Nsg 5592 module 1
Upcoming SlideShare
Loading in...5
×
 

Like this? Share it with your network

Share

Nsg 5592 module 1

on

  • 1,052 views

 

Statistics

Views

Total Views
1,052
Views on SlideShare
1,050
Embed Views
2

Actions

Likes
0
Downloads
102
Comments
0

1 Embed 2

http://vista4.uottawa.ca 2

Accessibility

Categories

Upload Details

Uploaded via as Microsoft PowerPoint

Usage Rights

© All Rights Reserved

Report content

Flagged as inappropriate Flag as inappropriate
Flag as inappropriate

Select your reason for flagging this presentation as inappropriate.

Cancel
  • Full Name Full Name Comment goes here.
    Are you sure you want to
    Your message goes here
    Processing…
Post Comment
Edit your comment
  • Exemple : En obstétrique, nous cherchons à savoir s’il existe un lien la température de la salle de travail et le niveau de douleur éprouvée par les femmes en travail (mesuré sur une échelle de douleur)
  • Types de échantillon – Page 13 Triola et Triola, 2009 http://www.statcan.gc.ca/edu/power-pouvoir/ch13/sample-echantillon/5214900-fra.htm La méthode d'échantillonnage Il existe deux types de méthodes d'échantillonnage : L'échantillonnage probabiliste et l'échantillonnage non probabiliste. La différence entre les deux tient au fait que dans le cas de l'échantillonnage probabiliste chaque unité a une « chance » d'être sélectionnée et que cette chance peut être quantifiée, ce qui n'est pas vrai pour l'échantillonnage non probabiliste; dans ce cas, chaque unité incluse à l'intérieur d'une population n'a pas une chance égale d'être sélectionnée. La section suivante décrit les caractéristiques des deux types d'échantillonnages et fournit des détails sur certaines des méthodes reliées à chaque type. http://www.statcan.gc.ca/edu/power-pouvoir/ch13/prob/5214899-fra.htm https://www.webdepot.umontreal.ca/Enseignement/SOCIO/Intranet/Sondage/public/presentations/echantillons_typesshw.pdf

