+ et LR-) Vray M Institut Pasteur 71

72 Exactitude Malades Sains Test + Test - VP FN FP VN Exactitude = Sujets Bien classés = (VP+VN) / (VP+VN+FP+FN) % résultats exacts, VP et VN par rapport à la cohorte Varie de 0 à 1 1 correspondant à une absence de FP et de FN Un tirage au sort correspond à 0,5 Vray M Institut Pasteur 72

73 Indice de Youden (J) Addition des 2 qualités du test : Se et Sp J (en %)= Se +Sp-100 Varie de 1 à 1 0 pas d orientation diagnostique Cet indice est peu utilisé Vray M Institut Pasteur 73

74 Rapport de vraisemblance positif (Likelihood ratio, LR, en anglais) Définition: rapport de la probabilité d un test positif chez les malades comparés s aux non malades Probabilité d un test positif chez les malades: sensibilité (Se) Probabilité d un test positif chez les non malades: 1-1 spécificit cificité (Sp) Rapport de vraisemblance positif: Se / (1-Sp Sp) Vray M Institut Pasteur 74

75 Rapport de vraisemblance positif Intérêt: (suite) Intègre à la fois les notions de sensibilité et spécificit cificité Indépendant de la prévalence de la maladie. Permet de calculer la probabilité d être malade chez les sujets ayant un test positif en fonction de la prévalence de la maladie dans la population d éd étude Un test «intéressant» a un rapport de vraisemblance positif > 9 (correspond par exemple à une sensibilité et spécificit cificité de 90%). Vray M Institut Pasteur 75

76 Rapport de vraisemblance (exemple) Maladie + - Se = 180 / 200 = 90% Test Sp = 1719/1800 = 95,5% LR+ = Se/(1-Sp) = 0,9 / (0,045) = 20 Vray M Institut Pasteur 76

77 Nomogramme de Fagan Pre-test odds X LR = post-test odds Prévalence de la maladie dans la population p = 0,10 LR = 20 Pre-test odds = p / (1-p) = 0,1/(1-0,1) = 0,11 Post-test odds = 0,11X 20 = 2,2 Probabilité d être malade (VPP) = post-test odds / (1 + post-test odds) = 2,2/(1+2,2) = 0,69 Vray M Institut Pasteur 77 (Deeks & Altman, BMJ, 2004)

78 Rapport de vraisemblance négatif Définition: rapport de la probabilité d un test négatif chez les malades comparés aux non malades Probabilité d un test négatif chez les malades: 1- sensibilité (Se) Probabilité d un test négatif chez les non malades: Spécificité (Sp) Rapport de vraisemblance négatif: (1-Se) / Sp Un test intéressant à un rapport de vraisemblance négatif < 0,1. Vray M Institut Pasteur 78

79 Cas d un d signe avec des valeurs quantitatives Vray M Institut Pasteur 79

80 Les courbes ROC Lorsqu un un test a des valeurs continues, il existe de nombreuses valeurs Se/Sp Sp important d avoir d tous les spectres des valeurs du test et de ne pas se limiter à certaines valeurs, ou intervalles même si le but final est de définir d un seuil (cut( cut-off) qui présente le meilleur rapport Se/Sp Sp (celui qui nous intéresse et qui dépend d du contexte) La courbe ROC permet d avoir d le tracé des Se et Sp correspondant à toutes les valeurs du test Vray M Institut Pasteur 80

81 Construction de la courbe ROC On porte - en abscisse, la variable «1 spécificit cificité» = faux positifs parmi les non-malades - en ordonnée la sensibilité = les vrais positifs parmi les malades Un seuil est idéal s il s permet de séparer s totalement les positifs des négatifs, n sans faux positifs ni faux négatifsn Vray M Institut Pasteur 81

82 Sensibilité (Vrais positifs) Spécificité (Faux positifs) Vray M Institut Pasteur 82

83 1 0.8 Seuil =0.6 M+ M- p 1 > S VP FP p 1 S FN VN Seuil 0.2 Sensibilité Seuil =0.4 Seuil =0.2 M+ M- p 1 > S VP FP p 1 S FN VN M+ M- Seuil p 1 > S VP FP p 1 S FN VN Seuil Spécificit cificité (taux de faux positifs) Vray M Institut Pasteur 83

84 Construction de la courbe ROC Sensibilité 1 0 A Diagonale passant par 0 test non informatif Un test est d autant meilleur que sa courbe se situera près du point A et loin de la diagonale Minimiser la distance par rapport au point idéal A Se = Sp = 1 1- Spécificit cificité (taux de faux positifs) Vray M Institut Pasteur 84

85 On calcule AUC= Aire sous courbe (avec IC 95% ) Plus AUC proche de 1 plus le test est performant Vray M Institut Pasteur 85

86 Avantages des COURBES ROC - Simple et facilement compréhensible graphiquement - Tient compte de l ensemble l des valeurs du test (ne nécessite pas le choix arbitraire d un d seuil) - Totalement indépendante de la prévalence de la maladie dans l él échantillon - Permet une comparaison directe visuelle de plusieurs tests sur une même échelle (+ tests pour comparer AUC) - on peut calculer l IC 95% de l AUCl AUC.. La borne inférieure ne doit pas comprendre 0.5 pour que le test ait un intérêt Vray M Institut Pasteur 86

87 Les principaux biais Vray M Institut Pasteur 87

88 Definitions Erreur systematique (Biais) : erreur de raisonnement ou de procédure amenant à une représentation faussée de la réalité. Un biais revêt un caractère systématique et altère l estimation dans un sens donné. Erreur aleatoire : non imputable à une cause décelable et due au hasard. Elle aboutit à une perte de précision de l estimation mais non à sa déviation systématique dans un sens donné. Vray M Institut Pasteur 88

