Etudes & Biais

  • RSS
  • Accueil
  • A propos
  • Lecture critique
  • Plainte vs EMA
  • Liens
  • Contact

Les tableaux 2×2

Posted on 28 avril 2013 by Alexis in Article, Divers No Comments
  • Home
  • Article
  • Les tableaux 2×2

On en trouve partout et c’est normal car on peut en tirer facilement plein de conclusions ; en plus avec quatre nombres, tout semble simple.

Le principe de ce tableau est le suivant :

Alternative 2 : oui

Alternative 2 : non

Alternative 1 : oui

a

b

Alternative 1 : non

c

d

On peut trouver ce type de tableau :

  • Dans des études cliniques (Alternative 1 = groupe de randomisation A ou B ; Alternative 2  = critère d’évaluation binaire)
  • Dans des études d’évaluation de tests diagnostiques (Alternative 1 = résultat du test : positif ou négatif ; Alternative 2 = présence de la maladie à diagnostiquer : oui ou non)
  • Dans des enquêtes épidémiologiques : (Alternative 1 = présence ou absence d’un facteur de risque ; Alternative 2 = présence ou absence d’une maladie ou d’un état particulier)

Bref, à chaque fois que l’on veut savoir si une alternative est liée à une autre alternative ; « liée » signifie qu’il y a une liaison entre les deux alternatives : une des deux possibilités de l’alternative 2 survient plus fréquemment lors d’une des 2 possibilités de l’alternative 1 que lors de la survenue de l’autre.

La seule situation permettant de conclure que la différence observée lors de l’alternative 2 est consécutive à la différence observée lors de l’alternative 1 est l’essai clinique randomisé. En dehors de ce cas, il est possible de suspecter une relation de causalité mais elle ne peut être certifiée que sur un essai randomisé (ou si plusieurs autres arguments sont déjà disponibles – voir critères de causalité de Hill).

Il y a plein de calculs possibles à partir de ces 4 nombres.

Fainéant comme je suis, j’ai résumé les principaux sur ce fichier Excel,  Si ça peut aider… (Seules les cases jaunes sont à modifier – le Fisher ne marche pas dès que les factorielles sont un peu élevées mais comme on l’utilise généralement pour les petits effectifs, ce n’est pas trop gênant).

Icône
tableau2x2 41.01 KB
Télécharger

Les tests statistiques réalisables sur ces 4 nombres sont principalement le Chi2 et le Fisher. Le second est réalisé quand une des valeurs calculées du Chi2 est inférieure à 3, entre 3 et 5, il faut regarder le Chi2 avec la correction de Yates, au dessus de 5, le Chi2 est valide.

On peut aussi évaluer les intervalles de confiance du risk ratio ou de l’odd ratio ou des autres mesures qui en dépendent.

L’odd ratio et le risk ratio sont deux mesures de la liaison.

Le risk ratio (RR) est le rapport entre le risque de « maladie » selon l’alternative 1 positive et le risque de maladie selon l’alternative 1 négative. En français, un RR à 2 cela signifie que, par exemple, les exposés ont un risque doublé d’être malade par rapport aux non exposés.

Le RR est utilisable dans les études de type exposé – non exposé mais pas dans les études cas – témoin car ces études donnent les probabilités d’être exposé si on est malade ou non malade et non celles d’être malade selon que l’on est exposé ou non.

L’odd ratio (OR) peut être utilisé dans les deux types d’études. C’est le rapport des concordants (case A1A1 x case A2A2) divisés par les non concordants (case A1A2 x case A2A1). Le problème, c’est qu’en français, c’est un peu long à décrire : C’est le rapport de 2 cotes : celle d’être malade si exposé et celle d’être malade si non exposé. Et une cote c’est une probabilité P divisée par (1-P). Un OR à 2 signifie que chez les exposés le rapport des malades sur les non malades est le double de ce même rapport chez les non exposés.  L’intérêt, c’est que c’est aussi le rapport des cotes des probabilités d’être exposé si on est malade ou non. D’où sa symétrie et son utilisation dans les deux principaux types d’études épidémiologiques.

Mais l’odd ratio n’a pas la même signification que celle du risk ratio.

Il y a néanmoins une relation entre l’OR et le RR. Cette relation dépend de la fréquence de la maladie chez les non exposés. Si Pn est cette probabilité alors : OR = RRx(1-Pn)/(1-RRxPn) et RR= OR/((1-Pn)+ORxPn).

Si Pn est petit OR≈RR .

Pour les études sur les tests diagnostiques, si le tableau est obtenu à partir d’une étude cas-témoin, on peut déterminer la sensibilité et la spécificité mais pas la VPP et la VPN car ces deux paramètres doivent être déterminés sur une population dont les rapports entre les malades et non malades sont ceux de la population générale et permettent le calcul de la prévalence de la maladie.

On peut calculer la VPN et la VPP à partir de la sensibilité (Se) et la spécificité (Sp) si on connait la prévalence P :

  • VPP = Se x P / [(Se x P)+(1-Sp) x (1-Se)]
  • VPN = (Sp x (1-P)) / [(Sp x (1- P))+((1-Se) x P].