Nsg 5592 module 1 Presentation Transcript

  • 1. Bienvenus au cours: NSG 5592: Analyse statistique en sciences infirmières Hiver 2011
  • 2. Plan du premier cours
    • Objectif 1 : Nous connaitre et établir les règles du jeu
    • Pr ésentation des participants
    • Background, expérience en statistiques et expectatives
    • Discussion du plan de cours et questions logistiques
  • 3. 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
  • 4. Plan du premier cours (suite)
    • Objectif 3 : Expliquer les attentes concernant le projet de session
    • Objectif 4 : Discuter sur le travail de la semaine
  • 5. Concepts de base NSG 5592 Module 1a
  • 6. Cadre conceptuel
  • 7. Cadre conceptuel Facteurs de risque Autres variables Maladie Traitement, Intervention Guérison Morbidité Mortalité
  • 8. Cadre conceptuel Facteurs de risque Autres variables Maladie Traitement, Intervention Guérison Morbidité Mortalité Diagnostic, Dépistage Qualité des indicateurs Incidence, Prévalence Plan d’analyse Évaluation des interventions Éléments à considérer
  • 9. 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, …
  • 10. 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
  • 11. Définitions
      • Techniques statistiques: techniques basées sur la théorie des probabilités permettant de
        • tester des hypothèses
        • construire des modèles
  • 12. 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
  • 13. 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
  • 14. Définitions
    •  Biostatistique: Application à la biologie des techniques statistiques
    •  Épidémiologie: Étude de la distribution et des déterminants de la fréquence des maladies
  • 15. 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
  • 16. Cadre conceptuel Facteurs de risque Autres variables Maladie Guérison Morbidité Mortalité Mesure de la maladie Traitement/ Intervention
  • 17. Mesure de la maladie Dépistage de la population Auto-rapportés Diagnostiqués Hospitalisés Décédés La décision sur la manière de définir la maladie dépend 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
  • 18. Mesure de la maladie
    • Dénombrement des cas (iceberg de la maladie)
    • Population à risque
    • Nombre de cas, taux de cas
      • Incidence, Prévalence (  Module 2)
  • 19. Mesure de la maladie
    • Éléments à considérer par le chercheur:
      • Qualité du diagnostic (  Module 2)
        • vrais / faux positifs
        • vrais / faux négatifs
        • spécificité, sensibilité
  • 20. Cadre conceptuel Facteurs de risque Autres variables Maladie Guérison Morbidité Mortalité Mesure du traitement Traitement/ Intervention
  • 21. 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
  • 22. Mesure du traitement (dans le devis expérimentaux)
    • Traitement individuel ou par groupe
      • Sélection aléatoire
      • Traitement à simple, double ou triple insu
    • Considérations éthiques
  • 23. Cadre conceptuel Facteurs de risque Autres variables Maladie Guérison Morbidité Mortalité Mesure de l ’ issue Traitement/ Intervention
  • 24. Mesure de l’issue Population totale Nombre de susceptibles Nombre d’exposés Nombre d’infectés Nombre de malades Nombre de décès / Population totale = Nombre de décès /N. de malades X N. de malades / N. d’infectés X N. d’infectés / N. d’exposés X N. d’exposés / N. de susceptibles X 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
  • 25. 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
  • 26. 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?
  • 27. Objectif
    • En épidémiologie et en biostatistique le chercheur doit appliquer correctement chacune des étapes suivantes:
      • définition du problème de recherche
      • planification du projet
      • conduction de la recherche
      • analyse des données
      • interprétation des résulats
    Test statistiques et construction de modèles Question de recherche
  • 28.
  • 29. Projet de session
  • 30. Principales étapes en analyse de données NSG 5592 Bloc 1b
  • 31. Principales étapes en analyse des données Données Plan d’enquête Stratégie d’échantillonnage Acquisition des données Statistiques descriptives Description des données Données transformées et recodées Transformation des données Verdict sur les hypothèses Test d’hypothèse Modèles de prédiction Construction de modèles 1 2
  • 32. Travail d’équipe
    • Illustrer chaque élément du schéma avec exemple concret ou possible
    • Discuter de la raison d’être de chaque élément
  • 33. Principales étapes en analyse des données Données Plan d’enquête Stratégie d’échantillonnage Acquisition des données Statistiques descriptives Description des données Données transformées et recodées Transformation des données Verdict sur les hypothèses Test d’hypothèse Modèles de prédiction Construction de modèles 1 2
  • 34. Stratégie d’échantillonnage
      • Échantillon représentatif de la population
      • Types de échantillon
        • aléatoire
        • aléatoire simple
        • systématique
        • opportun
        • stratifié
        • en grappes
    • Calendrier de collecte des données
  • 35. 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
  • 36. Principales étapes en analyse des données Données Plan d’enquête Stratégie d’échantillonnage Acquisition des données Statistiques descriptives Description des données Données transformées et recodées Transformation des données Verdict sur les hypothèses Test d’hypothèse Modèles de prédiction Construction de modèles 1 2
  • 37. Description des données
    • 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)
  • 38. Description des données
    • 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
  • 39. Principales étapes en analyse des données Données Plan d’enquête Stratégie d’échantillonnage Acquisition des données Statistiques descriptives Description des données Données transformées et recodées Transformation des données Verdict sur les hypothèses Test d’hypothèse Modèles de prédiction Construction de modèles 1 2
  • 40. 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
  • 41. Principales étapes en analyse des données Données Plan d’enquête Stratégie d’échantillonnage Acquisition des données Statistiques descriptives Description des données Données transformées et recodées Transformation des données Verdict sur les hypothèses Test d’hypothèse Modèles de prédiction Construction de modèles 1 2
  • 42. 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
  • 43. 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?
  • 44. Tests d’hypothèses
    • Pour tester les hypothèses, le chercheur
      • définit H 0 [«  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 H 0
  • 45. 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 H 0 ou non
      •  Cours 4 à 6
  • 46. Principales étapes en analyse des données Données Plan d’enquête Stratégie d’échantillonnage Acquisition des données Statistiques descriptives Description des données Données transformées et recodées Transformation des données Verdict sur les hypothèses Test d’hypothèse Modèles de prédiction Construction de modèles 1 2
  • 47. Construction de modèles
    • 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)
  • 48. 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.
  • 49. Construction de modèles
    • 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
  • 50. Arbre du cours
  • 51.
    • Quelques exemples…
  • 52.
    • Fin des sections 1a et 1b
  • 53. Plan du premier cours (suite)
    • Objectif 3 : Expliquer les attentes concernant le projet de session
    • Objectif 4 : Discuter sur le travail de la semaine
  • 54. Plan du premier cours (suite)
    • Objectif 4 : Discuter sur le travail de la semaine
    • Lectures: Accéder sources documentaires (Article du Prel, Rohrig et Blettner, 2009)
    • Logiciel SPSS : Obtenir accès (labs Ottawa U ou achat copie étudiante)
    • Campus virtuel : Présentations à compléter (Background, expérience en statistiques et expectatives pour ce cours)
    • Entamer refléxion sur le travail d’équipe
  • 55. 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