89 6) Sources de BIAIS. A) Intégrit grité des tests (Integrity( test) B) Le biais de vérification v (Verification( bias) C) Erreurs sur la référence r rence (Errors( in the reference) D) Le biais de recrutement (Spectrum bias) E) Le biais d interprd interprétation tation (Test interpretation bias) F) Les tests ininterprétables tables (Unsatisfactory( tests) G) Le biais d extrapolation d (Extrapolation bias) H) Le biais d incorporation d (Incorporation bias) + biais spécifiques des études de dépistaged I) Le biais du temps d avance d au diagnostic (Lead( Time Bias) J) Le biais de lenteur d éd évolution (Length( Time Bias) K) Le biais de sur-diagnostic (Diagnostic Bias) L) Le bais de sélection s (Selection( Bias) Vray M Institut Pasteur 89

EVALUATION DES TESTS DE DIAGNOSTIC. Vray M Institut Pasteur 1

EVALUATION DES TESTS DE DIAGNOSTIC. Vray M Institut Pasteur 1 EVALUATION DES TESTS DE DIAGNOSTIC Vray M Institut Pasteur 1 Plan de la présentation Introduction Définition Dépistage, Diagnostique Les ¾ phases de développement d un test Phases 1, 2, 3 et 4 Les indices

Plus en détail

Evaluation d un test diagnostique - Concordance

Evaluation d un test diagnostique - Concordance Evaluation d un test diagnostique - Concordance Michaël Genin Université de Lille 2 EA 2694 - Santé Publique : Epidémiologie et Qualité des soins michaelgenin@univ-lille2fr Plan 1 Introduction 2 Evaluation

Plus en détail

Evaluation des procédures diagnostiques. Objectifs pédagogiques. Faculté de Médecine Montpellier-Nîmes. Evaluation des procédures diagnostiques

Evaluation des procédures diagnostiques. Objectifs pédagogiques. Faculté de Médecine Montpellier-Nîmes. Evaluation des procédures diagnostiques Evaluation des procédures diagnostiques Objectifs pédagogiques Evaluer un signe, un examen, une décision médicale en calculant leur sensibilité et leur spécificité, leurs valeurs prédictives positives

Plus en détail

MÉTHODES ET STATISTIQUES POUR LIRE UN ARTICLE

MÉTHODES ET STATISTIQUES POUR LIRE UN ARTICLE MÉTHODES ET STATISTIQUES POUR LIRE UN ARTICLE Forum HH 05.02.2013 Ghislaine Gagnon Unité HPCI Qualitatif ou quantitatif? Les 2 méthodes peuvent être utilisées séparément ou en conjonction - le qualitatif

Plus en détail

FACULTE DE MEDECINE D ANGERS. Polycopié de cours pour les 1 e et 2 e cycles des études médicales Préparation à l examen national classant

FACULTE DE MEDECINE D ANGERS. Polycopié de cours pour les 1 e et 2 e cycles des études médicales Préparation à l examen national classant FACULTE DE MEDECINE D ANGERS Polycopié de cours pour les 1 e et 2 e cycles des études médicales Préparation à l examen national classant Année scolaire 2007-2008 SANTE PUBLIQUE ET MEDECINE SOCIALE Responsable

Plus en détail

Principe d évaluation des tests diagnostiques

Principe d évaluation des tests diagnostiques Principe d évaluation des tests diagnostiques Dr Sandra DAVID TCHOUDA Cellule d évaluation médico-économique des innovation, CHUG sdavidtchouda@chu-grenoble.fr Plan Objectif et contexte de ces études visant

Plus en détail

Principes des études diagnostiques

Principes des études diagnostiques Contexte Principes des études diagnostiques Caroline Elie URC Paris Centre Hôpital Necker symptômes 1 2 Démarche diagnostique Objectifs d une étude diagnostique Symptômes, histoire de la maladie, ATCD,

Plus en détail

La survie nette actuelle à long terme Qualités de sept méthodes d estimation

La survie nette actuelle à long terme Qualités de sept méthodes d estimation La survie nette actuelle à long terme Qualités de sept méthodes d estimation PAR Alireza MOGHADDAM TUTEUR : Guy HÉDELIN Laboratoire d Épidémiologie et de Santé publique, EA 80 Faculté de Médecine de Strasbourg

Plus en détail

Le Data Mining au service du Scoring ou notation statistique des emprunteurs!

Le Data Mining au service du Scoring ou notation statistique des emprunteurs! France Le Data Mining au service du Scoring ou notation statistique des emprunteurs! Comme le rappelle la CNIL dans sa délibération n 88-083 du 5 Juillet 1988 portant adoption d une recommandation relative

Plus en détail

Outils méthodologiques et astuces pour la thèse de médecine Les statistiques, comment faire?

Outils méthodologiques et astuces pour la thèse de médecine Les statistiques, comment faire? Outils méthodologiques et astuces pour la thèse de médecine Les statistiques, comment faire? Cyril Ferdynus, USM, CHU RECUEIL DE DONNEES Recueil hors ligne Epidata (http://www.epiconcept.fr/html/epidata.html)

Plus en détail

INTRODUCTION A LA RECHERCHE QUANTITATIVE

INTRODUCTION A LA RECHERCHE QUANTITATIVE INTRODUCTION A LA RECHERCHE QUANTITATIVE Deuxième partie : de la base de données aux résultats Juin 2010 Julien Gelly, Caroline Huas, Josselin Le Bel Plan 2 1. Introduction 2. Saisie des données : Epi

Plus en détail

Utilisation des outils de mesure de la performance des analyses de laboratoire

Utilisation des outils de mesure de la performance des analyses de laboratoire Utilisation des outils de mesure de la performance des analyses de laboratoire Christiane Claessens Laboratoire de santé publique du Québec 24 octobre 2006 Surprise! Un test de laboratoire 100% précis

