Upload
aduboi4
View
898
Download
6
Embed Size (px)
Citation preview
Bienvenus au cours:
NSG 5592: Analyse statistique en sciences infirmières
Hiver 20111
Plan du premier cours Objectif 1: Nous connaitre et établir les règles du
jeu Présentation des participants Background, expérience en statistiques et
expectatives Discussion du plan de cours et questions
logistiques
2
Plan du premier cours (suite)
Objectif 2: Se familiariser avec les : concepts de base en statistique sources de données principales étapes en analyse de données
3
Plan du premier cours (suite)
Objectif 3: Expliquer les attentes concernant le projet de session
Objectif 4: Discuter sur le travail de la semaine
4
Concepts de baseNSG 5592Module 1a
5
Cadre conceptuel
6
Cadre conceptuel
7
Facteurs de risque
Autres variables
Maladie
Traitement, Intervention
GuérisonMorbiditéMortalité
Cadre conceptuel
8
Facteurs de risque
Autres variables
Maladie
Traitement, Intervention
GuérisonMorbiditéMortalité
Diagnostic, DépistageQualité des indicateurs Incidence, Prévalence
Plan d’analyseÉvaluation desinterventions
Éléments à considérer
Mesure des facteurs de risque et des autres variables Facteur de risque:
tout agent étiologique potentiel à l’étude plus précisément, un déterminant de la maladie
ex: IMC (indice de masse corporelle), tabagisme, …
Autres variables: Variables sociodémographiques
sexe, âge (continu ou par catégories) statut socio-économique, lieu de résidence, …
Variables liées au plan d’analyse hôpital, année, …
9
Définitions Statistiques:
Valeurs permettant de résumer des ensembles de données [« statistiques descriptives »] (ex: statistiques de natalité, mortalité, distribution du risque de cancer au Canada, …)
Statistique: valeur permettant de décrire la distribution d’une
variable en particulier (ex: moyenne, proportion, …) valeur obtenue dans un échantillon, permettant
d’estimer le paramètre d’une population
10
Définitions
Techniques statistiques: techniques basées sur la théorie des probabilités permettant de
tester des hypothèses construire des modèles
11
Définitions
Un test d’hypothèse consiste à vérifier si le paramètre d’une distribution (dans la population) est égal à une certaine valeur, étant donné la statistique observée
(dans l’échantillon) ex: moyenne échantillonnale= 28.5; Hypothèse nulle: moyenne dans
la population = 26 à celui d’une autre population
ex: moyenne échantillonnale (groupe 1)= 28.5; moyenne échantillonnale (groupe 2)= 30.1; Hypothèse nulle: les moyennes sont égales dans les deux populations
12
Définitions
Un modèle consiste à décrire de façon « simple » la relation qui existe entre les variables ex: décrire le poids en fonction de la taille, du sexe,
de la taille
13
Définitions Biostatistique: Application à la biologie des
techniques statistiques
Épidémiologie: Étude de la distribution et des déterminants de la fréquence des maladies
14
Définitions La biostatistique et l’épidémiologie sont des
champs d’étude proches. La biostatistique a une approche davantage
orientée vers les tests d’hypothèse et peut s’appliquer au contexte clinique
L’épidémiologie a une approche davantage orientée vers la description des maladies et la recherche des causes
15
Cadre conceptuel
16
Facteurs de risque
Autres variables
MaladieGuérisonMorbiditéMortalité
Mesure de la maladie
Traitement/Intervention
Mesure de la maladie
17
Dépistage de la population
Auto-rapportés
Diagnostiqués
Hospitalisés
Décédés La décision sur la manière de définir la maladiedépend de la source
d’information.Plus on descend, plus on obtient
de cas, mais au risque d’être moins spécifique
L’iceberg de la maladie
(tiré de Woodward, 2005)
Mark Woodward (2005) Epidemiology – Study design and data analysis – Second edition Chapman & Hall
Mesure de la maladie Dénombrement des cas (iceberg de la
maladie) Population à risque Nombre de cas, taux de cas
Incidence, Prévalence ( Module 2)
18
Mesure de la maladie Éléments à considérer par le chercheur:
Qualité du diagnostic ( Module 2) vrais / faux positifs vrais / faux négatifs spécificité, sensibilité
19
Cadre conceptuel
20
Facteurs de risque
Autres variables
MaladieGuérisonMorbiditéMortalité
Mesure du traitement
Traitement/Intervention
Mesure du traitement
Éléments à considérer par le chercheur: Plan d’enquête ( Module 2)
Utiliser un plan qui permet de répondre à la question de recherche
Examen de la relation de cause à effet
21
Mesure du traitement(dans le devis expérimentaux)
Traitement individuel ou par groupe Sélection aléatoire Traitement à simple, double ou triple insu
Considérations éthiques
22
Cadre conceptuel
23
Facteurs de risque
Autres variables
MaladieGuérisonMorbiditéMortalité
Mesure de l’issue
Traitement/Intervention
Mesure de l’issue
24
Population totale
Nombre de susceptibles
Nombre d’exposés
Nombre d’infectés
Nombre de maladesNombre de décès /Population totale =
Nombre de décès /N. de maladesX
N. de malades / N. d’infectésX
N. d’infectés / N. d’exposésX
N. d’exposés / N. de susceptiblesX
