coronavirus logo V9 

Biais (1) : Biais de sélection

Retour au sommaire
Aller à la fiche précédente (Introduction aux biais en pharmaco-épidémiologie)
Aller à la fiche suivante (Biais (2) : Biais de classement)

Points clés

  • Biais sur le recrutement des sujets
  • Risque : population étude ≠ population cible (problème de représentativité)

Un biais de sélection survient lorsque la répartition des exposés/non exposés et malades/non malades n’est pas représentative de la population cible. Tous les types d’étude sont soumis au biais de sélection.

Biais de déplétion des susceptibles (ou biais de prévalence, biais de Neyman)

Pour certains effets indésirables, le risque diminue après une période à haut risque en début de traitement. Or, les patients qui prennent un médicament sur le long terme sont ceux qui le tolèrent bien alors que ceux qui ont présenté au début des effets indésirables ont pu arrêter le traitement (= « déplétion des susceptibles »).

Le biais survient lorsqu’on compare des utilisateurs incidents (c’est-à-dire de nouveaux utilisateurs, donc à risque élevé d’effets indésirables) à des utilisateurs prévalents (à risque moindre car il y a eu déplétion).

Exemple : On a observé plus de thromboses veineuses profondes avec les nouveaux oestroprogestatifs (OP) qu’avec les anciens. En fait, on a comparé des utilisateurs prévalents d’anciens OP à de nouveaux utilisateurs de nouveaux OP et le risque était plus élevé en début de traitement.

  • Comment limiter ce type de biais ? Eviter les utilisateurs prévalents en n’incluant que de nouveaux utilisateurs (utilisateurs incidents) pour les deux groupes d’exposition : new user design.

Biais de participation (études de terrain)

Le biais de participation survient lorsque les caractéristiques en lien avec l’exposition/événement des personnes recrutées dans l’étude sont différentes de celles qui décident de ne pas participer.

Exemple : Vous souhaitez évaluer le risque de cancer du pancréas chez les patients traités par antidiabétiques oraux (ADO). Vous identifiez l’ensemble des patients sous ADO à partir d’une base de remboursements, puis vous leur envoyez un auto-questionnaire pour connaître la survenue d’un cancer du pancréas. Les patients souffrant d’un cancer du pancréas auront plus tendance à vous répondre que les patients « indemnes ».

  • Comment limiter ce type de biais ? Obtenir un taux de réponse d’au moins 80 % pour l’étude, et vérifier que les caractéristiques des répondants ne diffèrent pas de celles des non répondants.

Biais d’hospitalisation (biais de Berckson)

Le biais de Berckson survient lorsque la probabilité d’être hospitalisé est différente selon que les sujets présentent une caractéristique liée au paramètre étudié, ou non.

Exemple : Vous souhaitez étudier le risque de salpingite chez les patientes utilisatrices d’un dispositif intra-utérin. Les femmes présentant une salpingite sous dispositif intra-utérin sont plus susceptibles d’être hospitalisées, en comparaison aux femmes sous contraception orale. Si votre population est composée uniquement de patientes hospitalisées, cela pourrait aboutir à surestimer le risque de salpingite sous dispositif intra-utérin.

  • Comment limiter ce type de biais ? Témoins représentatifs de la population d’où sont issus les cas, avec la même probabilité a priori d’avoir été exposés et de présenter l’événement d’intérêt que les cas.

Aller à la fiche précédente (Introduction aux biais en pharmaco-épidémiologie)
Aller à la fiche suivante (Biais (2) : Biais de classement)
Retour au sommaire

Imprimer E-mail