Le document présente le cours NSG 5592 sur l'analyse statistique en sciences infirmières, abordant des concepts fondamentaux, les étapes d'analyse des données et les attentes pour un projet de session. Il décrit divers cadres conceptuels, tels que la biostatistique et l'épidémiologie, ainsi que la planification d'enquêtes et les tests d'hypothèses. Les étudiants sont également invités à explorer les relations entre des termes clés au cours de la première semaine.

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

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