Biais d'information

Le biais d'information est une erreur systématique qui découle d'une mesure ou d'une classification inexacte de l'exposition, du résultat ou des covariables. Lorsque les sujets sont classés dans la mauvaise catégorie — les exposés étant comptés comme non exposés, ou les malades comme non malades — la mauvaise classification qui en résulte peut fausser l'association estimée. Son effet dépend de manière critique de la relation des erreurs avec l'autre variable (différentielle) ou de leur indépendance (non différentielle).

Definition

Le biais d'information est une distorsion d'une association exposition-résultat causée par une erreur dans la mesure ou la classification de l'exposition, du résultat ou d'autres variables d'étude, de sorte que les sujets sont systématiquement assignés à des catégories incorrectes.

Scope

Cette entrée couvre les sources d'erreur de mesure, la distinction clé entre la mauvaise classification non différentielle et différentielle et leurs directions typiques d'effet, ainsi que les formes courantes nommées telles que le biais de mémorisation (recall bias) et le biais d'intervieweur. Il s'agit d'une référence méthodologique qui ne fournit aucune orientation clinique.

Core questions

• Dans quelle mesure l'exposition et le résultat ont-ils été mesurés ou classifiés avec précision ?
• La mauvaise classification est-elle non différentielle ou différentielle par rapport à l'autre variable ?
• Dans quelle direction la mauvaise classification devrait-elle pousser l'estimation ?
• Le processus de mesure lui-même pourrait-il dépendre de la connaissance du statut d'exposition ou de maladie ?

Key concepts

• Mauvaise classification
• Mauvaise classification non différentielle
• Mauvaise classification différentielle
• Biais de mémorisation
• Biais d'intervieweur / d'observateur
• Sensibilité et spécificité de la mesure
• Dilution de régression

Mechanisms

Le biais d'information trouve son origine dans des instruments de mesure imparfaits, une mémoire faillible ou une classification incohérente. Ses conséquences reposent sur une distinction clé. La mauvaise classification non différentielle, où les erreurs sont indépendantes de l'autre variable, tend généralement (pour une exposition binaire à deux catégories) à biaiser l'estimation vers la valeur nulle, masquant un effet réel. La mauvaise classification différentielle, où l'erreur dans une variable dépend de la valeur de l'autre — par exemple, les cas se souvenant des expositions passées plus en détail que les témoins (biais de mémorisation), ou les intervieweurs interrogeant les sujets exposés plus en profondeur (biais d'intervieweur) — peut biaiser l'estimation dans n'importe quelle direction et est plus difficile à anticiper. Parce que le biais d'information apparaît lors de la collecte de données, il est conceptuellement distinct de la confusion (une cause commune) et du biais de sélection (déterminé par qui est inclus). Une erreur de mesure dans un facteur de confusion peut également laisser une confusion résiduelle même après ajustement.

Clinical relevance

Le biais d'information est l'une des raisons pour lesquelles une association rapportée peut être trop forte, trop faible ou orientée dans la mauvaise direction ; ainsi, examiner la manière dont les expositions et les résultats ont été mesurés fait partie de l'évaluation des preuves. Le concept décrit comment les résultats d'étude peuvent être faussés ; il ne s'agit pas d'un conseil pour le diagnostic ou le traitement d'un individu.

Epidemiology

Le biais d'information est une préoccupation dans chaque conception d'étude, mais est particulièrement pertinente lorsque l'exposition est rapportée après que le résultat est connu — par exemple le biais de mémorisation dans les études cas-témoins — et lorsque l'établissement du résultat peut différer selon le statut d'exposition. La conscience de la mauvaise classification motive les sous-études de validation et les mesures en aveugle ou standardisées.

History

Les biais de mémorisation, d'intervieweur et d'observateur ont été catalogués tout au long de l'épidémiologie du XXe siècle comme des menaces récurrentes dans les études observationnelles. Le traitement formel de la mauvaise classification en termes de sensibilité et de spécificité, et le résultat selon lequel l'erreur non différentielle biaise généralement vers la valeur nulle, sont devenus des éléments standards des textes méthodologiques, tandis que des glossaires tels que Delgado-Rodríguez et Llorca (2004) ont organisé les nombreux biais d'information nommés.

Debates

La mauvaise classification non différentielle biaise-t-elle toujours vers la valeur nulle ?

Le résultat de biais vers la valeur nulle est valable dans des conditions courantes (notamment une erreur indépendante et non différentielle dans une exposition dichotomique), mais des exceptions surviennent avec plus de deux catégories d'exposition ou avec des erreurs dépendantes, de sorte que l'intuition 'toujours conservatrice' peut induire en erreur.

Key figures

• Kenneth Rothman
• Sander Greenland
• Miquel Delgado-Rodríguez

Seminal works

• delgado-rodriguez-2004
• grimes-schulz-2002-bias

Frequently asked questions

Quelle est la différence entre la mauvaise classification différentielle et non différentielle ?

La mauvaise classification non différentielle signifie que les erreurs de mesure sont indépendantes de l'autre variable et tendent généralement (pour une exposition binaire) à biaiser vers la valeur nulle ; la mauvaise classification différentielle signifie que l'erreur dépend de l'autre variable et peut biaiser l'estimation dans n'importe quelle direction.

Le biais de mémorisation est-il un type de biais d'information ?

Oui. Le biais de mémorisation est un biais d'information différentiel dans lequel les sujets présentant le résultat se souviennent ou rapportent les expositions passées différemment de ceux qui ne le présentent pas, faussant ainsi l'association mesurée.

En quoi le biais d'information diffère-t-il du biais de sélection ?

Le biais d'information provient de la manière dont les variables sont mesurées ou classifiées, tandis que le biais de sélection provient de qui est inclus ou retenu pour l'analyse.