N. de susceptibles / Pop. totale
Nombre de décès
James F. Jekel, David L. Katz, Joann G. Elmore (2001) Epidemiology, Biostatistics and Preventive Medicine – Second edition W. B. Saunders Company
Mesure de l’issue
Nombre ou taux d’issues Mortalité, Morbidité
Mortalité nombre de décès causés par la maladie Morbidité nombre de personnes malades à cause
de la maladie
25
Mesure de l’issue
Éléments à considérer par le chercheur: Évaluation du traitement
Comment pouvons-nous comparer différentes interventions?
Ex: qu’est-ce qui a le plus d’impact sur la réduction du risque de maladie cardiaque: la réduction de l’obésité ou la réduction du tabagisme?
Ex: le traitement A est-il meilleur que le traitement B?
26
Objectif En épidémiologie et en biostatistique le chercheur
doit appliquer correctement chacune des étapes suivantes:1. définition du problème de recherche 2. planification du projet3. conduction de la recherche4. analyse des données5. interprétation des résulats
27
Test statistiques et
construction de modèles
Test statistiques et
construction de modèles
Question de
recherche
Question de
recherche
28
29
Projet de session
Principales étapes en analyse de donnéesNSG 5592
Bloc 1b
30
Principales étapes en analyse des données
31
DonnéesPlan d’enquêteStratégie
d’échantillonnageAcquisition des données
Statistiques descriptives
Description des données
Données transformées et recodées
Transformationdes données
Verdict sur les hypothèses
Test d’hypothèse
Modèles de prédiction
Construction de modèles
1
2
Travail d’équipe Illustrer chaque élément du schéma avec
exemple concret ou possible Discuter de la raison d’être de chaque
élément
32
Principales étapes en analyse des données
33
DonnéesPlan d’enquêteStratégie
d’échantillonnageAcquisition des données
Statistiques descriptives
Description des données
Données transformées et recodées
Transformationdes données
Verdict sur les hypothèses
Test d’hypothèse
Modèles de prédiction
Construction de modèles
1
2
Stratégie d’échantillonnage Échantillon représentatif de la population Types de échantillon
aléatoire aléatoire simple systématique opportun stratifié en grappes
Calendrier de collecte des données
34
Acquisition des données
Sources des données Primaires (nouvelles données :sondage, enquête,
questionnaire administré ou auto administré) Secondaires (données existantes, ex. bases de données
administratives, bases de données que l’on achète, etc.) Qualité des données – Dimensions de la qualité Techniques d’estimation des données manquantes
Régression (imputation) à partir d’autres variables Interpolation entre période précédente et période suivante
35
Principales étapes en analyse des données
36
DonnéesPlan d’enquêteStratégie
d’échantillonnageAcquisition des données
Statistiques descriptives
Description des données
Données transformées et recodées
Transformationdes données
Verdict sur les hypothèses
Test d’hypothèse
Modèles de prédiction
Construction de modèles
1
2
Description des données
Analyses univariées sur les facteurs de risque sur les autres variables sur les indicateurs de la maladie
Types d’analyses univariées moyenne, médiane, écart-type, erreur-type, … pour les
variables continues tableaux de fréquences et histogrammes pour variables
discrètes (catégorielles) Cours 3 (statistiques descriptives)
37
Description des données
Analyses bivariées maladie vs indicateurs de maladie
Spécificité, sensibilité maladie vs facteurs de risque et autres variables
Tableaux croisés Graphiques de dispersion
Cours 2 et 3
38
Principales étapes en analyse des données
39
DonnéesPlan d’enquêteStratégie
d’échantillonnageAcquisition des données
Statistiques descriptives
Description des données
Données transformées et recodées
Transformationdes données
Verdict sur les hypothèses
Test d’hypothèse
Modèles de prédiction
Construction de modèles
1
2
Recodage et transformation des données
Recodage des données Pour détecter les données aberrantes Pour réduire le nombre de catégories d’une variable
discrète Pour définir une variable discrète à partir d’une variable
continue (en utilisant un seuil spécifique) ex: Obèse = IMC>30
Transformation des données Pour changer l’échelle Pour stabiliser la variance
40
Principales étapes en analyse des données
41
DonnéesPlan d’enquêteStratégie
d’échantillonnageAcquisition des données
Statistiques descriptives
Description des données
Données transformées et recodées
Transformationdes données
Verdict sur les hypothèses
Test d’hypothèse
Modèles de prédiction
Construction de modèles
1
2
Tests d’hypothèses
Concepts impliqués: Maladie vs facteurs de risque
Objectif: déterminer quels facteurs de risque ont un impact sur la maladie
Maladie vs traitements Objectif: déterminer quels traitements aident à réduire
l’incidence de la maladie Progression de la maladie
Objectif: déterminer comment la maladie évolue avec/sans facteurs de risque, avec/sans traitement
42
Tests d’hypothèses Questions typiques:
le taux de mortalité est-il le même dans les deux groupes?