Plus en détail

Document d orientation sur les allégations issues d essais de non-infériorité

Document d orientation sur les allégations issues d essais de non-infériorité Document d orientation sur les allégations issues d essais de non-infériorité Février 2013 1 Liste de contrôle des essais de non-infériorité N o Liste de contrôle (les clients peuvent se servir de cette

Plus en détail

Évaluation d'une procédure de diagnostic et de dépistage. Julien Mancini Master EISIS Mars 2006

Évaluation d'une procédure de diagnostic et de dépistage. Julien Mancini Master EISIS Mars 2006 Évaluation d'une procédure de diagnostic et de dépistage Julien Mancini Master EISIS Mars 2006 Test diagnostique? Anamnèse Signe clinique Examen complémentaire : biologique, radiologique Test diagnostique

Plus en détail

5. Validité de la méta-analyse

5. Validité de la méta-analyse 5. Validité de la méta-analyse 5.1. Poids de la preuve d une méta-analyse Le poids de la preuve d un résultat scientifique quantifie le degré avec lequel ce résultat s approche de la réalité. Il ne s agit

Plus en détail

Module 2 29 Décembre 2009 Intervenant: Dhuin STATISTIQUES

Module 2 29 Décembre 2009 Intervenant: Dhuin STATISTIQUES STATISTIQUES I. Séries statistiques simples... 1 A. Définitions... 1 1. Population... 1 2. Caractère statistique... 1 B. Séries classées / représentations graphiques.... 2 1. Séries classées... 2 2. Représentations

Plus en détail

Le Diagnostic. Marqueurs, Stratégies, Evaluation

Le Diagnostic. Marqueurs, Stratégies, Evaluation Le Diagnostic Marqueurs, Stratégies, Evaluation Pr Roch Giorgi roch.giorgi@univ-amu.fr SESSTIM, Faculté de Médecine, Aix-Marseille Université, Marseille, France http://sesstim-orspaca.org http://optim-sesstim.univ-amu.fr/

Plus en détail

Les examens de laboratoire : comment les interpreter? Exemple : les marqueurs tumoraux. Michèle BERTHIER : SCOR GLOBAL LIFE

Les examens de laboratoire : comment les interpreter? Exemple : les marqueurs tumoraux. Michèle BERTHIER : SCOR GLOBAL LIFE Les examens de laboratoire : comment les interpreter? Exemple : les marqueurs tumoraux Michèle BERTHIER : SCOR GLOBAL LIFE Présentation faite en collaboration avec le Dr Gabriela BUFFET, Médecin-Conseil

Plus en détail

Valeur informationnelle d un signe : Sensibilité, spécificité, valeurs prédictives

Valeur informationnelle d un signe : Sensibilité, spécificité, valeurs prédictives I. Introduction Valeur informationnelle d un signe : A. La démarche diagnostique La démarche pour aboutir à un diagnostic est la suivante : Le médecin accueille dans son cabinet un patient qui se plaint

Plus en détail

23. Interprétation clinique des mesures de l effet traitement

23. Interprétation clinique des mesures de l effet traitement 23. Interprétation clinique des mesures de l effet traitement 23.1. Critères de jugement binaires Plusieurs mesures (indices) sont utilisables pour quantifier l effet traitement lors de l utilisation d

Plus en détail

Principe d un test statistique

Principe d un test statistique Biostatistiques Principe d un test statistique Professeur Jean-Luc BOSSON PCEM2 - Année universitaire 2012/2013 Faculté de Médecine de Grenoble (UJF) - Tous droits réservés. Objectifs pédagogiques Comprendre

Plus en détail

SCI03 - Analyse de données expérimentales

SCI03 - Analyse de données expérimentales SCI03 - Analyse de données expérimentales Introduction à la statistique Thierry Denœux 1 1 Université de Technologie de Compiègne tél : 44 96 tdenoeux@hds.utc.fr Automne 2014 Qu est ce que la statistique?

Plus en détail

L essentiel sur les tests statistiques

L essentiel sur les tests statistiques L essentiel sur les tests statistiques 21 septembre 2014 2 Chapitre 1 Tests statistiques Nous considérerons deux exemples au long de ce chapitre. Abondance en C, G : On considère une séquence d ADN et

Plus en détail

Exercice n 9 : Ne pas confondre observer et expérimenter

Exercice n 9 : Ne pas confondre observer et expérimenter Le pronostic des cancers du sein dépend de divers facteurs, dont la taille du cancer. En France, au cours d une étude, il a été observé un taux de survie plus important chez les femmes ayant un cancer

Plus en détail

Docteur José LABARERE

Docteur José LABARERE UE7 - Santé Société Humanité Risques sanitaires Chapitre 3 : Epidémiologie étiologique Docteur José LABARERE Année universitaire 2010/2011 Université Joseph Fourier de Grenoble - Tous droits réservés.

Plus en détail

Item 169 : Évaluation thérapeutique et niveau de preuve

Item 169 : Évaluation thérapeutique et niveau de preuve Item 169 : Évaluation thérapeutique et niveau de preuve COFER, Collège Français des Enseignants en Rhumatologie Date de création du document 2010-2011 Table des matières ENC :...3 SPECIFIQUE :...3 I Différentes

Plus en détail

La régression logistique. Par Sonia NEJI et Anne-Hélène JIGOREL

La régression logistique. Par Sonia NEJI et Anne-Hélène JIGOREL La régression logistique Par Sonia NEJI et Anne-Hélène JIGOREL Introduction La régression logistique s applique au cas où: Y est qualitative à 2 modalités Xk qualitatives ou quantitatives Le plus souvent

Plus en détail

Les statistiques descriptives et les intervalles de confiance

Les statistiques descriptives et les intervalles de confiance Les statistiques et les intervalles de Yohann.Foucher@univ-nantes.fr Equipe d Accueil 4275 "Biostatistique, recherche clinique et mesures subjectives en santé", Université de Nantes Master 2 - Cours #2

