Nsg 5592 module 1

Bienvenus au cours:

NSG 5592: Analyse statistique en sciences infirmières

Hiver 20111

Plan du premier cours Objectif 1: Nous connaitre et établir les règles du

jeu Présentation des participants Background, expérience en statistiques et

expectatives Discussion du plan de cours et questions

logistiques

2

Plan du premier cours (suite)

Objectif 2: Se familiariser avec les : concepts de base en statistique sources de données principales étapes en analyse de données

3


Objectif 3: Expliquer les attentes concernant le projet de session

Objectif 4: Discuter sur le travail de la semaine

4

Concepts de baseNSG 5592Module 1a

5

Cadre conceptuel

6

Cadre conceptuel

7

Facteurs de risque

Autres variables

Maladie

Traitement, Intervention

GuérisonMorbiditéMortalité

Cadre conceptuel

8

Facteurs de risque

Autres variables

Maladie

Traitement, Intervention

GuérisonMorbiditéMortalité

Diagnostic, DépistageQualité des indicateurs Incidence, Prévalence

Plan d’analyseÉvaluation desinterventions

Éléments à considérer

Mesure des facteurs de risque et des autres variables Facteur de risque:

tout agent étiologique potentiel à l’étude plus précisément, un déterminant de la maladie

ex: IMC (indice de masse corporelle), tabagisme, …

Autres variables: Variables sociodémographiques

sexe, âge (continu ou par catégories) statut socio-économique, lieu de résidence, …

Variables liées au plan d’analyse hôpital, année, …

9

Définitions Statistiques:

Valeurs permettant de résumer des ensembles de données [« statistiques descriptives »] (ex: statistiques de natalité, mortalité, distribution du risque de cancer au Canada, …)

Statistique: valeur permettant de décrire la distribution d’une

variable en particulier (ex: moyenne, proportion, …) valeur obtenue dans un échantillon, permettant

d’estimer le paramètre d’une population

10

Définitions

Techniques statistiques: techniques basées sur la théorie des probabilités permettant de

tester des hypothèses construire des modèles

11

Définitions

Un test d’hypothèse consiste à vérifier si le paramètre d’une distribution (dans la population) est égal à une certaine valeur, étant donné la statistique observée

(dans l’échantillon) ex: moyenne échantillonnale= 28.5; Hypothèse nulle: moyenne dans

la population = 26 à celui d’une autre population

ex: moyenne échantillonnale (groupe 1)= 28.5; moyenne échantillonnale (groupe 2)= 30.1; Hypothèse nulle: les moyennes sont égales dans les deux populations

12

Définitions

Un modèle consiste à décrire de façon « simple » la relation qui existe entre les variables ex: décrire le poids en fonction de la taille, du sexe,

de la taille

13

Définitions Biostatistique: Application à la biologie des

techniques statistiques

Épidémiologie: Étude de la distribution et des déterminants de la fréquence des maladies

14

Définitions La biostatistique et l’épidémiologie sont des

champs d’étude proches. La biostatistique a une approche davantage

orientée vers les tests d’hypothèse et peut s’appliquer au contexte clinique

L’épidémiologie a une approche davantage orientée vers la description des maladies et la recherche des causes

15

Cadre conceptuel

16

Facteurs de risque

Autres variables

MaladieGuérisonMorbiditéMortalité

Mesure de la maladie

Traitement/Intervention

Mesure de la maladie

17

Dépistage de la population

Auto-rapportés

Diagnostiqués

Hospitalisés

Décédés La décision sur la manière de définir la maladiedépend de la source

d’information.Plus on descend, plus on obtient

de cas, mais au risque d’être moins spécifique

L’iceberg de la maladie

(tiré de Woodward, 2005)

Mark Woodward (2005) Epidemiology – Study design and data analysis – Second edition Chapman & Hall

Mesure de la maladie Dénombrement des cas (iceberg de la

maladie) Population à risque Nombre de cas, taux de cas

Incidence, Prévalence ( Module 2)

