cours d pid miologie
Download
Skip this Video
Download Presentation
Cours d’épidémiologie

Loading in 2 Seconds...

play fullscreen
1 / 233

Cours d’épidémiologie - PowerPoint PPT Presentation


  • 495 Views
  • Uploaded on

Cours d’épidémiologie. Robert J. FREUND E.N.S.P. Rennes. Plan suivi : 1/2. A quoi sert l ’épidémiologie ? Histoire des épidémies Histoire des épidémiologistes Définition de l ’épidémiologie Principales données en épidémiologie La description épidémiologique :

loader
I am the owner, or an agent authorized to act on behalf of the owner, of the copyrighted work described.
capcha
Download Presentation

PowerPoint Slideshow about ' Cours d’épidémiologie' - turi


An Image/Link below is provided (as is) to download presentation

Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author.While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server.


- - - - - - - - - - - - - - - - - - - - - - - - - - E N D - - - - - - - - - - - - - - - - - - - - - - - - - -
Presentation Transcript
cours d pid miologie

Cours d’épidémiologie

Robert J. FREUND

E.N.S.P.

Rennes

plan suivi 1 2
Plan suivi : 1/2
  • A quoi sert l ’épidémiologie ?
  • Histoire des épidémies
  • Histoire des épidémiologistes
  • Définition de l ’épidémiologie
  • Principales données en épidémiologie
  • La description épidémiologique :
    • Temps / Lieu / Personne
  • Quels indicateurs et pourquoi ?
plan suivi 2 2
Plan suivi : 2/2
  • Standardisation des taux
  • Attitude descriptive ou explicative
  • Situation expérimentale ou observation
  • Porte d\'entrée : maladie ou exposition
  • Regard critique : attention aux biais
  • Les enquêtes étiologiques
  • Epidémiologie et évaluation :
    • évaluation du dépistage
les histoires r centes des histoires de crises
Les histoires récentes …..…. des histoires de crises !
  • Amiante, 1970-1995
  • Légionnelloses, 1973 …. et après !
  • SIDA, 1981
  • Hormone de croissance , 1985
  • Sang contaminé, 1985
  • ESB et prion, 1985-1995
  • Trichinoses à partir de 1985
  • Listérioses
  • Canicule de l’été 2003
y a t il un pilote dans l appareil
« Y a-t-il un pilote dans l ’appareil ? »
  • Comprendre l ’inertie du système face aux crises ?

Qui pilote en cas de crise ?

  • La connaissance, domaine de l ’épidémiologie
  • La décision, domaine du décideur
  • L ’action de santé publique, domaine du professionnel
  • L ’évaluation, domaine en partie couvert par l ’épidémiologie

Le problème reste :

« le fossé connaissance ---> action »

mais a quoi sert donc l pid miologie
Mais …… a quoi sert donc l ’épidémiologie ?
  • Etude et recherche :
    • amélioration de la connaissance
  • Production d ’une partie des informations nécessaires à la décision :
    • priorisation des problèmes
    • définition des actions, programmes et politiques
mais a quoi sert donc l pid miologie1
Mais …… a quoi sert donc l ’épidémiologie ?
  • Evaluation :
    • impact réel des actions et programmes
    • reformulation des actions et programmes
les pid mies travers l histoire
Les épidémies à travers l ’histoire
  • 1141 av JC : La peste des Philistins, La Bible, livre de Samuel, Ch. 2 ;
    • épidémie de peste bubonique
  • 701 av JC : paludisme pernicieux des assyriens devant Jerusalem
  • 165 ap JC : Peste d ’Antonin
  • III-Vème siècle : pestes en 252 et 254, varioles en 312
  • 1580 : épidémie de coqueluche à Paris
les pid mies travers l histoire1
Les épidémies à travers l ’histoire
  • XVI ème siècle : épidémie de syphilis
  • 1723 : fièvre jaune
  • 18xx : choléra
  • 1889, 1918, 1957 : grippe asiatique
  • 19ème siècle : tuberculose
  • SIDA
  • MST
  • Légionelloses
  • Salmonelloses
les pid mies travers l histoire2
Les épidémies à travers l ’histoire
  • Listérioses
  • Kreutzfeld-Jacob
  • ESB
  • Antibiorésistances

Santé publique et maladies transmissibles :

un sujet toujours actuel

l histoire et les pid miologistes
L ’histoire et les épidémiologistes
  • Hippocrate 460 av JC :
    • EN DEMOS :distribution constante des maladies dans une population
    • EPI DEMOS : maladies qui envahissent brutalement certaines populations pendant un certain temps
  • Paracelse, 1493, Suisse:
    • Maladies des mineurs et métallurgistes du tyrol ; toxicité de l ’arsenic et du mercure ; traitement par bains
l histoire et les pid miologistes1
L ’histoire et les épidémiologistes
  • Fracastoro, 1530, Venise :
    • Epidémie de « vérole »
  • John Lind, 1747, GB :
    • Citron et scorbut à bord du « Salisbury »
  • Louis René Villermé :
    • Santé et conditions de travail : cancer du scrotum (« les bourses ») des ramoneurs.
  • John Snow , 1849, GB :
    • Choléra, eau, réseau d ’adduction.
l histoire et les pid miologistes2
L ’histoire et les épidémiologistes
  • Pasteur, 18xx, France :
    • Génération spontanée.
  • Goldberger, 1914, USA :
    • Nutrition, conditions de vie et de travail, pellagre.
d finition de l pid miologie
Définition de l ’épidémiologie
  • Le Petit ROBERT :
    • Epidémie, du grec epidemos
      • Qui circule dans le pays.
      • Grand nombre de cas ou accroissement important des cas à un moment à un endroit donné.
      • Qui se propage
d finition de l pid miologie1
Définition de l ’épidémiologie
  • Le Petit ROBERT :
    • Epidémiologie :
      • Rapports existant entre maladies et différents facteurs, mode de vie, milieu ambiant ou social, particularités individuelles.
d finition de l pid miologie2
Définition de l ’épidémiologie
  • Brian MacMahon, 1958, USA:
    • L ’épidémiologie étudie :
      • la distribution
      • et les causes

des différences de niveau de santé à l ’intérieur des groupes humaines et entre ces groupes.

principales donn es en pid miologie
Principales données en épidémiologie
  • Démographie :
    • recensement de la population (INSEE)
    • état civil : naissances, décès
  • Mortalité :
    • bulletins de décès
    • cause médicale de décès (CMD)
    • statistiques des CMD
principales donn es en pid miologie1
Principales données en épidémiologie
  • Morbidité :
    • dénombrement de malades selon une classification
    • morbidité :
      • diagnostiquée
      • ressentie
      • réelle ou « objective »
      • totale ( totale <----> « objective » ?? )
principales donn es en pid miologie2
Principales données en épidémiologie
  • Morbidité étendue :
    • déficience : niveau médical
    • incapacité : niveau fonctionnel
    • handicap : niveau social
  • Morbidité comportementale : répercussion socio-économique de la maladie
la description pid miologique t l p
La description épidémiologique T / L / P
  • Temps, lieu et personne
    • Le temps = le mode de propagation
    • Le lieu = la source du phénomène
    • La personne = le groupe à risque, les facteurs de risque
le temps
Le temps
  • Variation séculaire :

Nombre de cas de tuberculose

1945

1998

le temps1
Le temps
  • Variation saisonnière :

Nombre de cas de grippe par semaine

Novembre

Oct.

