Analyse dans l'intention de traiter

Bonjour
A propos de l'analyse en intention de traiter (qui est une méthode pour analyser les résultats d'un essai clinique), j'ai des soucis de compréhension.
J'ai bien compris qu'on partait du principe de ne pas considérer les perdus de vue et les "mal classés" (un patient X prend un traitement, alors que la randomisation voulait à ce qu'il ne le prenne pas) et de garder la taille n initiale après randomisation.

Pour détailler un peu la méthode, Mr Forzy a précisé qu'il faut prendre en compte les facteurs de confusion, qui correspondent à tout événement/information qui pourrait venir fausser les résultats, qui se produit à chaque fois que les critères d'inclusion ne sont pas rigoureux.
Est-ce que les facteurs de confusion correspondent aux biais de classement (sélection, attrition et autres)?


Ensuite, il dit que pour limiter ces facteurs de confusion, on peut utiliser des méthods d'ajustement/stratification, et des méthodes multiparamètriques.
Il ne précise pas trop ce point, et je comprends pas du tout à quoi ça correspond/ça sert ^^ Si quelqu'un pouvait donc m'éclairer à ce sujet..

Merci d'avance,

Bonjour,

De manière résumée, il existe 3 grandes sortes de biais :

- Biais de sélection : Au tout début de l'étude, c'est une erreur dans la sélection des patients inclus par rapport à l'étude que l'on veut mener : on sélectionne un échantillon qui n'est d'aucune utilité pour répondre à la question posée (par exemple, on veut tester un médicament destiné aux enfants, mais dans l'étude on ne recrute que des adultes...)

- Biais de classement : C'est une erreur lors du recueil des données, de la mesure des variables (donc on y trouve le biais de mesure, le biais de prévarication (mensonge volontaire des participants), le biais de mémorisation...)

- Biais de confusion : C'est une erreur lors de l'interprétation des résultats de l'étude


Un facteur de confusion est une variable qui va venir fausser un résultat que tu obtiens.
Un exemple typique est la comparaison de la mortalité entre différentes maisons de retraites. L'étude "de base" consisterait à comparer le nombre de décès entre les différentes maisons, (par exemple avec un X²). Or il y a un facteur de confusion majeur : l'âge des résidents n'est pas forcément le même dans les maisons de retraite ! (il peut y avoir plus de "plus vieux" dans une maison que dans l'autre...).

Pour prendre en compte ce facteur de confusion, on peut utiliser une stratification (pour chaque maison de retraite, on stratifie les patients selon des classes d'âges, et pour comparer les 2 maisons de retraites on va faire les comparaisons des mêmes classes d'âges entre elles), ou un ajustement (c'est une méthode mathématique/statistique qui va prendre en compte les âges dans la comparaison).

Pour faire de l'ajustement ou de la stratification, il faut connaître à l'avance le facteur de confusion étudié.
Les méthodes multiparamétriques permettent de comparer plusieurs variables en même temps et donc d'ajuster chaque variable sur les autres. De la même manière, il faut donc connaître les éventuels facteurs de confusion pour les ajouter à l'étude.


La randomisation de 2 groupes permet elle de prendre en compte même des facteurs de confusions inconnus : Si tu répartis au hasard des personnes dans 2 groupes différents, alors si le hasard a bien fait les choses, elles ont le même âge, sex ratio, répartition ethnique, statut tabagique, ... (sans que tu aies eu à penser à ça par toi même ! )



Donc en soi, pour ta première question (ayant répondu à la 2è au dessus), les facteurs de confusion sont des variables qui vont fausser le résultat/son interprétation et donc induire un biais de confusion.


J'espère avoir été clair; ce cours n'est en fait qu'un cours introductif à la Lecture Critique d'Articles et toutes ces notions ne sont vues qu'à partir de la 3è année ! Ne t'inquiète donc pas si ton cours n'est pas très fourni en explications