18

Mesure de la maladie Éléments à considérer par le chercheur:

Qualité du diagnostic ( Module 2) vrais / faux positifs vrais / faux négatifs spécificité, sensibilité

19

Cadre conceptuel

20

Facteurs de risque

Autres variables


Mesure du traitement


Mesure du traitement

Éléments à considérer par le chercheur: Plan d’enquête ( Module 2)

Utiliser un plan qui permet de répondre à la question de recherche

Examen de la relation de cause à effet

21

Mesure du traitement(dans le devis expérimentaux)

Traitement individuel ou par groupe Sélection aléatoire Traitement à simple, double ou triple insu

Considérations éthiques

22

Cadre conceptuel

23

Facteurs de risque

Autres variables


Mesure de l’issue


Mesure de l’issue

24

Population totale

Nombre de susceptibles

Nombre d’exposés

Nombre d’infectés

Nombre de maladesNombre de décès /Population totale =

Nombre de décès /N. de maladesX

N. de malades / N. d’infectésX

N. d’infectés / N. d’exposésX

N. d’exposés / N. de susceptiblesX

N. de susceptibles / Pop. totale

Nombre de décès

James F. Jekel, David L. Katz, Joann G. Elmore (2001) Epidemiology, Biostatistics and Preventive Medicine – Second edition W. B. Saunders Company

Mesure de l’issue

Nombre ou taux d’issues Mortalité, Morbidité

Mortalité nombre de décès causés par la maladie Morbidité nombre de personnes malades à cause

de la maladie

25

Mesure de l’issue

Éléments à considérer par le chercheur: Évaluation du traitement

Comment pouvons-nous comparer différentes interventions?

Ex: qu’est-ce qui a le plus d’impact sur la réduction du risque de maladie cardiaque: la réduction de l’obésité ou la réduction du tabagisme?

Ex: le traitement A est-il meilleur que le traitement B?

26

Objectif En épidémiologie et en biostatistique le chercheur

doit appliquer correctement chacune des étapes suivantes:1. définition du problème de recherche 2. planification du projet3. conduction de la recherche4. analyse des données5. interprétation des résulats

27

Test statistiques et

construction de modèles

Test statistiques et

construction de modèles

Question de

recherche

Question de

recherche

28

29

Projet de session

Principales étapes en analyse de donnéesNSG 5592

Bloc 1b

30

Principales étapes en analyse des données

31

DonnéesPlan d’enquêteStratégie

d’échantillonnageAcquisition des données

Statistiques descriptives

Description des données

Données transformées et recodées

Transformationdes données

Verdict sur les hypothèses

Test d’hypothèse

Modèles de prédiction

Construction de modèles

1

2

Travail d’équipe Illustrer chaque élément du schéma avec

exemple concret ou possible Discuter de la raison d’être de chaque

élément

32


33








Test d’hypothèse



1

2

Stratégie d’échantillonnage Échantillon représentatif de la population Types de échantillon

aléatoire aléatoire simple systématique opportun stratifié en grappes

Calendrier de collecte des données

34

Acquisition des données

Sources des données Primaires (nouvelles données :sondage, enquête,

questionnaire administré ou auto administré) Secondaires (données existantes, ex. bases de données

administratives, bases de données que l’on achète, etc.) Qualité des données – Dimensions de la qualité Techniques d’estimation des données manquantes

Régression (imputation) à partir d’autres variables Interpolation entre période précédente et période suivante

35


36








Test d’hypothèse



1

2


Analyses univariées sur les facteurs de risque sur les autres variables sur les indicateurs de la maladie

Types d’analyses univariées moyenne, médiane, écart-type, erreur-type, … pour les

variables continues tableaux de fréquences et histogrammes pour variables

discrètes (catégorielles) Cours 3 (statistiques descriptives)

