Biais (3) : Biais de confusion

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

Un biais de confusion (ou biais d’interprétation, ou biais d’analyse) est un paramètre lié à la fois à l’exposition et à l’événement étudiés et responsable de tout ou partie de leur association en (pharmaco-)épidémiologie.

Pour identifier si un facteur externe est un facteur de confusion, il faut vérifier 3 conditions :

1. Association entre l’exposition et le tiers facteur
2. Relation causale entre le tiers facteur et la maladie
3. Le tiers facteur ne doit pas être sur le chemin causal exposition/événement. [10]

Biais d’indication

Le biais d’indication survient lorsque le médicament est prescrit chez des patients à risque plus faible ou plus élevé de présenter l’événement, ou plus ou moins susceptibles de recevoir un médicament.

Exemple : Metformine vs. Sulfonylurées et risque d’infarctus du myocarde (IDM) : on observe un surrisque d’IDM pour la metformine. En fait, la metformine est indiquée chez les diabétiques obèses et ce n’est pas le cas des sulfonylurées. L’obésité est un facteur de risque d’IDM. Il y a confusion par l’indication (obésité) pour le risque d’IDM.

• Comment limiter ce type de biais ? Appariement/ajustement sur des facteurs de confusion, utilisation d’un score de propension (études de cohorte), ou d’un score de risque de maladie (études cas-témoins), afin d’équilibrer les groupes en fonction de plusieurs variables explicatives. Regarder les précautions d’emploi de chaque médicament et exclure les patients ne pouvant pas recevoir l’un des médicaments. Prendre un groupe contrôle avec une probabilité identique de présenter l’évènement, en dehors du facteur étudié (pas toujours possible).

Biais des risques compétitifs (survie)

On parle de risques compétitifs lorsque la survenue d’un événement modifie la probabilité d’observer l’événement d’intérêt.

Exemple : Dans les études de survie en cancérologie, le décès peut se produire avant d’observer la rechute de la maladie.

• Comment limiter ce type de biais ? Utilisation de modèles statistiques adaptés, prenant en compte les risques compétitifs (modèle de Fine et Gray, par exemple).

Pour aller plus loin, le biais de temps immortel

Le biais de temps immortel survient principalement dans les études de cohorte lorsqu’une période de temps immortel est imposée dans le schéma de l’étude. La période de temps immortel correspond à la période survenant entre la date de début de suivi et la date de début d’exposition durant laquelle l’événement ne peut pas survenir. Les patients doivent obligatoirement survivre jusqu’à ce que les critères définissant l’exposition soient remplis, provoquant ainsi un avantage de survie. [11]

Exemple : Une étude montrait une réduction de la mortalité de l’infection à COVID-19 avec l’hydroxychloroquine seule ou en association à l’azithromycine en comparaison à l’absence de traitement. Tous les patients hospitalisés pour une infection à COVID-19 étaient inclus dans l’étude. Mais, dans cette étude, on retrouve une période de temps immortel d’en moyenne une journée entre le début du suivi et l’exposition à l’hydroxychloroquine. Les patients « exposés » doivent avoir survécu à cette période pour être inclus dans le groupe « exposés ». [12]

• Comment limiter ce type de biais ? Utiliser un modèle statistique où l’exposition est considérée comme une variable dépendante du temps, utiliser une approche de type cas-témoins nichée dans une cohorte avec appariement des cas et des témoins sur la durée de suivi.

Références

10 ENCePP Home Page. https://www.encepp.eu/standards_and_guidances/methodologicalGuide.shtml (accessed 11 Mar 2022).
11 Faillie J-L, Suissa S. Le biais de temps immortel dans les études pharmacoépidémiologiques : définition, solutions et exemples. Therapies 2015;70:259–63. doi:10.2515/therapie/2014207
12 Arshad S, Kilgore P, Chaudhry ZS, et al. Treatment with hydroxychloroquine, azithromycin, and combination in patients hospitalized with COVID-19. Int J Infect Dis 2020;97:396–403. doi:10.1016/j.ijid.2020.06.099

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