Plus en détail

Marion GILBERT Simon CHAUVEAU. DES pneumologie 11 avril 2014

Marion GILBERT Simon CHAUVEAU. DES pneumologie 11 avril 2014 Marion GILBERT Simon CHAUVEAU DES pneumologie 11 avril 2014 Contexte Dépistage du cancer poumon : Santé publique Par scanner injecté (low dose) : Baisse de la mortalité (-20%) : NLSTrial (USA) 2011: «The

Plus en détail

TUTORAT UE 4 2014-2015 Biostatistiques Séance n 6 Semaine du 03/11/2014

TUTORAT UE 4 2014-2015 Biostatistiques Séance n 6 Semaine du 03/11/2014 TUTORAT UE 4 2014-2015 Biostatistiques Séance n 6 Semaine du 03/11/2014 Epidémiologie Mme Fabbro-Peray Séance préparée par les tuteurs du TSN QCM n 1 : Choisir la ou les proposition(s) exacte(s). A. Parmi

Plus en détail

Evalua&on tests diagnos&ques. Arnaud Fontanet

Evalua&on tests diagnos&ques. Arnaud Fontanet Evalua&on tests diagnos&ques Arnaud Fontanet Résultats d un test diagnos&que Maladie «Gold standard» Test expérimental + a b a+b - c d c+d a+c b+d Evaluation tests diagnostiques. Arnaud Fontanet 2 Résultats

Plus en détail

Évaluation Diagnostique. Cours P2 Ph. Ravaud

Évaluation Diagnostique. Cours P2 Ph. Ravaud Évaluation Diagnostique Cours P2 Ph. Ravaud Test diagnostic Ce peut être : Un signe clinique subjectif (caractéristiques cliniques d une céphalée) ou objectif (aspect clinique d une éruption). Un test

Plus en détail

Cours n 4 Marqueur diagnostique

Cours n 4 Marqueur diagnostique UE11 Biomédecine Quantitative Jeudi 20 Février 2014 de 13h30 à 15h30 Pr Lambert Ronéotypeur : Mathilde Berti Ronéolecteur : Elsa Manzi Cours n 4 Marqueur diagnostique Introduction La reproductibilité La

Plus en détail

Statistiques et essais cliniques

Statistiques et essais cliniques Hegel Vol. 3 N 1 2013 DOI : 10.4267/2042/49204 21 Statistiques et essais cliniques François Kohler Laboratoire SPI-EAO, Faculté de Médecine, Vandœuvre-les-Nancy francois.kohler@univ-lorraine.fr Introduction

Plus en détail

Points méthodologiques Adapter les méthodes statistiques aux Big Data

Points méthodologiques Adapter les méthodes statistiques aux Big Data Points méthodologiques Adapter les méthodes statistiques aux Big Data I. Répétition de tests et inflation du risque alpha II. Significativité ou taille de l effet? 2012-12-03 Biomédecine quantitative 36

Plus en détail

Chapitre 3 : INFERENCE

Chapitre 3 : INFERENCE Chapitre 3 : INFERENCE 3.1 L ÉCHANTILLONNAGE 3.1.1 Introduction 3.1.2 L échantillonnage aléatoire 3.1.3 Estimation ponctuelle 3.1.4 Distributions d échantillonnage 3.1.5 Intervalles de probabilité L échantillonnage

Plus en détail

Chapitre VI Échantillonages et simulations

Chapitre VI Échantillonages et simulations Chapitre VI Commentaires : Récursivement, les commentaires ne sont pas à l attention des élèves.. Fluctuation d échantillonnage Définition : En statistiques, un échantillon de taille n est la liste des

Plus en détail

Cours n 4. Marqueur diagnostique

Cours n 4. Marqueur diagnostique UE11 Biomédecine Quantitative Cours du Jeudi 21/02/13 Jérome Lambert Ronéotypeur: Vincent Marmouset Ronéolectrice: Charlotte Maestracci Cours n 4 Marqueur diagnostique Ronéo 5 Biomédecine Quantitative

Plus en détail

Méthodes Statistiques Appliquées à la Qualité et à la Gestion des Risques - Le Contrôle Statistique

Méthodes Statistiques Appliquées à la Qualité et à la Gestion des Risques - Le Contrôle Statistique Méthodes Statistiques Appliquées à la Qualité et à la Gestion des Risques - Le Contrôle Statistique Jean Gaudart Laboratoire d Enseignement et de Recherche sur le Traitement de l Information Médicale jean.gaudart@univmed.fr

Plus en détail

Réglementation européenne. enne des dispositifs médicaux m diagnostic in vitro. E. LAFORGERIE 19 juillet 2006

Réglementation européenne. enne des dispositifs médicaux m diagnostic in vitro. E. LAFORGERIE 19 juillet 2006 Réglementation européenne enne des dispositifs médicaux m de diagnostic in vitro E. LAFORGERIE 19 juillet 2006 Historique des réglementationsr Décret du 19 avril 1996 relatif à l enregistrement des réactifsr

Plus en détail

L ASSURANCE QUALITE AU LABORATOIRE DE DIAGNOSTIC

L ASSURANCE QUALITE AU LABORATOIRE DE DIAGNOSTIC L ASSURANCE QUALITE AU LABORATOIRE DE DIAGNOSTIC ATELIER DE FORMATION SUR LE DIAGNOSTIC DE LA FIEVRE APHTEUSE 21 mai 2012 Labib BAKKALI KASSIMI Labib.bakkali-kassimi@anses.fr Agence Nationale de Sécurité

Plus en détail

Spécificités méthodologiques en pédiatrie : gestion des petits effectifs et des effets rares au long cours

Spécificités méthodologiques en pédiatrie : gestion des petits effectifs et des effets rares au long cours Spécificités méthodologiques en pédiatrie : gestion des petits effectifs et des effets rares au long cours Corinne Alberti CIE 5 : modèles et méthodes de l évaluation clinique et thérapeutique en pédiatrie

Plus en détail

Evaluation générale de la qualité des données par âge et sexe

Evaluation générale de la qualité des données par âge et sexe Analyse démographique pour la prise des décisions. Tendances, et inégalités de mortalité et de fécondité en Afrique francophone : les outils en ligne de l UNFPA / UIESP pour l'estimation démographique.

