2ème cycle MB6 Introduction l'épidémiologie et aux biostatistiques variabilité causalité probabilité Année Universitaire

De
Publié par

Niveau: Supérieur
2ème cycle – MB6 - Introduction à l'épidémiologie et aux biostatistiques, variabilité, causalité, probabilité. Année Universitaire 2010- 2011 Faculté de Médecine Montpellier-NîmesP. DUJOLS (Mise ligne 27/0910– LIPCOM) MB6 - Cours 1 Introduction aux Statistiques en Biologie-Médecine la démarche expérimentale Objectifs du cours • Comprendre le rôle de la méthodologie et des bio-statistiques dans la génèse des connaissances – de manière générale – en Biologie-Santé • Comprendre l'importance de la variabilité Plan du Cours • Notions d'Epistémologie • L'observation • La démarche expérimentale • La démarche expérimentale en Sciences de la Vie • Variabilité et Aléa – Randomisation – Aveugle • Raisonner et statuer sous incertitude Notions d'Epistémologie • épistémê : connaissance + logos : discours • Branche de la philosophie des sciences – étudiant de manière critique – la méthode scientifique et les principes des sciences – les contenus, moyens et limites de la connaissance • 3 questions: 1. Connaissance ? 2. Génèse et constitution de la connaissance ? 3. Valeur / validité de la connaissance ?