Mai

le temps2
Le temps
  • Variation hebdomadaire :

Nombre d ’entrées

Lun Mar Mer Jeu Ven Sam Dim

le temps3
Le temps
  • Variation horaire :

Nombre d ’entrées

0h 24h

le lieu
Le lieu
  • Pays, région, département, ville
  • Collectivité : usine, école, hôpital
  • Définit la population : ensemble défini et fini !
  • Notion de pathologie géographique
la personne
La personne
  • Variables « personnelles » :
    • sexe
    • âge
    • rang de naissance
    • religion
    • ethnie
    • niveau d ’études
    • domicile
    • « catégorie socio-professionnelle »
sources de donn es
Sources de données
  • Démographie
    • INSEE, INED
  • Mortalité :
    • INSEE, INSERM
    • Données des registres
sources de donn es1
Sources de données
  • Morbidité :
    • Les registres
    • Les MDO (voir transparent spécifique)
    • Les réseaux
      • sentinelles
      • GROG
      • des laboratoires (RENAGO, RENAVIE)
      • des centres de référence (salmonelloses, listérioses, grippes, … = 40 )
sources de donn es2
Sources de données
  • Morbidité (suite)
    • Les enquêtes en établissement de soins :
      • DREES (auparavant SESI)
    • Les enquêtes nationales :
      • Enquête décennale INSEE-CREDES
    • Le PMSI
sources de donn es3
Sources de données
  • Morbidité (suite et fin) :
    • Les organismes de sécurité sociale :
      • affections de longue durée
      • le conseil médical
    • Les laboratoires (analyse médicale, ana-path.)
    • Les accidents du travail
    • Les maladies professionnelles
    • Les tableaux de bord régionaux (ORS)
strat gie en pid miologie
Stratégie en épidémiologie
  • Etape 1 : décrire le problème de santé à l ’étude
  • Etape 2 : identifier les différences de niveau de santé
  • Etape 3 : formuler des hypothèses explicatives
  • Etape 4 : développer le protocole d ’évaluation des hypothèses
  • Etape 5 : mettre en œuvre le protocole
  • Etape 6: rédiger les résultats du protocole et les recommandations
strat gie en pid miologie1
Stratégie en épidémiologie
  • Etape 7 : mettre en œuvre les recommandations
  • Etape 8 : évaluer l ’action ou le programme
  • Etape 9 : redéfinir l ’action de santé publique en fonction des résultats de l ’évaluation
  • et ainsi de suite ! …..
attitude descriptive
Attitude descriptive :
  • On souhaite mesurer un paramètre de santé :
    • pour faire apparaître des différences entre groupes dans la population
  • Ce qui conduit à formuler des hypothèses d\'explication qui sont alors testées en attitude explicative
attitude explicative
Attitude explicative :
  • En attitude explicative :
    • on explique une différence de santé par une exposition différente
    • on calcule le risque relatif (ou son estimation) de maladie lié à l\'exposition
  • Attitude explicative en médecine :
    • modèle étiologique = relation de cause à effet
trois situations possibles
Trois situations possibles :
  • Situation expérimentale :

On contrôle tous les facteurs de l\'étude :

    • maladie, exposition, dose, durée, mesure, nombre de sujets
    • Problème : éthique
trois situations possibles1
Trois situations possibles :
  • Situation semi - expérimentale :
    • Exemple : Tchernobyl

Inconvénient : non maîtrise de la plupart des facteurs de l\'étude

Avantage : situation exceptionnelle / éthique

trois situations possibles2
Trois situations possibles :
  • Observation naturelle :

L\'épidémiologiste se contente d\'observer la situation réelle

Avantage : éthique

Inconvénient : nombreux facteurs perturbant l\'observation ( dont les biais )

quels indicateurs et pourquoi
Quels indicateurs et pourquoi ?
  • Quel est votre objectif ?
    • mesurer la prévalence
    • mesurer l\'incidence
    • mesurer un risque
    • évaluer une action / un programme
les mesures en pid miologie pr valence
Les mesures en épidémiologie : prévalence
  • Mesurer la prévalence :
    • nombre de cas de la maladie à un moment donné
    • rapport (« taux ») de prévalence :

nombre de cas / population

    • le rapport de prévalence mesure la « probabilité » de rencontrer un malade dans la population
  • Mesure descriptive et transversale
  • Indicateur difficile à mesurer le plus souvent !
exemples de mesure de pr valence
Exemples de mesure de prévalence
  • Le protocole « enquête un jour donné » :
    • seroprévalence VIH dans les hôpitaux
    • morbidité hospitalière
    • infection à l ’hôpital (« nosocomiale »)
les mesures en pid miologie incidence
Les mesures en épidémiologie : incidence
  • Mesurer l\'incidence :
    • nombre de nouveaux cas pendant la période d\'observation. Attention :
        • nouveaux cas
        • période d\'observation
  • Taux d\'incidence dit encore « incidence cumulative » :

nbe de nouveaux cas / population à risque

au milieu de la période

  • Population à risque ?
  • Population au milieu de la période ?
les mesures en pid miologie incidence1
Les mesures en épidémiologie : incidence
  • Le taux d ’incidence ou incidence cumulative est une mesure grossière, souvent insuffisante
  • Exemple : tabac et cancer du poumon

Taux = nombre de cancers du poumon / nbe de fumeurs

  • On accorde au dénominateur le même poids aux fumeurs sans prendre en compte la durée de tabagisme, c ’est à dire l ’exposition !
  • La mesure est donc erronnée
les mesures en pid miologie incidence2
Les mesures en épidémiologie : incidence
  • Première amélioration :
  • Notion de personnes années à risque (PAR)

Un fumeur depuis 20 ans va compter pour 20 PAR

Densité d ’incidence = n cancers /  PAR

  • Critique : chaque fumeur a le même poids quelle que soit sa consommation !
les mesures en pid miologie incidence3
Les mesures en épidémiologie : incidence
  • On introduit la notion de dose d ’exposition
  • Dans le cas du tabagisme, le nombre de paquets par jour
  • Un fumeur de 2 paquets par jour pendants 25 ans est compté pour 50 paquets années (PqA)

Densité d ’incidence = n cancers /  PqA

les mesures en pid miologie risque
Les mesures en épidémiologie : risque
  • Mesurer un risque :
  • Qu ’est ce qu ’un risque ?
    • probabilité d ’apparition d ’un événement (notamment une maladie) pour un individu ou dans une population pendant une période donnée (Lellouch, dictionnaire d ’épidémiologie)
    • risque individuel : probabilité d ’apparition d ’un phénomène indésirable
    • risque collectif : probabilité d ’apparition d ’un phénomène indésirable dans une population.

