Bias dans la collecte de données
La population est constituée de tous les individus ayant une caractéristique d’intérêt. Puisque, étudier une population est assez souvent impossible en raison du temps et de l’argent limités ; nous étudions généralement un phénomène d’intérêt dans un échantillon représentatif. Ce faisant, nous espérons que ce que nous avons appris d’un échantillon peut être généralisé à l’ensemble de la population (2). Pour pouvoir le faire, un échantillon doit être représentatif de la population. Si ce n’est pas le cas, les conclusions ne seront pas généralisables, c’est-à-dire que l’étude n’aura pas la validité externe.
Donc, l’échantillonnage est une étape cruciale pour toute recherche. Lors de la collecte de données pour la recherche, il existe de nombreux moyens par lesquels les chercheurs peuvent introduire des biais dans l’étude. Si, par exemple, lors du recrutement des patients, certains d’entre eux sont moins ou plus susceptibles d’entrer dans l’étude que d’autres, un tel échantillon ne serait pas représentatif de la population dans laquelle cette recherche est effectuée. Dans ce cas, ces sujets moins susceptibles d’entrer dans l’étude seront sous-représentés et ceux qui sont plus susceptibles d’entrer dans l’étude seront sur-représentés par rapport aux autres dans la population générale, à laquelle les conclusions de l’étude doivent être appliquées. C’est ce qu’on appelle un biais de sélection. Pour qu’un échantillon soit représentatif d’une population, l’échantillonnage doit être aléatoire, c’est-à-dire que chaque sujet doit avoir la même probabilité d’être inclus dans l’étude. Il convient de noter qu’un biais d’échantillonnage peut également se produire si l’échantillon est trop petit pour représenter la population cible (3).
Par exemple, si l’objectif de l’étude est d’évaluer la concentration moyenne de hsCRP (high sensitive C-reactive protein) dans la population en bonne santé en Croatie, la façon de procéder serait de recruter des individus en bonne santé dans une population générale lors de leur examen de santé annuel régulier. D’autre part, une étude biaisée serait celle qui ne recruterait que des donneurs de sang volontaires, car les donneurs de sang sains sont généralement des individus qui se sentent en bonne santé et qui ne souffrent d’aucune condition ou maladie pouvant entraîner des changements dans la concentration de hsCRP. En ne recrutant que des donneurs de sang sains, nous pourrions conclure que la hsCRP est beaucoup plus faible qu’elle ne l’est en réalité. Il s’agit d’une sorte de biais d’échantillonnage, que nous appelons un biais de volontariat.
Un autre exemple de biais de volontariat se produit en invitant des collègues d’un laboratoire ou d’un service clinique à participer à l’étude sur quelque nouveau marqueur d’anémie. Il est très probable qu’une telle étude inclue de préférence les participants qui pourraient soupçonner d’être anémiques et qui sont curieux de l’apprendre grâce à ce nouveau test. De cette façon, les personnes anémiques pourraient être surreprésentées. Une recherche serait alors biaisée et elle ne permettrait pas de généraliser les conclusions au reste de la population.
Généralement, chaque fois que des études transversales ou cas-témoins sont réalisées exclusivement en milieu hospitalier, il y a de fortes chances que cette étude soit biaisée. C’est ce qu’on appelle le biais d’admission. Le biais existe parce que la population étudiée ne reflète pas la population générale.
Un autre exemple de biais d’échantillonnage est ce qu’on appelle le biais du survivant qui se produit généralement dans les études transversales. Si une étude vise à évaluer l’association entre l’altération de l’expression de la KLK6 (Kallikrein-6 humaine) et une incidence de la maladie d’Alzheimer sur 10 ans, les sujets décédés avant le point final de l’étude pourraient ne pas être pris en compte dans l’étude.
Le biais de mauvaise classification est une sorte de biais d’échantillonnage qui se produit lorsqu’une maladie d’intérêt est mal définie, lorsqu’il n’y a pas de norme d’or pour le diagnostic de la maladie ou lorsqu’une maladie pourrait ne pas être facilement détectable. Ainsi, certains sujets sont faussement classés comme cas ou témoins alors qu’ils auraient dû être dans un autre groupe. Supposons qu’un chercheur souhaite étudier l’exactitude d’un nouveau test de détection précoce du cancer de la prostate chez les hommes asymptomatiques. En raison de l’absence d’un test fiable pour la détection précoce du cancer de la prostate, il est possible que certains cas précoces de cancer de la prostate soient classés à tort comme exempts de maladie, ce qui entraîne une sous-estimation ou une surestimation de la précision de ce nouveau marqueur.
En règle générale, une question de recherche doit être considérée avec beaucoup d’attention et tous les efforts doivent être faits pour s’assurer qu’un échantillon correspond le plus possible à la population.