Les études d'épidémiologie et l'importance de la conception des études

J'aime la santé, les podcasts et les données. L'autre jour, j'écoutais le podcast de Joe Rogan où il a interviewé le Dr Joel Khan et Chris Kresser. Le Dr Joel Kahn est un cardiologue végétalien qui croit que la nutrition à base de plantes est la source la plus puissante de médecine préventive sur la planète. Chris Kresser dirige le Centre de médecine fonctionnelle de Californie et préconise un régime paléo ou ancestral. Avec Joe Rogan modérateur, c’est près de 4 heures de purement génial pour moi.

Le podcast responsable de m'avoir envoyé dans le terrier de l'épidémiologie.

Au cours de leurs débats, ils ont souvent fait référence à différentes études épidémiologiques pour étayer leurs revendications. Mais souvent, tout au long du podcast, quelqu'un a mentionné le manque de fiabilité de ces études et en a énuméré de multiples raisons. Je voulais donc explorer le domaine de l’épidémiologie et examiner les différents types d’études épidémiologiques, leurs pièges et la raison pour laquelle nous ne pouvons pas toujours faire confiance à l’interprétation des résultats donnée par une personne.

Qu'est-ce que l'épidémiologie?

L’épidémiologie est la science qui permet de comprendre comment ce à quoi nous sommes exposés ou ce que nous faisons peut affecter la santé en général de la société. Les épidémiologistes étudient toutes les maladies et recherchent les tendances. Les épidémiologistes posent souvent les questions suivantes: Qui a contracté la maladie? Pourquoi l'ont-ils eu? Où ces groupes de personnes ont-ils des similitudes et des différences? Comment pouvons-nous prévenir cette maladie? Les épidémiologistes agissent en tant que détectives; ils étudient les données et essaient de trouver la véritable source de ce qui cause la maladie dans la population.

Cependant, les données sont souvent très difficiles à comprendre. Ce n’est pas parce qu’une personne a été exposée à quelque chose et qu’elle est tombée malade qu’elle est liée. Les épidémiologistes ont beaucoup de difficulté à démontrer le lien de causalité et doivent souvent en déduire qu’il n’ya qu’une association entre une exposition et un résultat.

Une exposition est un facteur pouvant contribuer à l’obtention d’un résultat intéressant. Par exemple, si vous étudiez le diabète, certaines expositions peuvent inclure les aliments que vous mangez, les niveaux d’exercice, les pesticides et les facteurs environnementaux. Pendant ce temps, le diabète serait le résultat.

Avant de commencer à traiter et à analyser les données, il est extrêmement important de vous assurer que vous mesurez correctement et utilisez les bonnes méthodologies.

Il y a généralement 5 explications différentes pour expliquer pourquoi une chose peut avoir une signification statistique:

  1. Chance
  2. Biais
  3. La confusion
  4. Causation Inverse
  5. Causalité

La chance est lorsque nous obtenons un résultat particulier, mais il n’ya aucune association. Les statistiques sont appliquées pour réduire le nombre de chances que nous pouvons obtenir.

Un biais apparaît quand il semble y avoir une association là-bas, mais l’association découle d’une erreur systématique dans la manière dont l’étude a été réalisée. Vous pouvez avoir un biais de sélection ou un biais d’information.

Le biais de sélection est causé par la manière dont les participants sont choisis ou choisissent de participer. C’est quand l’échantillon ne représente pas la population. Un exemple de ceci est le biais de l'utilisateur en bonne santé: les personnes en bonne santé sont généralement plus intéressées par la santé et sont plus susceptibles de faire du bénévolat pour participer à une étude sur la santé.

Biais d'information: provient d'une erreur de mesure. Un exemple de ceci est le biais de rappel, cela se produit lorsque les participants dont les résultats sont défavorables peuvent ruminer sur les causes possibles de leur maladie et par conséquent rappeler l’exposition différemment des témoins. D'autres formes incluent le biais de l'intervieweur, le biais de l'observateur et le biais du répondant. Il existe même un biais au dernier chiffre, une forme de biais de l’observateur qui se produit souvent lorsqu’on prend de la tension artérielle; Souvent, la personne qui prend votre tension artérielle arrondira les chiffres à 0 ou 5.

Confusion: se produit lorsque les résultats de l'étude sur l'association entre l'exposition et les résultats sont faussés par la présence d'une autre variable. Chris Kresser en donne un exemple parfait:

Supposons que vous vouliez étudier le lien entre la viande rouge et le cancer. Il est facile d’examiner les données et de conclure à une association claire entre les deux. Cependant, on a longtemps pensé que manger de la viande rouge était mauvais pour la santé et que les malfaiteurs avaient tendance à adopter d'autres habitudes néfastes pour la santé, comme fumer, manger moins de produits, avoir un IMC élevé, être moins actif physiquement, etc. . Alors, comment savons-nous que c'est la viande rouge qui a provoqué le cancer?

Ces variables supplémentaires sont des facteurs de confusion et doivent être prises en compte. Les facteurs de confusion ont une relation entre l'exposition et le résultat. Un moyen de contourner la confusion est d’avoir un groupe de contrôle à comparer, la randomisation, la stratification de vos données en divisant votre population en sous-groupes homogènes ou en imposant des restrictions. Les méthodes statistiques peuvent également mettre en évidence des facteurs de confusion.

Reverse Causation: C’est exactement ce que cela ressemble, c’est quand on peut regarder une association des deux côtés. Il est à noter que les personnes souffrant de douleurs au genou sont obèses; on peut donc en conclure que l’obésité est une cause de douleur au genou, mais que la douleur au genou peut effectivement rendre les personnes moins actives, puis obèses.