RISQUE = RENCONTRE (DANGER X EXPOSITION)

exposition = f (intensité, nombre, voies, ...)

les mesures en pid miologie risque1
Les mesures en épidémiologie : risque
  • Mesure du risque : un exemple
    • le risque relatif ( RR )

Tx Incidence chez les exposés

---------------------------------------------------------------------------------------------------------------------------------------------------------

Tx Incidence chez les non exposés

Varie autour de 1

si < 1 effet protecteur

si > 1 effet néfaste

  • Peut être estimé d\'autre façon (OR ou RC )
  • D ’autres mesures de risque seront présentées ultérieurement.
les mesures en pid miologie risque2
Les mesures en épidémiologie : risque
  • L ’incidence est une mesure longitudinale
  • Plus facile à appréhender que la prévalence (attractivité des nouveaux cas, nombres plus faibles ..)
  • Toutefois ...
mesure du risque risqu
Mesure du risque : risqué !!
  • Facteur de risque :
    • de comportement
    • génétique
    • environnemental
    • social
  • Population à risque :
    • population qui partage le facteur
    • mais comment le savoir ?
    • qui compose la population à risque ?
quelques autres indicateurs
Quelques autres indicateurs :
  • Espérance de vie : nombre moyen d ’années à vivre calculé à partir des taux de décès par âge connus à la date de calcul.
  • EVSI : idem sans incapacité
  • Létalité (lethalité) : pourcentage de décès dans la maladie

n décès malades / N malades

quelques autres indicateurs1
Quelques autres indicateurs :
  • Indicateurs de résultats positifs :
    • taux brut de natalité = naissances viables par an pour 1000 habitants
    • taux global de fécondité = nbe de naissances pour 1000 femmes âgées de 15 à 44 ans
    • rappel : EV, EVSI
quelques autres indicateurs2
Quelques autres indicateurs :
  • Indicateurs de santé globale :
    • prend en compte
      • des mesures « objectives » : physiologie,
      • « subjectives » : perception et
      • des mesures d ’incapacité
  • Difficile à mettre en œuvre de façon cohérente dans le temps et dans l ’espace
conditions d application standardistion indirecte
Conditions d ’application : standardistion indirecte
  • La méthode est applicable si les histogrammes représentant les 2 populations à comparer ne se croisent pas !
  • Les autres méthodes de validation semblent incertaines ?
  • L ’effet de distorsion est peu prévisible
standardistion conclusion
Standardistion : conclusion
  • Les taux bruts ne sont jamais comparatifs !
  • Il y a au moins 2 types de problématiques :
    • celle de l ’épidémiologiste qui veut comparer des taux pour objectiver des différences
    • celle du planificateur qui a besoin de nombres pour dimensionner des services et non pas de taux
  • Les taux bruts sont dangereux, ils ne donnent qu ’un ordre de grandeur du phénomène et incitent à comparer !!
porte d entr e dans l tude
Porte d\'entrée dans l\'étude :
  • 1 / - Par la maladie :
    • on sait déterminer de façon indubitable l\'état malade / non malade
    • on sait où trouver des malades et des non malades ( témoins )
  • Il s\'agit d\'une étude de cas et de témoins

( case control study )

porte d entr e dans l tude1
Porte d\'entrée dans l\'étude :
  • 2 / - Par l\'exposition :
    • on sait de façon indubitable classer la population en exposés et non-exposés
    • on sait mesurer l\'exposition
  • Il s\'agit :
    • d\'études de cohorte
    • d\'études exposés / non exposés
observation et biais
Observation et biais :
  • Un biais est un effet systématique qui agit en permanence et toujours dans le même sens pour fausser l\'observation.
  • Biais de sélection, particulièrement dangereux dans les essais cliniques
  • Biais d\'information
  • Biais de confusion ( " tiers facteur " )
biais de s lection
Biais de sélection :
  • Principe :

les populations comparées ( malades / non malades ou exposées / non exposées) sont choisies avec un mode implicite de sélection précisément en liaison avec l ’hypothèse testée

  • « Healthy worker effect » : biais du travailleur en bonne santé (« costaud »)
    • résultat : minimise l ’effet néfaste éventuel du facteur d ’exposition suspecté sur la santé des travailleurs
biais de s lection1
Biais de sélection :
  • Enquête porte à porte : ignore les absents, les refus de répondre, les immeubles protégés, …
  • Enquête « guichet » : sélectionne les seules présents et/ou ceux qui sont « sympas », …
  • Centre d ’examen de santé de la S.S.
    • sélectionne les disponibles, les « non-travailleurs », les hypochondriaques, etc...
biais d information
Biais d ’information :
  • Principe : l ’information disponible pour les populations comparées ( malades / non malades ou exposées / non exposées) n ’est pas de même nature, n ’a pas la même qualité, …
  • Danger : risque d ’avoir plus d ’information sur les malades ou les exposés, ce qui va dans le sens des hypothèses testées.
biais d information1
Biais d ’information :
  • Exemple 1 :
    • malades à l ’hôpital / non malades en population générale
    • dossiers médical contre ???
    • les malades sont aussi plus vigilants
  • Exemple 2 :
    • des travailleurs a priori exposés sont plus suivis, d ’où meilleures données et plus de diagnostics en général.
biais d information2
Biais d ’information :
  • Exemple 3 :
    • biais de diagnostic : la connaissance des risques encourus peut générer un « acharnement diagnostic » en faveur de l ’hypothèse testée

= les personnes soumises au facteur suspecté ont plus de chance d ’être diagnostiquées.

biais de confusion
Biais de confusion :
  • Synonymes : tiers facteur, tierce variable, facteur ou variable de confusion ( « confunding »)
  • Principe : une variable peut en cacher une autre !
  • Mais encore : on attribue à une variable l ’effet d ’une autre !
  • Exemple : la « guerre des maternités » publiques et privées dans les années 70 !
biais de confusion1
Biais de confusion :
  • Exemple 2 :
    • la vitesse tue au volant !
  • Exemples 3 :
    • malheureusement la plupart des variables de comportement apparaissent liées dans une population. (tabac, alcool, …)
    • En conséquence, le risque est grand d ’avoir un effet de confusion !
    • Pizza, bière et ulcère ...
biais de confusion2
Biais de confusion :
  • Heureusement :
    • on peut analyser a posteriori ( bivariée et multivariée) les données en fonction des variables de confusion suspectées
    • une des méthodes est la stratification a priori selon Mantel et Haenszel
    • la méthode sera vue en détail plus loin.
biais synth se
Biais : synthèse
  • Le biais de confusion peut être analysé et neutralisé a posteriori
  • Les biais d ’information et de sélection une fois manifestés sont irréductibles
  • Il convient donc dans toute la mesure du possible de les prendre en compte au moment de la conception du protocole.
les tudes vis e tiologique1
Les études à visée étiologique :
  • A partir de l\'exposition :
    • expérimentales : essai clinique
    • d\'observation :
      • exposés / non exposés
      • de cohorte
  • A partir de la maladie :
    • étude de cas et de témoins
l essai clinique
L\'essai clinique :