Plus en détail

Méthodologie des essais cliniques de phase III

Méthodologie des essais cliniques de phase III Méthodologie des essais cliniques de phase III Dr Patrick Rossignol p.rossignol@chu-nancy.fr Centre d Investigation Clinique & consultation multidisciplinaire d HTA du CHU de Nancy & INSERM 961 Phases

Plus en détail

Lot Quality Assurance Sampling. Elise Naoufal EVARISQ 15 septembre 2011

Lot Quality Assurance Sampling. Elise Naoufal EVARISQ 15 septembre 2011 Lot Quality Assurance Sampling LQAS Elise Naoufal EVARISQ 15 septembre 2011 1 LQAS Une question d efficacité? LQAS et santé Méthode et Fondements théoriques Détermination du couple (n,d n,d) Conclusion

Plus en détail

Tests de comparaison de moyennes. Dr Sahar BAYAT MASTER 1 année 2009-2010 UE «Introduction à la biostatistique»

Tests de comparaison de moyennes. Dr Sahar BAYAT MASTER 1 année 2009-2010 UE «Introduction à la biostatistique» Tests de comparaison de moyennes Dr Sahar BAYAT MASTER 1 année 2009-2010 UE «Introduction à la biostatistique» Test de Z ou de l écart réduit Le test de Z : comparer des paramètres en testant leurs différences

Plus en détail

L'APPROCHE EXPERIMENTALE EN RECHERCHE: introduction aux statistiques.

L'APPROCHE EXPERIMENTALE EN RECHERCHE: introduction aux statistiques. L'APPROCHE EXPERIMENTALE EN RECHERCHE: introduction aux statistiques 1 BUTS DU COURS : se familiariser avec le vocabulaire statistique o variable dépendante, variable indépendante o statistique descriptive,

Plus en détail

Chapitre 3 : Principe des tests statistiques d hypothèse. José LABARERE

Chapitre 3 : Principe des tests statistiques d hypothèse. José LABARERE UE4 : Biostatistiques Chapitre 3 : Principe des tests statistiques d hypothèse José LABARERE Année universitaire 2010/2011 Université Joseph Fourier de Grenoble - Tous droits réservés. Plan I. Introduction

Plus en détail

Les techniques de dépistage de la fraude. Marianne Paesmans Lieveke Ameye 1

Les techniques de dépistage de la fraude. Marianne Paesmans Lieveke Ameye 1 Les techniques de dépistage de la fraude Marianne Paesmans Lieveke Ameye 1 Erreurs versus fraude Contrôle qualité des données et validation d une base de données avant analyse sont des étapes standard

Plus en détail

Réalisation d une étude épidémiologique

Réalisation d une étude épidémiologique Réalisation d une étude épidémiologique Dr A.TIBICHE, Médecin Epidémiologiste, Service d Epidémiologie et de Médecine Préventive, CHU de Tizi-Ouzou. Introduction La réalisation d une étude épidémiologique

Plus en détail

Intérêt diagnostic du dosage de la CRP et de la leucocyte-estérase dans le liquide articulaire d une prothèse de genou infectée

Intérêt diagnostic du dosage de la CRP et de la leucocyte-estérase dans le liquide articulaire d une prothèse de genou infectée Intérêt diagnostic du dosage de la CRP et de la leucocyte-estérase dans le liquide articulaire d une prothèse de genou infectée C. Rondé-Oustau, JY. Jenny,J.Sibilia, J. Gaudias, C. Boéri, M. Antoni Hôpitaux

Plus en détail

Introduction à l approche bootstrap

Introduction à l approche bootstrap Introduction à l approche bootstrap Irène Buvat U494 INSERM buvat@imedjussieufr 25 septembre 2000 Introduction à l approche bootstrap - Irène Buvat - 21/9/00-1 Plan du cours Qu est-ce que le bootstrap?

Plus en détail

Il existe 3 types d études en épidémiologie qui répondent à 3 questions différentes :

Il existe 3 types d études en épidémiologie qui répondent à 3 questions différentes : Fiche : Rappel des études en épidémiologie 1 L épidémiologie est l étude de l état de santé de la population, et des facteurs influant sur la santé des populations humaines. Il existe 3 types d études

Plus en détail

Tutorat du 22 0ctobre 2011

Tutorat du 22 0ctobre 2011 Tutorat du 22 0ctobre 2011 UE 4 : Evaluation des Méthodes d Analyses Appliquées aux Sciences de la Vie et de la Santé Durée : 1h Cette épreuve comprend 19 QCM : - 10 QCM à réponses multiples : il s agit

Plus en détail

Master Sciences, Technologies, Santé Mention Santé Publique

Master Sciences, Technologies, Santé Mention Santé Publique Master Sciences, Technologies, Santé Mention Santé Publique Épidémiologie d'intervention À partir de l'édition Arnette 1992, épuisée François DABIS Jacques DRUCKER Alain MOREN Chapitre VI Dépistage Sauf

Plus en détail

Protocole d étude de l évaluation des résultats des centres de FIV 2011 1. -Activité 2011-

Protocole d étude de l évaluation des résultats des centres de FIV 2011 1. -Activité 2011- Protocole d étude Evaluation des résultats des centres de FIV -Activité 2011- Contexte Depuis 2005, l Agence de la biomédecine a pour mission de suivre et d évaluer les activités cliniques et biologiques

