Cours d pid miologie
Download
1 / 233

Cours d’épidémiologie - PowerPoint PPT Presentation


  • 485 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



    Anaes recommandation indicateurs
    ANAES : recommandation « Indicateurs »




















    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


    Etude exposés / non exposés :

    • Le principe :

    Exposés

    Non exposés


    Etude exposés / non exposés :

    • Le principe :

    Exposés

    temps

    Non exposés


    Etude exposés / non exposés :

    • Le principe :

    ---> Malades Non malades

    Exposés

    temps

    Non exposés


    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


    Etude de cas et de témoins :

    • Principe :

    Malades

    Non malades


    Etude de cas et de témoins :

    • Principe :

    Exposition

    au facteur ?

    Malades

    Non malades

    Oui

    Non


    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


    Etude de cas et de témoins :

    • Un exemple historique : tabagisme et cancer du poumon



    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



    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 : épidémiologiques

    • 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


    Mesures de risque

    Mesures de risque épidémiologiques


    Les mesures de risque
    Les mesures de risque épidémiologiques

    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 épidémiologiques

    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 épidémiologiques

    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 épidémiologiques

    • 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 épidémiologiques

    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 épidémiologiques

    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 : épidémiologiques

    • 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 : épidémiologiques

    • 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 : épidémiologiques

    • 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 : épidémiologiques

    • 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 : épidémiologiques

    • 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 : épidémiologiques

    • 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 épidémiologiques

    • 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 épidémiologiques 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 épidémiologiques 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 épidémiologiques 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 épidémiologiques 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 ** épidémiologiques

    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 =- épidémiologiques

    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) ** épidémiologiques

    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 : épidémiologiques

    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 : épidémiologiques

    On observe

    une modification de l ’effet

    caractéristique liée à la consommation de café


    Confusion ou modification r gles
    Confusion ou modification ? Règles : épidémiologiques

    • 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 épidémiologiques

    • 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 épidémiologiques

    • 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 épidémiologiques

    • 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 !


    Quiz 4 analyse stratifi e
    Quiz 4 : analyse stratifiée épidémiologiques


    Mesures d impact

    Mesures d ’impact épidémiologiques


    Les mesures d impact
    Les mesures d ’impact : épidémiologiques

    • 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 : épidémiologiques

    • 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 : épidémiologiques

    • 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 : épidémiologiques

    • 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 : épidémiologiques

    • 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 : épidémiologiques

    Extrait de « Epidémiologie d ’intervention »


    Les mesures d impact6
    Les mesures d ’impact : épidémiologiques

    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 ?



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


    Le d pistage
    Le dépistage …. Hill

    La vérité est ailleurs …….


    Plan suivi1
    Plan suivi : Hill

    • 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 Hill

    • « 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 Hill

    • « 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 Hill

    • 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 Hill

    • Le résultat du test est un pari :


    Evaluation du d pistage1
    Evaluation du dépistage Hill

    • 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 : Hill

    • 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 : Hill

    • 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 : Hill

    • Les problèmes :

      • les faux positifs FP :

        • cas du VIH : coût et problème psychologique

        • cancer du sein : méthodes invasives, erreurs, cancérophobie


    Pr valence
    Prévalence : Hill

    • 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 : Hill

    • 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 : Hill

    • 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 : Hill

    • 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 : Hill

    • 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 : Hill

    • 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 Se, Sp, FN, FP

    • 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.


    Coût : Se, Sp, FN, FP

    • exemples pour le VIH :


    Co t vih don du sang
    Coût : VIH, don du sang Se, Sp, FN, FP




    Co t vih synth se
    Coût : VIH, synthèse Se, Sp, FN, FP

    • 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 Se, Sp, FN, FP

    • Pour le dépistage prénuptial :

      • Sans commentaire !

      • Coût par cas dépisté > 800 000F


    Evaluation du d pistage premiers l ments
    Evaluation du dépistage : premiers éléments Se, Sp, FN, FP

    • 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 Se, Sp, FN, FP

    • Exemples de deux dépistages de cancer :

      • cancer du sein

      • cancer du colon


    D pistage du cancer du sein
    Dépistage du cancer du sein : Se, Sp, FN, FP

    • 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 : Se, Sp, FN, FP

    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 : Se, Sp, FN, FP

    • Généralisation du programme








    D pistage du cancer du sein valuation3
    Dépistage du cancer du sein : évaluation Se, Sp, FN, FP

    • Un bilan pour l ’instant mitigé :


    D pistage du cancer du sein valuation4
    Dépistage du cancer du sein : évaluation Se, Sp, FN, FP

    • 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 Se, Sp, FN, FP

    • 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 Se, Sp, FN, FP

    • 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 : Se, Sp, FN, FP

    • 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 : Se, Sp, FN, FP

    • 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 Se, Sp, FN, FP

    • 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 Se, Sp, FN, FP

    • 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 Se, Sp, FN, FP

    • 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 Se, Sp, FN, FP

    • 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 : Se, Sp, FN, FP

    • 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 : Se, Sp, FN, FP

    • 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.


    Le dépistage …. Se, Sp, FN, FP

    La vérité est ailleurs …….



    Quiz 5
    Quiz 5 : Se, Sp, FN, FP


    ad