Effet bénéfique de A : RR < 1

Effet néfaste de A : RR > 1

l essai clinique1
L\'essai clinique :
  • Rappel statistique (pour mémoire!) :
    • Significativité et test de Khi-deux:

La significativité d\'un résultat est la probabilité d\'observer ce résultat du seul fait du hasard

Cette probabilité est estimée ici au moyen du calcul d\'une statistique, le khi-deux

l essai clinique2
L\'essai clinique :
  • Force d\'association :

Ce n\'est pas la significativité !

La force d\'association mesure l\'intensité de l\'association entre un facteur d\'exposition et la maladie

Mesurée par le risque relatif RR

( ou évaluée par OR )

l essai clinique3
L\'essai clinique :

Effet bénéfique de A si RR > 1

Effet néfaste si de A si RR < 1

l essai clinique4
L\'essai clinique :
  • Interprétation de l\'intervalle de confiance :
    • Exemples :

0,45 -------- 0,80 inférieur à 1

1,87 ---------12,34 supérieur à 1

0,22 --------- 1,28 pas différent de 1

0,80 --------- 18,56 pas différent de 1

l essai clinique5
L\'essai clinique :
  • L\'ordinateur calcule pour vous !
l essai clinique6
L\'essai clinique :
  • Regard critique sur notre étude :
    • classification malade / non malade
    • contrôle de l\'allocation aléatoire des traitements
    • analyse des biais :
      • de sélection !!
      • d\'information (plus d\'info chez les malades )
      • de confusion
    • nombre de sujets et précision
slide107

Etude exposés / non exposés :

  • Le principe :

Exposés

Non exposés

slide108

Etude exposés / non exposés :

  • Le principe :

Exposés

temps

Non exposés

slide109

Etude exposés / non exposés :

  • Le principe :

---> Malades Non malades

Exposés

temps

Non exposés

slide110

Etude exposés / non exposés :

  • Le principe :

---> Malades Non malades

Exposés

a

b

temps

c

d

Non exposés

etude expos s non expos s
Etude exposés / non exposés :
  • Champ d\'utilisation:
    • santé au travail
    • risques technologiques
  • Inconvénients :
    • risque de biais d\'où faible comparabilité des 2 groupes
  • Avantages :
    • étude réalisable quand on ne peut définir une cohorte vraie E/NE
etude expos s non expos s1
Etude exposés / non exposés :
  • Interprétation statistique :
      • identique en tous points à l\'essai clinique :
        • khi -deux (valeur seuil à 3,84 avec 1 ddl )
        • RR
        • Intervalle de confiance
etude de cohorte
Etude de cohorte :
  • Principe :

----> Malades Non malades

Exposés

a b

temps

Non exposés

c d

etude de cohorte1
Etude de cohorte :
  • Définition d\'une cohorte :
    • groupe homogène de population partageant des conditions de vie aussi comparables que possible
    • par conséquent susceptible de partager les mêmes risques ( même "chance" de risque )
etude de cohorte2
Etude de cohorte :
  • Un exemple : enquête à OSWEGO (USA ) 1941
etude de cohorte3
Etude de cohorte :
  • Exemple d\'Oswego :
etude de cohorte4
Etude de cohorte :
  • Exemple d\'Oswego :
etude de cohorte5
Etude de cohorte :
  • Par rapport à Exposés / Non exposés :
    • plus objectif (moins de risque de biais )
    • nécessite de trouver la cohorte
      • santé et travail
      • médecine scolaire
      • collectivité en général
slide119

Etude de cas et de témoins :

  • Principe :

Malades

Non malades

slide120

Etude de cas et de témoins :

  • Principe :

Exposition

au facteur ?

Malades

Non malades

Oui

Non

slide121

Etude de cas et de témoins :

  • Principe :

Exposition

au facteur ?

Malades

Non malades

Oui a b

Non c d

etude de cas et de t moins
Etude de cas et de témoins :
  • Interprétation statistique :
etude de cas et de t moins1
Etude de cas et de témoins :
  • Interprétation statistique :
    • signification par rapport à 1
    • IC de même nature que RR
    • test de significativité : khi-deux
etude de cas et de t moins2
Etude de cas et de témoins :
  • Un exemple historique : tabagisme et cancer du poumon
slide125

Etude de cas et de témoins :

  • Un exemple historique : tabagisme et cancer du poumon
slide127

Etude de cas et de témoins :

  • Un exemple historique : tabagisme et cancer du poumon
etude de cas et de t moins3
Etude de cas et de témoins :
  • Attention aux erreurs :
    • les témoins malades !
  • Attention aux biais :
    • de sélection
    • d\'information
    • de confusion
les 6 crit res de causalit
Les 6 critères de causalité :
  • Cohérence temps et espace
    • répétition ailleurs et à d\'autres périodes
  • Force de l\'association
  • Spécificité de l\'association
    • un ex: diététique
  • Relation temporelle
  • Plausibilité clinique / biologique
  • Gradation biologique
    • Existence d\'une relation dose-effet
slide134

Types d\'étude : synthèse

Exposition

Maladie

temps

types d tude synth se
Types d\'étude : synthèse

Exposition

Maladie

temps

Cohorte prospective

Cas témoins

Cas témoins

Transversale

Transversale

Etude expérimentale

<--Cohorte rétrospective-->

plan suivi
Plan suivi :
  • Les différentes mesures de risque
  • Interaction entre variables :
    • confusion
    • modificateur de l ’effet
    • véritable interaction (au sens de Kenneth Rothman)
  • Analyse stratifiée
  • Un exemple
  • Les mesures d ’impact
les mesures de risque
Les mesures de risque

Notation :

1/- Etude de cohorte ou Exposés / Non - exposés :

Malades Non Malades

Exposés a b L1

Non Exposés c d L0

les mesures de risque1
Les mesures de risque

2/- Etude de cas et de témoins :

Malades Non Malades

Exposés a b

Non Exposés c d

C1 C0

les mesures de risque2
Les mesures de risque

Risque relatif :

Uniquement pour Cohorte ou Exposés / Non - exposés :

Malades Non Malades

Exposés a b L1

Non Exposés c d L0

Tx incidence exposés R1

RR = ------------------------------- ---- = ----------- = (a/L1) / (c/L0)