la proportion d’obèses est-elle la même dans les deux groupes?
43
Tests d’hypothèses
Pour tester les hypothèses, le chercheur définit H0 [« hypothèse nulle »] (l’hypothèse selon laquelle il
n’y a pas d’effet, pas de différence entre les groupes, etc…) détermine le test approprié (selon le type de variables, la
taille échantillonnale, etc…) ex: test t de Student, Khi-carré, …
choisit l’erreur de type I type I (niveau ) = Probabilité de rejeter erronément H0
44
Tests d’hypothèses calcule la statistique appropriée
ex: t de Student, Khi-carré, … compare la statistique à la valeur théorique détermine s’il faut rejeter H0 ou non Cours 4 à 6
45
Principales étapes en analyse des données
46
DonnéesPlan d’enquêteStratégie
d’échantillonnageAcquisition des données
Statistiques descriptives
Description des données
Données transformées et recodées
Transformationdes données
Verdict sur les hypothèses
Test d’hypothèse
Modèles de prédiction
Construction de modèles
1
2
Construction de modèles
Dans la modélisation, le chercheur résume la variable d’intérêt avec une équation (=
un modèle) détermine si ce modèle décrit « bien » la situation
observée prédit comment évolue le modèle lorsque
certaines variables changent (et par conséquent prédit comment évolue la variable d’intérêt)
47
Construction de modèles Modèles typiques:
le poids dépend de la taille et de l’âge est-ce que la probabilité de mourir du cancer du
poumon varie selon l’âge et l’ obésité? les personnes plus riches vivent plus longtemps.
48
Construction de modèles
Pour construire un modèle, le chercheur choisit la variable dépendante
ex: issue de la maladie (1=vivant, 0=décédé) choisit les variables explicatives (= « indépendantes » )
ex: sexe, âge, toutes les variables examinées dans les analyses bivariées et qui sont significatives
choisit la forme appropriée de l’équation ex: linéaire, logistique, …
examine les coefficients et conserve un modèle « simple » Cours 8, 9, 10
49
Arbre du cours
50
Quelques exemples…
51
Fin des sections 1a et 1b
52
Plan du premier cours (suite)
Objectif 3: Expliquer les attentes concernant le projet de session
Objectif 4: Discuter sur le travail de la semaine
53
Plan du premier cours (suite)Objectif 4: Discuter sur le travail de la semaine
1. Lectures: Accéder sources documentaires (Article du Prel, Rohrig et Blettner, 2009)
2. Logiciel SPSS : Obtenir accès (labs Ottawa U ou achat copie étudiante)
3. Campus virtuel : Présentations à compléter (Background, expérience en statistiques et expectatives pour ce cours)
4. Entamer refléxion sur le travail d’équipe
54
Vocabulaire semaine 1 (voir évaluation formative dans CV)
Veuillez définir les termes suivants en précisant votre source documentaire. En vos propres mots, expliquer la relation entre les termes de chaque ensemble.
Ensemble 1 : Incidence - Prévalence Ensemble 2 : Spécificité - Sensibilité Ensemble 3 : Statistique - Statistiques Ensemble 4 : Biostatistique - Épidémiologie
55