Causalité: nous pouvons être en mesure d’affirmer la causalité après avoir exclu toute possibilité de hasard, de biais, de confusion et de causalité inversée.

Avoir une étude bien conçue est important pour éviter de tomber dans le hasard, les préjugés et la confusion. Avant de procéder à l'analyse, vous devez être en mesure de les exclure. Les méthodes statistiques ne peuvent pas compenser les défauts de conception d'une étude.

Quels sont certains des plans d'étude épidémiologiques?

Il existe deux moyens principaux d'obtenir des données, par expérience ou par observation.

Les études observationnelles sont des études dans lesquelles le chercheur observe mais n’interfère pas.

Étude cas-témoins: Étude comparant deux groupes, votre groupe de cas et votre groupe de contrôle. Les deux groupes seront très similaires, mais vos patients auront une maladie particulière et le groupe témoin ne le fera pas. Les deux groupes seront interrogés sur leurs expositions passées à des facteurs de risque particuliers. Le groupe de contrôle fournit une estimation de base des expositions. Si le groupe de cas est plus exposé que prévu à un facteur de risque particulier, on peut éventuellement dire qu'il existe une association entre ce facteur et la maladie. Les études cas-témoins sont idéales pour trouver la source d'une éclosion de maladie d'origine alimentaire.

En 2003, une épidémie d’hépatite A s’est déclarée en Pennsylvanie. Ils se sont vite rendu compte que tous les patients traités mangeaient au même restaurant, mais cela n’a pas suffi pour en arriver à une contamination des aliments. Ils ont donc présenté un groupe de contrôle aux personnes qui ont également mangé là pendant la même période mais ne sont pas tombées malades. Parmi les 100 produits au menu, ils ont pu déterminer que 94% des patients traités consommaient de la salsa, contre 39% du groupe témoin. Après d'autres travaux de détective, il s'est avéré que ce sont les oignons verts. Maintenant, la FDA peut aller de l'avant et émettre les avertissements publics appropriés.

Étude de cohorte: commence avec une exposition d'intérêt. Vous prenez alors un groupe de personnes avec cette exposition. Trouvez un autre groupe semblable à tous égards au premier groupe, à l'exception de l'absence de l'exposition à l'étude. Ensuite, vous les suivez au fil du temps. Les études de cohorte peuvent également être réalisées rétrospectivement, lorsque vous avez deux groupes et examinez leur passé. Les études de cohorte rétrospectives sont utiles lorsque vous étudiez une maladie qui prend beaucoup de temps à se développer. Un très bon ensemble de données couvrant suffisamment de temps pourrait fournir suffisamment d'informations pour mener une étude de cohorte.

Étude transversale: fournit un instantané d'une population à un moment donné. Nous prenons un peu de temps ou une coupe transversale et l’étudions. Ils visent à fournir des données sur une population entière. Des études transversales vérifient la prévalence de la maladie à l'étude. La prévalence est le nombre total de cas de la maladie dans une population donnée pour une période donnée. Les études transversales sont utilisées lorsque les ressources et le temps sont limités.

Série de cas

Étudie un groupe de personnes qui ont la même maladie ou la même exposition et cherche d’autres caractéristiques similaires parmi elles. En 1983, le VIH a été découvert après avoir étudié la présence de formes rares de pneumonie et de cancer dans les rapports de médecins concernant leurs patients de sexe masculin ayant des relations sexuelles avec d'autres hommes. Les séries de cas sont extrêmement vulnérables au biais de sélection.

Essais de contrôle randomisés

Sont vraiment bons pour faire face à la confusion. Nous commençons avec un groupe de participants volontaires, puis nous les attribuons au hasard à deux groupes.

Groupe d'intervention: Le groupe qui reçoit le traitement à l'étude.

Groupe de contrôle: reçoit un placebo.

Les deux groupes sont ensuite suivis dans le temps et les données sont comparées.

Les essais contrôlés randomisés sont vraiment efficaces pour traiter les variables confusionnelles. Vous pouvez supposer qu'une variable de confusion est également distribuée uniformément entre les deux groupes. L’effet est essentiellement neutralisé, vous n’avez même pas besoin de savoir quelle est la variable de confusion.

L'aveuglement est souvent utilisé pour obtenir des résultats organiques. Blinded, c'est quand les participants ne savent pas à quel groupe ils appartiennent, Double Blinded, quand les participants et les chercheurs ne savent pas à quel groupe appartient tout le monde, Triple Blinded est un double aveugle mais les statisticiens qui effectuent l'analyse du test aussi ne sais pas, et Unblinded est quand tout le monde sait.

Certains problèmes liés aux essais randomisés concernent le coût et le temps nécessaire à leur réalisation, les conflits d’intérêts et les problèmes éthiques.

Mes principaux plats à emporter

La conception d'une étude est d'une importance cruciale. Lorsque vous avez une bonne conception d'étude, les résultats que vous obtenez sont significatifs et significatifs. Sinon, vous pouvez tirer de fausses conclusions et éventuellement créer des problèmes encore plus graves. Non seulement vous devez garder cela à l’esprit pour vos futures études, mais vous devez aussi garder cela à l’esprit lors de la lecture des études d’autres peuples. Il est très facile de créer des données pour raconter la mauvaise histoire.

Je ne veux pas être ce gars, Ancel Keys. Mais c’est une histoire pour un autre jour…

Ancel Keys