  • faculté de médecine montpellier-nîmesp

  • variabilité

  • démarche en sciences de la vie

  • choix de l'observateur–

  • scientifique

  • démarche expérimentale


Publié le : mardi 29 mai 2012
Lecture(s) : 37
Source : med.univ-montp1.fr
Nombre de pages : 11
Voir plus Voir moins
Année Universitaire 2010 2011
P. DUJOLS
(Mise ligne 27/0910– LIPCOM)
Objectifs du cours
Raisonner et statuer sous incertitude
Notions d’Epistémologie
Faculté de Médecine MontpellierNîmes
Introduction aux Statistiques en Biolo ieMédecine la démarche expérimentale
Comprendre le rôle de la méthodologie et des biostatistiques dans la génèse – de manière générale – en BiologieSanté Comprendre l’importance de la variabilité
2ème cycle –MB6 Introduction à l'épidémiologie et aux biostatistiques, variabilité, causalité, probabilité.
MB6  Cours 1
Plan du Cours
Notions d’Epistémologie L’observation La démarche expérimentale La démarche expérimentale en Sciences de la Vie Variabilité et Aléa – Randomisation
3 questions: 1. Connaissance ? 2. Génèse et constitution de la connaissance ? 3. Valeur / validité de la connaissance ?
épistémê : connaissance + logos : discours Branche de la philosophie des sciences – étudiant de manière critique – la méthode scientifique et les principes des sciences – les contenus, moyens et limites de la connaissance
2ème cycle –MB6 Introduction à l'épidémiologie et aux biostatistiques, variabilité, causalité, probabilité.
P. DUJOLS
Connaissance
Nombreuses théories Platon(classique) – justifiée = pourvue de « bonnes » raisons
vérité
connaissance
croyance
KantJUSTIFICATION l’expérience et toutes commencent avec elles – Le réel reste inconnu et on ne connaît que des phénomènes
L'observation
Claude Bernard – L'art d'obtenir des faits exacts au moyen ' la nature et écrit"l'observateur écoute sous la dictée"
Mais: – s'il est vrai que "tout part de l'observation", – si l'observation peut être un outil de justification – l'observation empirique a des failles conceptuelles visà vis de la neutralité – l'observation ne peut générer une théorie
Justification
Question centrale Justifier Prouver, établir un fait – Prouver le bienfondé d’une opinion – Comment ? 2 caractères essentiels: Objectivité
Deux outils de justification 1. L'observation 2. L'expérimentation
Observation, outil de justification
(Mise ligne 27/0910– LIPCOM)
Observation Tous les cygnes observés sont blancs
Conclusion par raisonnement inductif Tous les cygnes sont blancs
Année Universitaire 2010 2011
Faculté de Médecine MontpellierNîmes
2ème cycle –MB6 Introduction à l'épidémiologie et aux biostatistiques, variabilité, causalité, probabilité.
P. DUJOLS
Observation, outil de justification
tous les cygnes sont blancs
observation 1
THEORIE tentative
théorie corroborée (ne permet pas de conclure à son exactitude)
Observation: conclusion
observation 2
réfutation la théorie est fausse
À partir d'observations – Il est possible de bâtir a posteriori une  ' – = démarche inductive – Mais une seule observation inattendue suffit à la falsifier Le respect de la neutralité pose souvent problème – de là, la fragilité de certaines études épidémiologiques  cherchant "au hasard" des facteurs de risques de maladies  e onc ma con u es En Santé – L'identification des phénomènes élémentaires relève de l'histoire de la médecine – Seuls les "phénomènes complexes" restent à élucider
observation et neutralité
(Mise ligne 27/0910– LIPCOM)
Année Universitaire 2010 2011
Problèmes:biais d’observation et de sélection  Focalisation de l'attention sur un objet (ou un aspect de l'objet) plutôt qu'un autre exemple: observer des patients en médecine de ville ou des patients hospitalisés  Choix de l'outil d'observation exemple: insuffisance rénale vue par le dosage de l’urée  ’ – Liés à la modification potentielle, par l'observation, du phénomène observé exemple: interroger un patient sur sa prise d’alcool peut lui faire prendre conscience d’un abus et induire une sous déclaration de sa consommation ou induire une modification de comportement
L'expérimentation
L'approche scientifique impose – d'énoncer une hypothèse préalable à tout essai d'explication – de tester cette hypothèse par l'expérimentation Popper – La théorie scientifique ne représente  ni une vérité  ni même un de ses fragments – Provisoire, elle contribue à un paradigme susceptible d'êtreréfutéà  ' – Plus elle est solide, plus elle résistera et sera corroborée Une propriété fondamentale de toute théorie scientifique est d'êtrefalsifiablecadréfutable