Ce sont deux valeurs très importantes en pratique car elles permettent définir l’intérêt du test pour établir la probabilité de maladie. Les rapports de vraisemblance aussi, certes, mais ils doivent être multipliés par la cote de la prévalence ; donc il faut aussi connaitre la prévalence de la maladie pour les calculer.

Les tableaux 2 x 2 permettent aussi de donner des exemples du paradoxe de Simpson !

Deux sous groupes complémentaires peuvent donner des conclusions inverses de celle obtenue sur leur total : exemple ci-dessous.

C’est bien sûr aussi valable pour plus de sous-groupes complémentaires.

 

TABLE22SIMPSON

 

 

 

 

 

 

 

 

 

 

 

 

.

 

 

Share

Leave a Reply Cancel reply

Votre adresse de messagerie ne sera pas publiée. Les champs obligatoires sont indiqués avec *

Search

Commentaires récents

  • Alexis dans Lecture critique (3) : Analyse de la population incluse et ajustements.
  • FRG dans Lecture critique (3) : Analyse de la population incluse et ajustements.
  • Daniel Pérez dans La vérole et le bar-tabac
  • Azaïs dans Je viens de télécharger les analyses de la FDA sur Tecfidera ®
  • Alexis dans Chic ! Avec l’intelligence artificielle, on va avoir plein d’études biaisées.

Articles récents

  • Chic ! Avec l’intelligence artificielle, on va avoir plein d’études biaisées.

    3 avril 2018
  • Deux ans sans publication mais pour la bonne cause

    13 mars 2018
  • Quand il y a un « trou » (dans les données), c’est qu’y a un loup ! (Martine et Alexis)

    19 juin 2015
  • J’adore supputer, ce sera donc un peu moins sérieux… quoi que…

    21 mai 2015
  • Deux autres petits trucs qui rendent les odds-ratios un peu « odd ».

    14 mai 2015
  • Bon la dompéridone on n’y croit pas trop…et qu’est ce qui la différencie du mediator ?

    1 mai 2015
  • La vérole et le bar-tabac

    19 avril 2015
  • Domperidone

    14 avril 2015
  • Propensity scores, ou comment transformer une étude de suivi en un essai randomisé.

    3 avril 2015
  • The Will Rogers phenomenon, et petite digression sur le dépistage

    9 février 2015
  • Tiens, la National Academy Press publie un document sur les données des essais cliniques

    5 février 2015
  • Le monitoring nouveau des essais cliniques est sorti. Bonne ou mauvaise nouvelle pour les fraudeurs (et pour ceux qui les recherchent) ?

    30 janvier 2015
  • Faire une étude sur cohorte positive, fastoche !

    27 janvier 2015
  • Fraude et essai clinique biaisé. La détection des fraudes permet-elle d’exclure les essais cliniques biaisés ?

    6 janvier 2015
  • Les méta-analyses ne seraient-elles pas réellement intéressantes quand elles sont non-valides en raison d’une hétérogénéité ?

    5 décembre 2014
  • Lecture critique (12) Analyse des essais cliniques randomisés en double aveugle destinés à mettre en évidence une supériorité: récapitulatif

    20 novembre 2014
  • Finalement, il ne s’est rien passé à l’EMA ce jeudi 2 octobre.

    7 octobre 2014
  • Si on commence à critiquer les avis de l’EMA …

    28 février 2014
  • Les courbes de survie

    18 février 2014
  • Réponse de l’EMA à mon mail du 20 Novembre 2013 … et ma réponse

    9 février 2014
  • 20 novembre 2013 – 21 janvier 2014 : nouvelle plainte contre l’EMA

    21 janvier 2014
  • La FDA, ses analyses sélectives et l’Alemtuzumab

    6 janvier 2014
  • NNT

    18 décembre 2013
  • Incidence et Prévalence

    13 décembre 2013
  • Risque de sclérose en plaques avec les vaccins (ou autre produit)

    27 novembre 2013
  • Suite des relations avec l’EMA

    20 novembre 2013
  • A la recherche du bon critère d’évaluation

    18 octobre 2013
  • Evénements indésirables rares et loi de Poisson (ou loi binomiale)

    11 octobre 2013
  • Policy 0070 on publication and access to clinical-trial data

    3 septembre 2013
  • Lecture critique (11) : biais ou risque de biais,

    30 août 2013
  • Ô temps, suspends ton vol ! … de données valides

    16 juillet 2013
  • Individual Patient Data (IPD) : une nécessaire mise à disposition de la communité scientifique

    11 juillet 2013
  • P…. d’effet placebo !

    2 juillet 2013
  • Règles CONSORT pour les essais tronqués

    27 juin 2013
  • Lecture critique (10) : Les analyses de sous-groupes

    26 juin 2013
  • Alltrials pour les biais de publication… et les autres biais?

    19 juin 2013
  • Lecture critique (9) : L’aveugle dans les essais cliniques.

    10 juin 2013
  • Analyse critique (8) : La cohérence externe

    5 juin 2013
  • Je viens de télécharger les analyses de la FDA sur Tecfidera ®

    18 mai 2013
  • La puissance

    12 mai 2013

(c) 2013 Etudes & Biais -