Plus en détail

Critères de Choix d une Echelle de Qualité De Vie. Etudes cliniques dans l autisme. Introduction

Critères de Choix d une Echelle de Qualité De Vie. Etudes cliniques dans l autisme. Introduction Critères de Choix d une Echelle de Qualité De Vie Etudes cliniques dans l autisme Marie-Christine Picot Congrès Epsylon 5 avril 2013 Introduction Mesurer la Qualité de Vie liée à la Santé : Evaluer les

Plus en détail

11. Tests d hypothèses (partie 1/2)

11. Tests d hypothèses (partie 1/2) 11. Tests d hypothèses (partie 1/2) MTH2302D S. Le Digabel, École Polytechnique de Montréal H2015 (v1) MTH2302D: tests d hypothèses 1/30 Plan 1. Introduction 2. Hypothèses et erreurs 3. Tests d hypothèses

Plus en détail

CREODEV technical auditors of international projects training session 2013

CREODEV technical auditors of international projects training session 2013 CREODEV technical auditors of international projects training session 2013 Qu est ce qu un audit de projet CREODEV? AUDIT : Donner une opinion sur le résultat atteint suite à la mise en œuvre d un projet.

Plus en détail

Collecte de données. Laurent Dorey

Collecte de données. Laurent Dorey Laurent Dorey Mercredi 16 Décembre 2014 Programme : Recensement & Echantillonnage Étapes pour sélectionner un échantillon La population observée La base de sondage Les unités d enquête La taille de l échantillon

Plus en détail

Activité 1 : échantillonnage

Activité 1 : échantillonnage Activité échantillonnage, intervalle de fluctuation, prise de décision (à partir d un même thème) Les trois activités qui suivent s inspirent du document «ressources pour la classe de première générale

Plus en détail

Séance 8 : Régression Logistique

Séance 8 : Régression Logistique Séance 8 : Régression Logistique Sommaire Proc LOGISTIC : Régression logistique... 2 Exemple commenté : Achat en (t+1) à partir du sexe et du chiffre d affaires de la période précédente. 4 La régression

Plus en détail

Glossaire des termes utiles à la lecture. critique d un article médical

Glossaire des termes utiles à la lecture. critique d un article médical Glossaire des termes utiles à la lecture critique d un article médical Ajustement... 4 Analyse de sous-groupe... 5 Analyse de survie... 5 Analyse en intention de traiter... 6 Analyse en per-protocole...

Plus en détail

11. Evaluation de la qualité des essais

11. Evaluation de la qualité des essais 11. Evaluation de la qualité des essais L évaluation de la qualité méthodologique d un essai thérapeutique est une tâche difficile [117]. L essai thérapeutique contrôlé randomisé est considéré comme étant

Plus en détail

Tableau 1 : Structure du tableau des données individuelles. INDIV B i1 1 i2 2 i3 2 i4 1 i5 2 i6 2 i7 1 i8 1

Tableau 1 : Structure du tableau des données individuelles. INDIV B i1 1 i2 2 i3 2 i4 1 i5 2 i6 2 i7 1 i8 1 UN GROUPE D INDIVIDUS Un groupe d individus décrit par une variable qualitative binaire DÉCRIT PAR UNE VARIABLE QUALITATIVE BINAIRE ANALYSER UN SOUS-GROUPE COMPARER UN SOUS-GROUPE À UNE RÉFÉRENCE Mots-clés

Plus en détail

Phases de l évaluation d un test diagnostique

Phases de l évaluation d un test diagnostique Introduction aux Statistiques Médicales Biostatistique Clinique EVALUATION D'UN TEST DIAGNOSTIQUE Phases de l évaluation d un test diagnostique 1. Reproductibilité, concordance, (inter et intra-observateur)

Plus en détail

ELABORATION DU PLAN DE MONITORING ADAPTE POUR UNE RECHERCHE BIOMEDICALE A PROMOTION INSTITUTIONNELLE

ELABORATION DU PLAN DE MONITORING ADAPTE POUR UNE RECHERCHE BIOMEDICALE A PROMOTION INSTITUTIONNELLE Référence HCL : Titre de l étude : ELABORATION DU PLAN DE MONITORING ADAPTE POUR UNE RECHERCHE BIOMEDICALE A PROMOTION INSTITUTIONNELLE Investigateur Coordonnateur : Méthode. Définition du niveau de risque

Plus en détail

CONTRÔLE DE LA QUALITE ANALYTIQUE AU LABO. Août 2009 Hilde De Boeck

CONTRÔLE DE LA QUALITE ANALYTIQUE AU LABO. Août 2009 Hilde De Boeck CONTRÔLE DE LA QUALITE ANALYTIQUE AU LABO Août 2009 Hilde De Boeck SOMMAIRE 1. Introduction 2. Mise en œuvre d un CQI 3. Préparation d un échantillon CQI 4. Calcule des valeurs cibles 5. Réalisation du

Plus en détail

Les dix points clés de la lecture critique. Michel Cucherat UMR 5558 - Lyon

Les dix points clés de la lecture critique. Michel Cucherat UMR 5558 - Lyon Les dix points clés de la lecture critique Michel Cucherat UMR 5558 - Lyon Point 1 Interpréter les résultats pour décider But de la lecture critique : Juger de la validité scientifique (fiabilité du résultat)

Plus en détail

L espace virtuel de La Branche Cochrane-Québec

L espace virtuel de La Branche Cochrane-Québec L espace virtuel de La Branche Cochrane-Québec Bonjour cher(ère)s auditeurs et auditrices web! SVP prendre quelques secondes pour tester vos paramètres audio via l assistant situé au haut de la page: Outils