Tx incidence non exposés R0

les mesures de risque3
Les mesures de risque
  • Différence de risque :
  • DR = R1- R0
  • Mesure l ’excès de risque associé au facteur d ’exposition à l ’étude
  • Mesure absolue
  • Ne permet pas les comparaisons entre études
les mesures de risque un exemple
Les mesures de risque : un exemple

Exemple fictif extrait de « Epidémiologie d ’intervention »

Taux de décès

On note le résultat trompeur du RR dès lors qu ’il s ’agit de classer les facteurs selon l ’excès de risque, exprimé en nombre de décès, associé à chaque facteur!

les mesures de risque4
Les mesures de risque

Odds ratio ou rapport des cotes : Etude de cas et de témoins :

Malades Non Malades

Exposés a b

Non Exposés c d

C1C0

RC = (a/c) / (b/d) = ad / bc

RC est la seule mesure de risque calculable dans une enquête cas - témoins

rapport des cotes
Rapport des cotes :
  • Collections de cas et de témoins versus échantillons représentatifs
  • Proportion d ’exposés : une statistique dépourvue de sens ici
  • Cote d ’exposition, la seule solution acceptable à cause des « collections » non représentatives des malades et des sains.
interaction entre variables
Interaction entre variables :
  • Il est souvent difficile d ’identifier la ou les variables causales, car souvent les variables peuvent être liées les unes aux autres (comme par exemple les variables de comportement)
  • Trois situations doivent être distinguées :
    • 1/- La confusion

qui consiste à attribuer à la mauvaise variable l ’effet néfaste. La variable de confusion cache la vraie variable car elles sont en étroite liaison, mais seule la vraie variable a un effet néfaste

interaction entre variables1
Interaction entre variables :
  • 2/- La modification de l ’effet :

la variable incriminée ne joue pas le rôle de confusion mais cause une modification de l ’effet néfaste en fonction de ses différentes modalités. Seule une analyse stratifiée pour cette variable permettra alors d ’appréhender les vraies valeurs de force d ’association pour chacune des strates

Ex: Sexe, âge, PCS, peuvent être des modificateurs de l ’effet.

interaction entre variables2
Interaction entre variables :
  • 3/- Interaction véritable selon Rothman :
  • Il y a interaction si la présence simultanée de 2 variables provoquent un certain nombre de cas de maladie.
  • Exemple : effet de l ’amiante, du tabac et des 2 facteurs réunis sur le cancer pulmonaire : (d ’après Rothman)

On observe une synergie entre les 2 facteurs selon un modèle d ’interaction multiplicatif :

interaction entre variables3
Interaction entre variables :
  • Il y a interaction si 2 variables A et B ne sont pas indépendantes

et,

outre l ’effet propre de A et de B, s ’il existe un effet significatif de la combinaison (simultanée) AB

interaction entre variables4
Interaction entre variables :
  • 3/- Interaction :

Selon Kenneth ROTHMAN (« Modern epidemiology »)

Il y a interaction entre 2 variables A et B si :

_ _ __

I(AB) = R(AB) - R(AB) - R(AB) + R(AB)

car :

__ _ __ _ __

I(AB) = [R(AB) - R(AB)] - { [R(AB) - R(AB)] + [R(AB) - R(AB)] }

interaction entre variables analyse statistique
Interaction entre variables : analyse statistique
  • L ’analyse stratifiée permet d ’analyser a posteriori les données pour déterminer si une variable joue le rôle de variable de confusion, et permet aussi d ’identifier le ou les modificateur(s) de l ’effet.
  • L ’interaction vraie se mesure selon différents indicateurs :
    • mesure de la proportion attribuable de l ’interaction
    • index de synergie de Rothman
    • analyse multivariée

Des tests sont disponibles pour donner la signification de l ’interaction.

analyse stratifi e selon la m thode de mantel et haenszel
Analyse stratifiée selon la méthode de Mantel et Haenszel :
  • Notation : pour la strate i
      • Malades Non Malades
  • Exposés ai bi L1i
  • Non Exposés ci di L0i
  • C1i C0i Ti
  • On calcule pour chaque strate le RRi ou le ORi ou RCi
  • Puis on calcule RR pondéré ou OR pondéré ainsi que le Khi-deux pondéré (stratifié, ajusté, standardisé)
analyse stratifi e selon la m thode de mantel et haenszel1
Analyse stratifiée selon la méthode de Mantel et Haenszel :

Formulaire :

Pour la strate i

RRi = (ai / L1i ) / (ci / L0i)

ORi = (ai * di) / (bi * ci)

analyse stratifi e selon la m thode de mantel et haenszel2
Analyse stratifiée selon la méthode de Mantel et Haenszel :

Formulaire :

i [(ai *L0i ) / Ti ]

RRM-H = ---------------------------

i [(ci*L1i ) / Ti ]

i [(ai *di ) / Ti ]

ORM-H = ---------------------------

i [(bi*ci ) / Ti ]

analyse stratifi e selon la m thode de mantel et haenszel3
Analyse stratifiée selon la méthode de Mantel et Haenszel :

{iai - i[(L1i * C1i ) / Ti ]}²

²M-H = --------------------------------------------------------

i [(L1i * L0i* C1i * C0i ) / (Ti ² * {Ti - 1})]]

Fort heureusement, l ’ordinateur calcule !!

exemple de calcul

** Début d\'analyse Stratifiée **

JAMBONCUIT =+

VANILLE

MALADE | + - | Total

-----------+-------------+------

+ | 28 1 | 29

- | 6 11 | 17

-----------+-------------+------

Total | 34 12 | 46

Analyse d\'un tableau

Strate 1

Odds ratio 51.33

Limites de confiance de l\'OR selon Cornfield à 95% 4.84 < OR < 1315.70*

*peut-être imprécis

Estimation du maximum de vraissemblance de l\'OR (EMV) 45.40

Lim. exactes de conf. à 95% pour estim. max. vraiss. 5.09 < OR < 2283.90

Lim. exactes Mid-P à 95% pour estim. max. vraiss. 6.22 < OR < 1145.86

Proba. de l\'estim. max. vraiss. >= 45.40 si l\'OR de la pop. = 1.0 0.00000938

Risque relatif de (VANILLE=+) pour (MALADE=+) 2.74

Limites de confiance du RR à 95% 1.43 < RR < 5.23

Ignorez le risque relatif s\'il s\'agit d\'une étude cas-témoins

Khi2 p

----------- --------

Non-corrigé: 20.86 0.00000495 <---

Mantel-Haenszel: 20.40 0.00000627 <---

Yates corrigé: 17.80 0.00002452 <---

Test exact de Fisher: Valeur de p - unilatéral: 0.0000094 <---

Valeur de p - bilatéral: 0.0000094 <---

Une valeur attendue est < 5; résultats exacts de Fisher recommandés.