Faculté de Médecine MontpellierNîmes
2ème cycle –MB6 Introduction à l'épidémiologie et aux biostatistiques, variabilité, causalité, probabilité.
P. DUJOLS
réfutation
hypothèse hypothèse
expérience
THEORIE énoncés réfutables
essai de réfutation
essai de réfutation
réfutation
réfutation
réfutation
émonstration de la fausseté
Expérience «scientifique»en laboratoire – Préparation: conditions initiales définies, maîtrisées et stables – Expérimentation: mise en jeu d’une intervention et d'une seule – Évaluation du résultat – Peut être répétée à l'identique Revient à isoler le phénomène étudié Questions ? – Estce possible en sciences de la vie – Comment "prouver" la causalité
(Mise ligne 27/0910– LIPCOM)
Démarche expérimentale
Méthode appliquée – en Sciences – en Santé (Claude Bernard)
Année Universitaire 2010 2011
Repose sur la méthode expérimentale – émettre une hypothèse – écrire un protocole:conditions + hypothèse + méthode  Expliquer le raisonnement  Construire le plan expérimental – tester l’hypothèse par desexpériences répétées – validerouinvalider l’hypothèse
Causalité
1. 2. 3. 4.
5.
6. 7. 8.
lien causal = faisceau d'arguments
Preuves expérimentales Reproductibilité:caractère systématique ou presque du lien Temporalité:la cause doit précéder son effet Relation doseeffet:plus la "dose" de cause augmente plus son effet (positif ou négatif) est augmenté Su ression de la cause:si la cause est su rimée, l'effet dû à la cause disparaît Spécificité:innocenter d'autres causes Cohérenceavec d'autres données scientifiques Force de l'associationstatistique (RR ou OR élevé)
Faculté de Médecine MontpellierNîmes
se rapprocher de la méthode expérimentale  démarche – émettre unehypothèse – écrire unprotocole:conditions + hypothèse + méthode testerl’hypothèse par une «expérimentation»  Surgroupe(s) de sujets aussi déterminé(s) que possible  ec uer es mesures – Calculer et comprendre les résultats  validerouinvalider l’hypothèse sur le(s) groupe(s)  en tenant compte del’incertitude Généraliserà unepopulation
P. DUJOLS
« L’expérience analyse, dissocie les phénomènes afin de les réduire à des relations et à des conditions de plus en plus simples »
2ème cycle –MB6 Introduction à l'épidémiologie et aux biostatistiques, variabilité, causalité, probabilité.
(Mise ligne 27/0910– LIPCOM)
Faculté de Médecine MontpellierNîmes
fonde la notion deHASARDet d’INCERTITUDE d’ALEATOIRE
Année Universitaire 2010 2011
Démarche en sciences de la vie
variabilité analytique
L’homme, un sujet si particulier …
« L’homme entier, organisme complexe et irréductible, oblige à expérimenter sans un contrôle exhaustif des param res en eu; au appor er es correc s statistiques, utiliser la modélisation, mais limiter les conclusions au modèle sélectionné (notion de non inclusion) »
deux niveaux deVARIABILITE
Fisher (1925)
Démarche en sciences de la vie
Contexte – Phénomènes complexes Problèmes – difficulté d’expérience scientifique « construite » – difficulté de la répétition à l’identique – variabilité  des conditions, outils d'observation – multitude de paramètres difficiles à isoler – isoler un seul paramètre éloigne de la réalité naturelle
variabilité
Si Y est voisin (en probabilité) de X : traitement inactif
Population de malades tirage au sort tirage au sort Groupe 1 Groupe 2 traitement pas de traitement Y guérissent X guérissent avec le traitement spontanément
Le tirage au sort de groupes de sujets à partir de la même population Permet d’éviter les bais de sélection (ex: éviter de choisir seulement des patients « bon répondeurs » à un traitement) – Permet de travailler sur un ou des échantillon(s) «représentatif(s) de la population» comparables sur tout sauf la cause – Autorise la comparaison des groupes et des résultats – Permet de «généraliser» à la population les résultats obtenus (l’existence ou non d’une relation entre une cause et un effet)
(Mise ligne 27/0910– LIPCOM)
P. DUJOLS
2ème cycle –MB6 Introduction à l'épidémiologie et aux biostatistiques, variabilité, causalité, probabilité.
Année Universitaire 2010 2011
Méthode expérimentale – Faire le bilan des variables ayant – Trouver une situation où toutes les variables sont fixes sauf 2 (la cause et l’effet à observer) – Appliquer la cause et observer la relation entre cause et effet Or Exemple: jouent sur l’effet d’un médicament: le médicament, l’état du patient, sa psychologie, son régime alimentaire …. – La relation entre cause et effet sera entachée d’un aléa résultant de l’action des variables non maîtrisées dans l’expérience