Plus en détail

ÉVALUATION CRITIQUE : FICHE DE TRAVAIL 1

ÉVALUATION CRITIQUE : FICHE DE TRAVAIL 1 ÉVALUATION CRITIQUE : FICHE DE TRAVAIL 1 ARTICLE SUR LA THÉRAPEUTIQUE pour les résidents Cette fiche de travail devrait accompagner le Formulaire de soumission remis à votre superviseur. Elle s inspire

Plus en détail

Recherche et qualité de l information scientifique Dr Caroline Fonzo-Christe Pharmacie des HUG

Recherche et qualité de l information scientifique Dr Caroline Fonzo-Christe Pharmacie des HUG Recherche et qualité de l information scientifique Dr Caroline Fonzo-Christe Pharmacie des HUG 21.02.2002 CONTEXTE Evolution des connaissances Evaluation de nouvelles approches thérapeutiques, de nouvelles

Plus en détail

Méthodologie des essais cliniques

Méthodologie des essais cliniques Méthodologie des essais cliniques Pr D. DEPLANQUE Département de Pharmacologie médicale Pôle S3P, Centre d Investigation Clinique (CIC 1403 INSERM), Fédération de Recherche Clinique, Université de Lille

Plus en détail

Feuille 6 : Tests. Peut-on dire que l usine a respecté ses engagements? Faire un test d hypothèses pour y répondre.

Feuille 6 : Tests. Peut-on dire que l usine a respecté ses engagements? Faire un test d hypothèses pour y répondre. Université de Nantes Année 2013-2014 L3 Maths-Eco Feuille 6 : Tests Exercice 1 On cherche à connaître la température d ébullition µ, en degrés Celsius, d un certain liquide. On effectue 16 expériences

Plus en détail

VI. Tests non paramétriques sur un échantillon

VI. Tests non paramétriques sur un échantillon VI. Tests non paramétriques sur un échantillon Le modèle n est pas un modèle paramétrique «TESTS du CHI-DEUX» : VI.1. Test d ajustement à une loi donnée VI.. Test d indépendance de deux facteurs 96 Différentes

Plus en détail

Exploitation et analyse des données appliquées aux techniques d enquête par sondage. Introduction.

Exploitation et analyse des données appliquées aux techniques d enquête par sondage. Introduction. Exploitation et analyse des données appliquées aux techniques d enquête par sondage. Introduction. Etudes et traitements statistiques des données : le cas illustratif de la démarche par sondage INTRODUCTION

Plus en détail

Incertitude et variabilité : la nécessité de les intégrer dans les modèles

Incertitude et variabilité : la nécessité de les intégrer dans les modèles Incertitude et variabilité : la nécessité de les intégrer dans les modèles M. L. Delignette-Muller Laboratoire de Biométrie et Biologie Evolutive VetAgro Sup - Université de Lyon - CNRS UMR 5558 24 novembre

Plus en détail

NORME INTERNATIONALE D AUDIT 530 SONDAGES EN AUDIT

NORME INTERNATIONALE D AUDIT 530 SONDAGES EN AUDIT Introduction NORME INTERNATIONALE D AUDIT 530 SONDAGES EN AUDIT (Applicable aux audits d états financiers pour les périodes ouvertes à compter du 15 décembre 2009) SOMMAIRE Paragraphe Champ d application

Plus en détail

(Statistical Package for the Social Sciences)

(Statistical Package for the Social Sciences) Initiation à l utilisation de SPSS (Statistical Package for the Social Sciences) 1 SPSS 2 3 Plan de l exposé Faire une recherche (bibliographique) sur le test; Définir le test à mesurer; Expliquer les

Plus en détail

DATATION de la GROSSESSE

DATATION de la GROSSESSE DATATION de la GROSSESSE Julia BEGLER-FONNIER Maternité CHU CAREMEAU Intérêts Améliorer le pronostic de la grossesse: Déterminer la date d accouchement; Évaluer la croissance fœtale Pouvoir interpréter

Plus en détail

Le diabète gestationel. Dépistage et prise en charge

Le diabète gestationel. Dépistage et prise en charge Le diabète gestationel Dépistage et prise en charge Définition! trouble de la tolérance glucidique de gravité variable, survenant ou diagnostiqué pour la première fois au cours de la grossesse, quelque

Plus en détail

Docteur Brigitte Seradour

Docteur Brigitte Seradour Dépistage du cancer du sein Docteur Brigitte Seradour Pourquoi dépister le cancer du sein? (Selon 10 principes OMS) Il s agit d une maladie grave, fréquente, détectable (phase latente) L examen de dépistage

Plus en détail

Analyse de données longitudinales continues avec applications

Analyse de données longitudinales continues avec applications Université de Liège Département de Mathématique 29 Octobre 2002 Analyse de données longitudinales continues avec applications David MAGIS 1 Programme 1. Introduction 2. Exemples 3. Méthodes simples 4.

Plus en détail

La gestion des ventes.

La gestion des ventes. I. La prévision des ventes. A. Principe. La gestion des ventes. Elle consiste à déterminer les ventes futures à la fois en quantité et en valeur en tenant compte des tendances et contraintes imposées à

Plus en détail

Loi normale ou loi de Laplace-Gauss

Loi normale ou loi de Laplace-Gauss LivreSansTitre1.book Page 44 Mardi, 22. juin 2010 10:40 10 Loi normale ou loi de Laplace-Gauss I. Définition de la loi normale II. Tables de la loi normale centrée réduite S il y avait une seule loi de

Plus en détail

Statistiques Descriptives à une dimension

Statistiques Descriptives à une dimension I. Introduction et Définitions 1. Introduction La statistique est une science qui a pour objectif de recueillir et de traiter les informations, souvent en très grand nombre. Elle regroupe l ensemble des

Plus en détail

Perspectives sur les défis du sevrage ventilatoire

Perspectives sur les défis du sevrage ventilatoire 1 de 5 Perspectives sur les défis du sevrage ventilatoire Si vous préférez obtenir cet article en version pdf, cliquez ici,.s il vous plaît. Le sevrage de la ventilation mécanique est un moment important