Exemple de calcul
exemple de calcul1

JAMBONCUIT =-

VANILLE

MALADE | + - | Total

-----------+-------------+------

+ | 15 2 | 17

- | 5 7 | 12

-----------+-------------+------

Total | 20 9 | 29

Analyse d\'un tableau

Strate 2

Odds ratio 10.50

Limites de confiance de l\'OR selon Cornfield à 95% 1.25 < OR < 112.13*

*peut-être imprécis

Estimation du maximum de vraissemblance de l\'OR (EMV) 9.51

Lim. exactes de conf. à 95% pour estim. max. vraiss. 1.27 < OR < 123.64

Lim. exactes Mid-P à 95% pour estim. max. vraiss. 1.57 < OR < 85.81

Proba. de l\'estim. max. vraiss. >= 9.51 si l\'OR de la pop. = 1.0 0.01161727

Risque relatif de (VANILLE=+) pour (MALADE=+) 2.12

Limites de confiance du RR à 95% 1.06 < RR < 4.23

Ignorez le risque relatif s\'il s\'agit d\'une étude cas-témoins

Khi2 p

----------- --------

Non-corrigé: 7.13 0.00759068 <---

Mantel-Haenszel: 6.88 0.00870774 <---

Yates corrigé: 5.12 0.02368101 <---

Test exact de Fisher: Valeur de p - unilatéral: 0.0116173 <---

Valeur de p - bilatéral: 0.0140446 <---

Une valeur attendue est < 5; résultats exacts de Fisher recommandés.

Exemple de calcul
exemple de calcul2

** Résumé des 2 tableaux (sans marge nulle) **

N = 75

Khi2 pondéré de Mantel-Haenszel 23.76

valeur de p 0.00000109

Khi2 pondéré (non corrigé) de Mantel-Haenszel 26.38

valeur de p 0.00000028

ODDS RATIO

OR brut obtenu sur les groupes discordants 23.45

Odds ratio pondéré de Mantel-Haenszel 21.71

Limites de confiance à 95% de l\'OR M-H 5.44 < OR < 86.64

Estimation du maximum de vraissemblance de l\'OR (EMV) 20.84

Lim. exactes de conf. à 95% pour estim. max. vraiss. 5.00 < OR < 127.70

Lim. exactes Mid-P à 95% pour estim. max. vraiss. 5.67 < OR < 100.97

Proba. de l\'estim. max. vraiss. >= 20.84 si l\'OR de la pop. = 1.0 0.00000034

Khi pour l\'évaluation de l\'interaction 1.14

valeur de p 0.28495792

Le Test ne suggère pas que les ORs sont différents par strate (interaction)

Si les valeurs (brute et pondérée) sont identiques, la confusion est faible.

En absence d\'interaction et de confusion, l\'analyse brute et

non-stratifiée (MALADE x VANILLE) peut être utilisée.

RISQUE RELATIF APRES STRATIFICATION (RR)

(Ignorer si étude de cas-témoin)

RR brut 2.46

RR de (VANILLE=+) pour (MALADE=+) 2.47

Limites de confiance du RR à 95% 1.53 < RR < 3.97

Khi pour l\'évaluation de l\'interaction 0.28

valeur de p 0.59624836

Le Test ne suggère pas que les RRs sont différents par strate (interaction)

Si les valeurs (brute et pondérée) sont identiques, la confusion est faible.

En absence d\'interaction et de confusion, l\'analyse brute et

non-stratifiée (MALADE x VANILLE) peut être utilisée.

** Fin de l\'analyse stratifiée **

Exemple de calcul
un exemple
Un exemple :

Données : étude des effets indésirables de 2 traitements A et B, et influence de la consommation de café sur les résultats.

Qu ’observe t - on ?

un exemple1
Un exemple :

On observe

une modification de l ’effet

caractéristique liée à la consommation de café

confusion ou modification r gles
Confusion ou modification ? Règles :
  • 1/- Les RR / OR bruts et M-H sont ils différents ?
    • Non : il n ’y a pas de confusion / modification
    • Oui : il y a confusion / modification
  • 2/- Les RR ou OR sont ils homogènes dans les différentes strates?
    • Oui : si l ’on a répondu oui à la question précédente, il y a confusion

Utiliser seulement les RR et OR ajustés de M-H

    • Non : il y a modification ; on ne peut présenter les données que pour chaque strate prise séparément et les valeurs pondérées de MH sont illicites de même que les RR ou OR bruts.
confusion modification synth se
Confusion, modification : synthèse
  • Un facteur de confusion potentielle :
    • 1/- doit être un facteur de risque de la maladie parmi les non exposés
    • 2/- doit être associé à la variable d ’exposition dans la population d ’où proviennent les cas.
    • 3/- L ’analyse stratifiée montre des RR/OR bruts et ajustés différents, et des RR/OR par strate comparables
confusion modification synth se1
Confusion, modification : synthèse
  • Ex 1 : maternités secteur public/privé :
    • le statut public/privé est bien un facteur global de risque parmi les grossesses sans risque au sens de toute grossesse comporte un risque
    • le statut est complètement associé aux cas à haut risque qui systématiquement étaient adressés au secteur public
  • Ex 2 : pizza, bière et ulcer :
    • la pizza peut très bien être un facteur de risque parmi les gens qui ne boivent pas de bière
    • la pizza est associée souvent à la prise de bière!
confusion modification synth se2
Confusion, modification : synthèse
  • Un facteur modificateur de l ’effet :
    • 1/- provoque l ’observation de RR/OR différents dans les strates après analyse stratifiée
    • 2/- correspond à un mécanisme hypothétique (biologiquement) plausible
    • 3/- n ’est pas une nuisance mais un enrichissement de notre connaissance !
les mesures d impact
Les mesures d ’impact :
  • Il s ’agit d ’évaluer l ’importance des risques mesurés en termes de santé publique.
  • Que signifie un risque relatif de XX.XX pour les personnes exposées et pour la population générale?
  • Plus précisément, il s ’agit de mesurer la part d ’un facteur de risque dans l ’ensemble des cas de maladie considérée
les mesures d impact1
Les mesures d ’impact :
  • Fraction étiologique chez les exposés :

C ’est la proportion de cas parmi les exposés que l ’on peut attribuer au facteur d ’exposition.