variabilité
Variabilité: randomisation
Variabilité: randomisation
Faculté de Médecine MontpellierNîmes
Variabilité: exemple
Savoir si un traitement est actif dans une maladie infectieuse
On utilisera ou pas le traitement pour soigner la maladie infectieuse
Si Y n’est pas voisin (en probabilité) de X : traitement actif
Tirage au sort (randomisation) – Idée pour «répartir de façon homogène» es su e s e onc es var a es qu ouen sur a re a on causeeffet – L’aléa, l’incertitude, encore appelé « hasard » (cadeffet des variables autres que la cause sur la relation) a alors un caractère probabiliste – L’aléa pourra alors être « modélisé mathématiquement » par des tests et des intervalles de confiance – On pourra alors juger, en probabilité (« d’avoir raison quand on dit l’effet est lié à la cause »)
Exemple:dans un essai thérapeutique avec 2 groupes (avec traitement 1 et avec traitement 2)
Variabilité: l’AVEUGLE
Variabilité: l’AVEUGLE
Variabilité: l’AVEUGLE
variabilité: l’AVEUGLE
P. DUJOLS
(Mise ligne 27/0910– LIPCOM)
Année Universitaire 2010 2011
2ème cycle –MB6 Introduction à l'épidémiologie et aux biostatistiques, variabilité, causalité, probabilité.
Dans l’expérimentation – Maîtriser la variabilité des caractéristiques u p nom ne u pour o en r es r su a s interprétables sans trop d’ambiguïté – Mais, observer, c’est aussi agir sur le phénomène étudié  Observateur(s)  Sujet(s) observé(s)  Interpréteur(s) des résultats de l’expérimentation Et donc parfois le modifier Il faut conserver les 2 caractéristiques – Objectivité – Neutralité
Simple AVEUGLE – le patient ne sait pas Double AVEUGLE – ni le médecin, ni le patient ne savent Triple AVEUGLE – ni le médecin, ni le patient ni l’interpréteur ne savent
– Del’observateur:  ne sait pas à quel groupe a été affecté le patient qu’il observe  donc n’aura pas tendance à juger plus positifs les résultats du traitement qu’il croit le meilleur – Del’observé  ne sait pas dans quel groupe il a été alloué  donc n’aura pas tendance à donner des informations plus positives ou négatives – Del’interpréteurdes résultats  ne sait pas quelle molécule a été allouée à tel groupe  donc n’aura pas tendance à sur ou sous estimer les résultats en fonctions de ses avis personnels
Les variables – Cause, effet – Autres variables Doivent être recueillies, pour chacune, de la même manière et dans les mêmes conditions Pour – avoir la même signification décidée au départ – être prises en compte dans les calculs de résultats SOLUTION:l’AVEUGLE – Le fait de ne pas connaître les modalités de la cause
Faculté de Médecine MontpellierNîmes
Procédure – Employée systématiquement – Sauf quand impossible:ex: études chirurgicales …
Population et échantillon
Etude de phénomènes complexes avec – des causes souvent intriquées Variabilité – entre individus – entre groupes (échantillons) d’individus AléaouIncertitude «mo ser» a a ou ncer u e «raisonner» et «statuer» sous incertitude ? Généralisation «généraliser» sous incertitude ?
ensemble – demande critères inclusion et noninclusion
Faculté de Médecine MontpellierNîmes
P. DUJOLS
Année Universitaire 2010 2011
(Mise ligne 27/0910– LIPCOM)
Variable et variable aléatoire
Variable aléatoire (VA) – Variable – dont la valeur de la mesure, pour un sujet donné, ne peu re pr e avec cer u e – donc à laquelle est associée une loi de probabilité Exemples sexe glycémie à jeun nombre de lymphocytes / ml de sang
Population et échantillon
statistiqueinférentielle
population
PARIsur la distribution des variables
échantillon
Échantillon: sousensemble fini – extrait d’une population – représentatifde la population P si extrait au hasard de P
Conclusion
Variable – Élément dont la mesure peut prendre ren es va eurs
2ème cycle –MB6 Introduction à l'épidémiologie et aux biostatistiques, variabilité, causalité, probabilité.
tirage au sort
Population: série exhaustive – finie ou infinie – critères précis d’appartenance
Série statistique:collection d’objets – de même nature
Mesure d’une variable
Types de variables aléatoires
2ème cycle –MB6 Introduction à l'épidémiologie et aux biostatistiques, variabilité, causalité, probabilité.
distribution des valeurs
échantillon de 20 femmes