Plus en détail

Table des matières. PREMIÈRE PARTIE Étapes initiales des études marketing 7

Table des matières. PREMIÈRE PARTIE Étapes initiales des études marketing 7 Table des matières Préface Public 1 Structure de l ouvrage 1 Caractéristiques de l ouvrage 3 Contenu 3 Pédagogie 4 Remarques sur l adaptation française 4 Ressources numériques 5 Biographie 6 PREMIÈRE PARTIE

Plus en détail

Christophe Fournier. Clinique de Thuys. Aunége - Christophe Fournier

Christophe Fournier. Clinique de Thuys. Aunége - Christophe Fournier Christophe Fournier Clinique de Thuys Aunége - Christophe Fournier 2 Table des matières Information sur l'échantillon 3 Structure de l'échantillon...4 Point méthodologique 6 Point méthodologique...7 Représentativité

Plus en détail

Tests Interferon = quoi de neuf? en médecine du travail

Tests Interferon = quoi de neuf? en médecine du travail Tests Interferon = quoi de neuf? en médecine du travail Elisabeth BOUVET, Dominique Abiteboul GERES Tuberculose infection et tuberculose maladie Contact BK= TM Infection latente 95% Infection = 30% des

Plus en détail

GUIDE D AIDE STATISTIQUE A LA PREPARATION DE LA THESE

GUIDE D AIDE STATISTIQUE A LA PREPARATION DE LA THESE Département Universitaire de Recherche et d Enseignement en Médecine Générale GUIDE D AIDE STATISTIQUE A LA PREPARATION DE LA THESE Enseignants : Esther GUERY, Julien LE BRETON, Emilie FERRAT, Jacques

Plus en détail

Evaluation d impact de l accompagnement des demandeurs d emploi par les opérateurs privés de placement et le programme Cap vers l entreprise

Evaluation d impact de l accompagnement des demandeurs d emploi par les opérateurs privés de placement et le programme Cap vers l entreprise Evaluation d impact de l accompagnement des demandeurs d emploi par les opérateurs privés de placement et le programme Cap vers l entreprise Luc Behaghel, Bruno Crépon et Marc Gurgand Synthèse du rapport

Plus en détail

!-.!#- $'( 1&) &) (,' &*- %,!

!-.!#- $'( 1&) &) (,' &*- %,! 0 $'( 1&) +&&/ ( &+&& &+&))&( -.#- 2& -.#- &) (,' %&,))& &)+&&) &- $ 3.#( %, (&&/ 0 ' Il existe plusieurs types de simulation de flux Statique ou dynamique Stochastique ou déterministe A événements discrets

Plus en détail

DASES Réseau tuberculose 10 janvier 2006

DASES Réseau tuberculose 10 janvier 2006 DASES Réseau tuberculose 10 janvier 2006 Place des Nouveaux Tests de Dosage de L INTERFERON GAMMA dans le diagnostic de la Tuberculose Fadi ANTOUN, Cellule Tuberculose DASES Le Quotidien du Médecin 2005

Plus en détail

Analyse de survie : comment gérer les données censurées?

Analyse de survie : comment gérer les données censurées? Mémento biostatistique Analyse de survie : comment gérer les données censurées? Méthode de Kaplan-Meier C. Alberti 1, J.-F. Timsit 2, S. Chevret 3 1 Centre d Epidémiologie Clinique, Hôpital Robert Debré,

Plus en détail

Tests de détection de la production d Interferon gamma : la performance et le coût Y Yazdanpanah

Tests de détection de la production d Interferon gamma : la performance et le coût Y Yazdanpanah Tests de détection de la production d Interferon gamma : la performance et le coût Y Yazdanpanah Services Universitaires des Maladies Infectieuses et Tropicales de C.H.Tourcoing LEM-CNRS, Lille; 1 Introduction

Plus en détail

Evaluation des risques et procédures d audit en découlant

Evaluation des risques et procédures d audit en découlant Evaluation des risques et procédures d audit en découlant 1 Présentation des NEP 315, 320, 330, 500 et 501 2 Présentation NEP 315, 320, 330, 500 et 501 Les NEP 315, 320, 330, 500 et 501 ont fait l objet

Plus en détail

Contexte de l étude réalisée sur 10 semaines

Contexte de l étude réalisée sur 10 semaines Réalisation d un examen cytobactériologique des urines dans le service des maladies infectieuses et tropicales du CHU de Rouen : vers un résultat fiable à 100% A. Deperrois-Lefebvre, A. Le Gouas, F. Boissaud,

Plus en détail

Collaboration avec statisticien et data manager. Raphaël Porcher, DBIM, Hôpital Saint-Louis DU Chef de Projet en Recherche Clinique 4 novembre 2011

Collaboration avec statisticien et data manager. Raphaël Porcher, DBIM, Hôpital Saint-Louis DU Chef de Projet en Recherche Clinique 4 novembre 2011 Collaboration avec statisticien et data manager Raphaël Porcher, DBIM, Hôpital Saint-Louis DU Chef de Projet en Recherche Clinique 4 novembre 2011 Rôle du statisticien dans une étude clinique Responsable

Plus en détail

META-ANALYSES 1. INTRODUCTION. Module I : «Apprentissage de l exercice médical» Sous module 1 : «La médecine fondée sur les preuves» T.

META-ANALYSES 1. INTRODUCTION. Module I : «Apprentissage de l exercice médical» Sous module 1 : «La médecine fondée sur les preuves» T. Module I : «Apprentissage de l exercice médical» Sous module 1 : «La médecine fondée sur les preuves» META-ANALYSES T. LANG 1. INTRODUCTION La quantité d information disponible en médecine est aujourd

Plus en détail