    • enquête de cohorte :

FEe = (R1- R0)/R1 = (RR - 1)/RR

    • enquête cas - témoins :

FEe = (OR -1)/OR

les mesures d impact2
Les mesures d ’impact :
  • Fraction étiologique dans la population :

C ’est la proportion de cas dans la population générale que l ’on peut attribuer au facteur d ’exposition. (Appelée parfois risque attribuable)

    • enquête de cohorte :

FEp = (RP- R0)/RP = [ a/(a + c)] * FEe

    • enquête cas - témoins :

FEp = [(b/C0)*(OR - 1)] / [(b/C0)* )*(OR - 1) + 1]

les mesures d impact3
Les mesures d ’impact :
  • Exemple de Doll et Hill (voir dias suivantes) :
  • Enquête de cas et de témoins :

Fee = (9.08-1)/9.08 = 89.0%

Fep = [0.955*(9.08-1)]/[(0.955*(9.08-1)+1] = 88.5%

Commenter ces résultats

les mesures d impact4
Les mesures d ’impact :
  • Enquête de cohorte :
  • Fee = (1.30-0.07)/1.30 = 94.6%
  • Fep = (133/136 )*0.946 = 0.925 = 92.5%

Commenter ces résultats et comparer aux précédents.

les mesures d impact5
Les mesures d ’impact :

Extrait de « Epidémiologie d ’intervention »

les mesures d impact6
Les mesures d ’impact :

Extrait de « Epidémiologie d ’intervention »

utilisation des mesures d impact exemple de doll et hill
Utilisation des mesures d ’impact : exemple de Doll et Hill

Extrait de « Epidémiologie d ’intervention »

On constate que la fraction étiologique est très élevée dès les basses doses et qu ’elle augmente de façon croissante avec la dose.

utilisation des mesures d impact exemple de doll et hill1
Utilisation des mesures d ’impact : exemple de Doll et Hill

Extrait de « Epidémiologie d ’intervention »

On constate ici que la fraction étiologique est beaucoup plus faible. Là encore, on note un léger effet d ’accroissement avec la dose

utilisation des mesures d impact exemple de doll et hill2
Utilisation des mesures d ’impact : exemple de Doll et Hill

Quels sont les résultats remarquables de ce tableau ?

slide179

Un exemple d ’évaluation épidémiologique :Les programmes de dépistage ,effets attendus et réels sur la santé des français

le d pistage
Le dépistage ….

La vérité est ailleurs …….

plan suivi1
Plan suivi :
  • Définitions utilisées
  • Le dépistage : un pari
  • Les problèmes liés au dépistage
  • Etude de 2 cas :
    • cancer du sein
    • cancer colo-rectal
  • Discussion
  • Conclusion
l valuation d finitions
L ’évaluation : définitions
  • « L ’évaluation consiste à mesurer, comparer (à une référence) puis à porter un jugement de valeur. »

in : Dictionnaire de l ’information en santé publique, RUSCH E. et THELOT B. ,ed. Frison-Roche, Paris, 1994.

  • Mesure du degré d ’atteinte d ’objectifs définis à l ’avance

adapté de « Evaluating health services effectiveness », St LEGER AS et al., Open university press, Philadelphia, 1992

l valuation d finitions1
L ’évaluation : définitions
  • « Evaluer consiste à porter un jugement de valeur sur une intervention en mettant en œuvre un dispositif permettant de fournir des informations scientifiquement valides […] de façon à ce que les différents acteurs soient en mesure de prendre position sur l ’intervention et de construire un jugement qui puisse se traduire en actions. »
  • in : Contandriopoulos AP et al. RESP, 200, 48, 517-539 : L ’évaluation dans le domaine de la santé, concepts et méthodes
  • L ’évaluation, espace de concertation.
evaluation du d pistage
Evaluation du dépistage
  • Problématique :

un test de dépistage donne un résultat qui peut soit être vrai, soit être faux. Comme nous ne connaîtrons pas immédiatement la réalité (vérité), il s ’agit d ’un pari.

  • Il est donc important d ’évaluer la qualité des tests de dépistage.
  • Le pari est le suivant :
evaluation du d pistage le pari
Evaluation du dépistage : le pari
  • Le résultat du test est un pari :
evaluation du d pistage1
Evaluation du dépistage
  • test de dépistage : terminologie

Se = VP/(VP + FN)

Sp = VN / (VN + FP)

VPP = VP / (VP + FP)

VPN = VN / (VN + FN)

probl mes li s au d pistage
Problèmes liés au dépistage :
  • De nombreux problèmes sont liés au dépistage :
    • FP et FN
    • Prévalence du phénomène étudié
    • Stratégie de dépistage et seuil de détection
    • Sensibilité et spécificité
    • Adhésion à la campagne
    • Coût
fp et fn
FP et FN :
  • Les problèmes :
    • les faux négatifs FN :
      • le cas du VIH :
        • donneur de sang,
        • usager de drogue injectable,
      • cancer colo-rectal
      • cancer du sein
fp et fn1
FP et FN :
  • Les problèmes :
    • les faux positifs FP :
      • cas du VIH : coût et problème psychologique
      • cancer du sein : méthodes invasives, erreurs, cancérophobie
pr valence
Prévalence :
  • Prévalence du phénomène étudié :
    • les résultats de tout test de dépistage sont fonction de la prévalence dans la population cible
    • Exemple : recherche des anticorps contre le VIH
influence de la pr valence
Influence de la prévalence :
  • Dans une population à faible prévalence, le test ELISA pose 2 problèmes :
    • le nombre de faux positifs est considérable
    • la valeur prédictive positive est très faible
influence de la pr valence2
Influence de la prévalence :
  • Conclusion : éviter de dépister en faible prévalence quand on recherche des positifs
  • Argument à prendre en compte pour établir une stratégie de dépistage pertinente.
strat gie de d pistage
Stratégie de dépistage :
  • On peut s ’intéresser à dépister des positifs :
    • cancers
    • VIH pour les toxicomanes
    • On souhaite certifier que les personnes sont indemnes et notifier de façon fiable les positifs = spécificité maximum, VPP maximum et seuil de détection haut
  • Ou bien à dépister des négatifs :
    • don du sang
    • on souhaite identifier si possible la quasi totalité des personnes atteintes pour valiser avec quasi certitude les dons négatifs = sensibilité maximum, VPN maximum et seuil de détection bas
  • Or la VPN et la VPP varient en sens inverse
  • Il est donc important d ’évaluer la faisabilité ainsi que la pertinence
sensibilit et sp cificit
Sensibilité et spécificité :
  • Rappels :

Se = VP/(VP + FN)

aptitude à diagnostiquer le plus de cas vrais

Spé = VN / (VN + FP)

aptitude à identifier le plus d ’indemnes vrais

  • Malheureusement Se et Spé varient en sens inverse, d ’où l ’importance de savoir si l ’on cherche des cas ou des indemnes
seuil de d tection
Seuil de détection :
  • De nombreux tests sont biologiques ; de ce fait ils obéissent à la variabilité fondamentale du monde vivant et donnent rarement un résultat en 0 ou 1.
  • Dans la plupart des cas, le test fournit un indicateur quantitatif qui suit une loi de Laplace-Gauss, traduisant la variabilité biologique fondamentale
  • On aboutit alors à un problème similaire à celui des test statistiques (seuil de décision) qui, ici est celui de la définition du seuil de détection, valeur à partir de laquelle on dira que la personne est atteinte.
test de d pistage relations entre seuil de d tection se sp fn fp
Test de dépistage : relations entre seuil de détection, Se, Sp, FN, FP

Seuil de détection

Sains

Malades

VN

VP

FN

FP

Se = VP/(VP + FN) si le seuil augmente, la Se diminue

Sp = VN / (VN + FP) si le seuil augmente, la Sp augmente

adh sion la campagne
Adhésion à la campagne
  • Obstacle important : quel pourcentage de la population à dépister adhère effectivement à la campagne ?
  • Le but est, en général, d ’obtenir une réduction de la mortalité. Cette réduction n ’est obtenue que si un % majoritaire adhère à la campagne.
slide201
Coût :
  • exemples pour le VIH :
co t vih synth se
Coût : VIH, synthèse
  • Pour le don du sang : coût très important des tests des positifs parmi lesquels de nombreux FP
    • les positifs représentent représentent environ

2%, il parait plus simple d ’écarter ces dons sans recherche ultérieure.