Estimer les lois de probabilité
(Mise ligne 27/0910– LIPCOM)
Faculté de Médecine MontpellierNîmes
P. DUJOLS
Année Universitaire 2010 2011
tirage au sortéchantillon 1 + populationeffet? CAUSE -tiréchantillon 2 age au sort Pour une variable X : on a calculé les paramètres dans 2 échantillons peuton conclure à un effet de la cause dans la population ?
Statuer sous incertitude: les problèmes
échantillon de 1000 femmes
– Qualitative ordinale : catégories ordonnées ex : score douleur (nullemodéréeforte), protéinurie (0,+,++…) censurée: survenue d’un événement – Combinaison: comptage + délai évènement ex : Survenue d’un décès dans l’année qui suit opération
Expérimentation = mesure fiable de variables bien choisies a – Reproductibilité  dans le temps  entre observateurs AVEUGLE – Honnêteté:ex consommation d’alcool Sensible aux chan ements à la cause – Sens non ambigu  Mesures objectives:ex dosages  Mesures subjectives:ex douleur, qualité de vie Peu de données manquantes
Estimation des lois de probabilité – raisonnement mathématique – expérimentation sur grands échantillons  recherche clinique  épidémiologie
quantitative: – Valeur = mesure une quantité , , – Quantitative discrèteex : nombre d’enfants, nb de selles/jour qualitative: – Valeur = comptage de catégories exclusives – Qualitative nominale : catégories sans relation d’ordre ex : groupe sanguin, couleur des yeux
? populationtirageéchantillon au sort à quoi peuton s’attendre dans un échantillon ? ? tirage au sort populationéchantillon Pour une variable X : on a calculé les p ètres dans un échantillon à quoi peuton s’attendre dans la population ?
loi de probabilité
2ème cycle –MB6 Introduction à l'épidémiologie et aux biostatistiques, variabilité, causalité, probabilité.
P. DUJOLS
Statuer sous incertitude: exemple
lignée de souris présentant 20% de tumeurs malignes spontanées
sur 1 échantillon de 100 souris
substance X
Observé:
tumeur maligne
Question: la substance X estelle cancérigène ?
Statuer sous incertitude: exemple
lignée de souris présentant 20% de tumeurs malignes spontanées
substance X constaté: 31 souris avec tumeur maligne
Question: la substance X est-elle cancérigène ?
on a constaté une différence : 31%  20% = 11% emais existent les « fluctuations d’échantillonna Question – quelle est la probabilité d’observer au moins cette différence si X n’est pas cancérigène? – à partir de quelle probabilité peuton considérer X comme cancérigène ? – cette probabilité « seuil » sera le « risque d’erreur » – conclure en fonction du « seuil de significativité » que l’on s’est donné
Statuer sous incertitude: exemple
lignée de souris présentant 20% de tumeurs malignes spontanées
100 échantillons de 100 souris
20
31
Année Universitaire 2010 2011
100 échantillons de 100 souris
substance X
31
luctuations d’échantillonnage tous les échantillons ne sont pas on aurait pu observer une autre à 20% de tumeurs valeur que 31% 31% est une valeur possible 20% est une valeur observable
Statuer sous incertitude: exemple
(Mise ligne 27/0910– LIPCOM)
Faire un test statistique(cad: tenant compte des fluctuations d’échantillonnage) – qui donnera la probabilité d’observer au moins cette différence si X n’est pas cancérigène? – conclure en fonction du « seuil de significativité » que l’on s’est donné
Raisonnement – hypothèse (nulle)X non cancérigène=l’échantillon provient au hasard de la population avec taux 20%  Calcul probabilité(H0)P = 0,06 – Conclusion / seuil (5%) P > 0,05 donc non rejet de H0 (H0 n’est pas réfutée) – Conclusion clinique:on ne peut pas dire S cancérigène
Faculté de Médecine MontpellierNîmes
2ème cycle –MB6 Introduction à l'épidémiologie et aux biostatistiques, variabilité, causalité, probabilité.
P. DUJOLS
Conclusions
La démarche expérimentale – s’applique dans les sciences de la Vie – malgré la « variabilité », « l’aléa » – grâce à une formulation probabiliste Sous conditions derigueur – dans l’énoncé des hypothèses – dans le choix et le recueil des variables à mesurer pour repr sen er a cause e e e … e es au res – dans la sélection de la population – dans la sélection des échantillons (groupes) par randomisation – dans les analyses statistiques et les conclusions
(Mise ligne 27/0910– LIPCOM)
Année Universitaire 2010 2011
Faculté de Médecine MontpellierNîmes
Soyez le premier à déposer un commentaire !

17/1000 caractères maximum.

Diffusez cette publication

Vous aimerez aussi