Biais de sélection

Le biais de sélection est une erreur systématique introduite par la manière dont les sujets sont choisis pour une étude ou sont retenus dans l'analyse, lorsque cette sélection dépend à la fois de l'exposition et du résultat. Étant donné que l'échantillon analysé est alors non représentatif de la relation dans la population source, l'association estimée peut être faussée même si l'exposition et le résultat sont mesurés parfaitement.

Definition

Le biais de sélection est une distorsion de l'association exposition-résultat qui survient lorsque la probabilité d'être inclus dans (ou de rester dans) la population d'étude est influencée conjointement par l'exposition et le résultat, de sorte que l'association dans l'échantillon analysé diffère de celle de la population source.

Scope

Cette entrée couvre la définition structurelle du biais de sélection comme le conditionnement sur un effet commun (variable de collision ou collider), ses formes courantes dans les études épidémiologiques — telles que le biais de sélection des témoins, la perte de suivi et l'auto-sélection — et comment il diffère de la confusion. Il s'agit d'une référence méthodologique qui ne donne aucun conseil clinique.

Core questions

• L'entrée ou la rétention dans l'étude dépend-elle à la fois de l'exposition et du résultat ?
• L'analyse conditionne-t-elle sur un effet commun (variable de collision) de l'exposition et du résultat ?
• Comment les pertes de suivi ou la non-réponse sont-elles liées à l'exposition et au résultat ?
• Peut-on raisonner sur la direction et l'ampleur du biais résultant ?

Key concepts

• Variable de collision et biais de stratification sur une variable de collision
• Conditionnement sur un effet commun
• Biais de sélection des témoins
• Perte de suivi / attrition
• Auto-sélection et non-réponse
• Biais de Berkson (admission à l'hôpital)
• Effet du travailleur sain

Mechanisms

En termes structurels, le biais de sélection se produit lorsque l'analyse conditionne sur une variable qui est un effet commun (une variable de collision) de l'exposition et du résultat, ou de leurs causes respectives. Le conditionnement sur une variable de collision ouvre une association non causale entre l'exposition et le résultat au sein de l'échantillon sélectionné, même lorsqu'aucune n'existe dans la population source. Ce mécanisme unique unifie de nombreux biais nommés : le choix de témoins dont la sélection dépend de l'exposition (biais de sélection des témoins), la perte de suivi différentielle liée à la fois à l'exposition et au pronostic, les comparaisons basées sur l'hôpital où l'admission dépend de multiples conditions (biais de Berkson), et l'effet du travailleur sain. Le biais de sélection est distinct de la confusion : la confusion est une cause commune préexistante, tandis que le biais de sélection est créé par le processus de sélection lui-même et n'est pas nécessairement éliminé en ajustant pour les covariables mesurées.

Clinical relevance

Le biais de sélection est une raison majeure pour laquelle une estimation observationnelle peut ne pas se généraliser même à la population qu'elle était censée décrire ; ainsi, évaluer comment les sujets ont été sélectionnés et retenus est essentiel pour pondérer les preuves. Le concept explique comment les résultats d'étude peuvent induire en erreur ; il ne s'agit pas d'une directive pour les soins d'un individu.

Epidemiology

Le biais de sélection est une préoccupation dans tous les types d'études, mais il prend des formes caractéristiques dans chacun : la sélection des témoins dans les études cas-témoins, l'attrition dans les études de cohorte et la non-réponse dans les enquêtes. L'approche structurelle (par diagrammes causaux) des années 2000 a fourni une manière unifiée de l'anticiper au stade de la conception et de raisonner sur sa direction probable.

History

Les biais de sélection individuels — le paradoxe d'admission à l'hôpital de Berkson, l'effet du travailleur sain, les problèmes de sélection des témoins — ont été décrits tout au long du XXe siècle comme des phénomènes distincts. Hernán, Hernández-Díaz et Robins (2004) les ont reformulés sous une définition structurelle unique basée sur le conditionnement sur un effet commun, et Cole et ses collègues (2009) ont donné une illustration numérique accessible du biais de variable de collision, clarifiant comment la sélection crée des associations non causales.

Debates

Quand l'ajustement pour une variable cause-t-il un biais plutôt que de le corriger ?

Parce que le conditionnement sur une variable de collision induit un biais de sélection, l'ajustement ou la sélection sur un effet commun de l'exposition et du résultat (ou de leurs causes) peut créer une association fallacieuse là où il n'en existait pas, c'est pourquoi la structure causale doit guider ce qui est conditionné.

Key figures

• Miguel Hernán
• James Robins
• Sander Greenland
• Joseph Berkson

Seminal works

• hernan-2004
• cole-2009
• delgado-rodriguez-2004

Frequently asked questions

En quoi le biais de sélection diffère-t-il de la confusion ?

La confusion provient d'une cause commune préexistante de l'exposition et du résultat, tandis que le biais de sélection est produit par le processus de sélection — typiquement par le conditionnement sur un effet commun (variable de collision) des deux — et ne peut généralement pas être corrigé en ajustant pour les facteurs de confusion mesurés.

Qu'est-ce que le biais de variable de collision ?

C'est un biais de sélection créé lorsque l'analyse conditionne sur une variable qui est un effet commun de l'exposition et du résultat ; ce faisant, cela ouvre une association non causale entre eux au sein de l'échantillon sélectionné.

Le biais de sélection affecte-t-il la validité interne ou externe ?

C'est principalement une menace pour la validité interne, car il distord l'association au sein de l'échantillon étudié par rapport à la population source, bien qu'il ait également un impact sur la généralisabilité.