    • Mais : on perd la prévalence en population générale, et on ne diagnostique pas les VP
    • Donc, on effectue tous les test Western Blot sur tous les Elisa positifs
co t vih synth se1
Coût : VIH, synthèse
  • Pour le dépistage prénuptial :
    • Sans commentaire !
    • Coût par cas dépisté > 800 000F
evaluation du d pistage premiers l ments
Evaluation du dépistage : premiers éléments
  • Premiers enseignements :
    • 1/- le dépistage est très mal adapté à une population à très faible prévalence !!
    • 2/- il faut donc cibler les dépistages
      • soit en direction des groupes à risque : VIH, groupes à risque de cancer par ex.
      • soit dans les parties de la population où la prévalence est supposée forte : tranche 50 à 70, ce qui signifie que l ’on ne peut dépister avant 50 ans!
evaluation du d pistage2
Evaluation du dépistage
  • Exemples de deux dépistages de cancer :
    • cancer du sein
    • cancer du colon
d pistage du cancer du sein
Dépistage du cancer du sein :
  • Les enjeux :
    • 37000 entrées en ALD et 11 000 décès par an pour la période 95-97 (source : SCORE-Santé)
    • bénéfice attendu du dépistage :

jusqu ’à 30% de réduction de la mortalité

des tudes tr s prometteuses
Des études très prometteuses :

Tabar L, Fagerberg C, Gad A et al. Reduction in mortality from breast cancer after mass screening with mammography. Lancet 1985:1:829-832

des tudes tr s prometteuses2
Des études très prometteuses :
  • Généralisation du programme
d pistage du cancer du sein valuation3
Dépistage du cancer du sein : évaluation
  • Un bilan pour l ’instant mitigé :
d pistage du cancer du sein valuation4
Dépistage du cancer du sein : évaluation
  • Mais en constante amélioration
  • Une dynamique
    • de mobilisation,
    • d ’amélioration des pratiques et
    • d ’évaluation.
d pistage du cancer du sein valuation5
Dépistage du cancer du sein : évaluation
  • Parfois donne lieu à polémique :
  • Sur 1000 femmes dépistées entre 50 et 70 ans :
    • il y aura 45 cancers au total
    • le dépistage donnera 5 FN
    • 100 à 250 FP parmi lesquelles :
      • 40 biopsies
    • 35 diagnostics dont :
      • 11 décès inévitables
      • 24 cas de diagnostic incontournable de toute façon
    • enfin 5 diagnostics précoces utiles

Selon le Pr Paul Schaffer, in La Lettre de la SFSP, 1997, n°10

d pistage du cancer du sein valuation6
Dépistage du cancer du sein : évaluation
  • L ’épidémiologie apporte des données quantitatives et qualitatives sur le dépistage.
  • Elle contribue à établir un jugement
    • de qualité et
    • de pertinence.
  • Le dépistage du cancer du sein doit aussi être discuté et évalué au plan politique.
d pistage du cancer du colon
Dépistage du cancer du colon :
  • Les enjeux :
    • environ 33000 nouveaux cas par an et 16000 décès. (Source ANAES Conférence de consensus, 1998)
    • réduction de mortalité possible de 15 à 25%
  • Un test de dépistage moyennement performant : le test Hemoccult II (Se de 25 à 90%, Spe 90%)
d pistage du cancer du colon1
Dépistage du cancer du colon :
  • Des recommandations précises de l ’ANAES : organisation d ’expériences pilotes régionales avant généralisation.
  • Des retards à la mise en route.
  • Impatience de certains acteurs :
d pistage du cancer du colon valuation
Dépistage du cancer du colon : évaluation
  • Remarques similaires à celles effectuées pour le cancer du sein : nécessité d ’adhésion au programme.
  • Des effets délétères moindres.
  • Des enjeux encore plus importants :
    • nombre de décès
    • répartition F/H
  • Evaluation technique médiocre ?
evaluation du d pistage discussion
Evaluation du dépistage : discussion
  • Le dépistage n ’est pas une machine performante!
  • Le dépistage présente des défauts techniques et des effets délétères importants
  • Mais il oblige à de profondes modifications de pratiques :
    • évaluation de qualité des actes
    • coordination et coopération
    • concertation et mobilisation
  • Il permet à une part importante de la population d ’avoir accès au dispositif ; en ce sens il procède plus d ’une logique d ’équité que de performance.
  • Le dépistage représente donc une dynamique de santé publique et l ’émanation d ’une politique.
les 10 principes d un bon d pistage de masse
Les 10 principes d\'un bon dépistage de masse
  • 1 - La maladie cible constitue un problème "important" de Santé Publique
  • 2 - L\'histoire naturelle de la maladie est connue et il existe un stade de latence
  • 3 - Il existe un traitement
  • 4 - L\'intervention au stade précoce de la maladie influence favorablement l\'évolution et le pronostic
  • 5 - Il existe un examen de dépistage performant au stade de latence ou précoce de la maladie
les 10 principes d un bon d pistage de masse1
Les 10 principes d\'un bon dépistage de masse
  • 6 - Les techniques de dépistage et le traitement doivent être acceptables
  • 7 - Le programme doit cibler la population à risque
  • 8 - Le programme de dépistage peut être réalisé de façon continue
  • 9 - On dispose des infrastructures nécessaires pour le diagnostic et le traitement des sujets dépistés
  • 10 - Le coût du programme est acceptable
conclusion
Conclusion :
  • L ’épidémiologie contribue aux niveaux opérationnels et tactiques à la mise en place et à l ’évaluation des actions de dépistage.
  • Le dépistage n ’est pas le merveilleux objet technique que l ’on présente parfois.
  • Son intérêt réel est lié aux conditions d ’environnement (prévalence, adhésion)
conclusion1
Conclusion :
  • La pertinence de sa mise en œuvre dépend du choix des politiques de santé.
  • L ’impact actuel le plus apparent sur la santé de la population est la dynamique de coordination, d ’évaluation et de remise en cause des pratiques liées à son introduction dans les politiques de santé.
slide231

Le dépistage ….

La vérité est ailleurs …….

ad