37


Analyses bivariées maladie vs indicateurs de maladie

Spécificité, sensibilité maladie vs facteurs de risque et autres variables

Tableaux croisés Graphiques de dispersion

Cours 2 et 3

38


39








Test d’hypothèse



1

2

Recodage et transformation des données

Recodage des données Pour détecter les données aberrantes Pour réduire le nombre de catégories d’une variable

discrète Pour définir une variable discrète à partir d’une variable

continue (en utilisant un seuil spécifique) ex: Obèse = IMC>30

Transformation des données Pour changer l’échelle Pour stabiliser la variance

40


41








Test d’hypothèse



1

2

Tests d’hypothèses

Concepts impliqués: Maladie vs facteurs de risque

Objectif: déterminer quels facteurs de risque ont un impact sur la maladie

Maladie vs traitements Objectif: déterminer quels traitements aident à réduire

l’incidence de la maladie Progression de la maladie

Objectif: déterminer comment la maladie évolue avec/sans facteurs de risque, avec/sans traitement

42

Tests d’hypothèses Questions typiques:

le taux de mortalité est-il le même dans les deux groupes?

la proportion d’obèses est-elle la même dans les deux groupes?

43

Tests d’hypothèses

Pour tester les hypothèses, le chercheur définit H0 [« hypothèse nulle »] (l’hypothèse selon laquelle il

n’y a pas d’effet, pas de différence entre les groupes, etc…) détermine le test approprié (selon le type de variables, la

taille échantillonnale, etc…) ex: test t de Student, Khi-carré, …

choisit l’erreur de type I type I (niveau ) = Probabilité de rejeter erronément H0

44

Tests d’hypothèses calcule la statistique appropriée

ex: t de Student, Khi-carré, … compare la statistique à la valeur théorique détermine s’il faut rejeter H0 ou non Cours 4 à 6

45


46








Test d’hypothèse



1

2


Dans la modélisation, le chercheur résume la variable d’intérêt avec une équation (=

un modèle) détermine si ce modèle décrit « bien » la situation

observée prédit comment évolue le modèle lorsque

certaines variables changent (et par conséquent prédit comment évolue la variable d’intérêt)

47

Construction de modèles Modèles typiques:

le poids dépend de la taille et de l’âge est-ce que la probabilité de mourir du cancer du

poumon varie selon l’âge et l’ obésité? les personnes plus riches vivent plus longtemps.

48


Pour construire un modèle, le chercheur choisit la variable dépendante

ex: issue de la maladie (1=vivant, 0=décédé) choisit les variables explicatives (= « indépendantes » )

ex: sexe, âge, toutes les variables examinées dans les analyses bivariées et qui sont significatives

choisit la forme appropriée de l’équation ex: linéaire, logistique, …

examine les coefficients et conserve un modèle « simple » Cours 8, 9, 10

49

Arbre du cours

50

Quelques exemples…

51

Fin des sections 1a et 1b

52


Objectif 3: Expliquer les attentes concernant le projet de session

Objectif 4: Discuter sur le travail de la semaine

53

Plan du premier cours (suite)Objectif 4: Discuter sur le travail de la semaine

1. Lectures: Accéder sources documentaires (Article du Prel, Rohrig et Blettner, 2009)

2. Logiciel SPSS : Obtenir accès (labs Ottawa U ou achat copie étudiante)

3. Campus virtuel : Présentations à compléter (Background, expérience en statistiques et expectatives pour ce cours)

4. Entamer refléxion sur le travail d’équipe

54

Vocabulaire semaine 1 (voir évaluation formative dans CV)

Veuillez définir les termes suivants en précisant votre source documentaire. En vos propres mots, expliquer la relation entre les termes de chaque ensemble.

Ensemble 1 : Incidence - Prévalence Ensemble 2 : Spécificité - Sensibilité Ensemble 3 : Statistique - Statistiques Ensemble 4 : Biostatistique - Épidémiologie

55

Documents

Nsg 5592 module 1