Skip to content
Retour aux résultats

Conception d'étude cas-témoins

Introduite par
Jerome L. Schlesselman, Brian MacMahon, Thomas Pugh
Année
1950s-1970s
Type
Research Design
Famille
observational design

Ce texte est une traduction automatique et n’a pas encore été relu. Lire l’original en anglais

Taille de police

À quoi sert-elle ?

Une étude cas-témoins identifie des individus atteints d'une maladie ou d'un résultat (cas) et un groupe de comparaison sans le résultat (témoins), puis mesure l'exposition antérieure de manière rétrospective.

Développées dans les années 1950-1970 par des épidémiologistes comme Schlesselman et MacMahon, les études cas-témoins sont particulièrement efficaces pour les maladies rares, car elles échantillonnent des cas enrichis en résultats, évitant ainsi la nécessité de cohortes énormes. Elles constituent un pilier de l'épidémiologie clinique, de la recherche observationnelle et des enquêtes sur les épidémies.

L’intuition derrière la méthode

Les études cas-témoins fonctionnent à rebours : on commence par les personnes atteintes de la maladie, puis on demande « À quoi avez-vous été exposé avant de tomber malade ? ». On compare à des témoins qui n'ont pas la maladie. Si les cas sont beaucoup plus susceptibles de signaler une exposition passée que les témoins, l'exposition est probablement un facteur de risque. La statistique clé est le rapport des cotes (RC), qui peut être calculé à partir de l'échantillon cas-témoins seul. Les principaux défis sont le biais de rappel (les cas peuvent se souvenir des expositions différemment des témoins) et le biais de sélection (la manière dont vous choisissez les témoins affecte vos résultats). Pour les maladies rares, le cas-témoin est beaucoup plus efficace que la cohorte : vous recrutez 100 cas et 100 témoins plutôt que 100 000 personnes sans maladie suivies pendant des années.

Histoire

La méthodologie cas-témoins a émergé dans les années 1950 alors que les épidémiologistes cherchaient à étudier les maladies rares de manière efficace. La monographie de Jerome Schlesselman (1982) a formalisé les fondements statistiques. Les conceptions cas-témoins se sont avérées décisives pour établir des liens causaux : l'étude cas-témoins classique sur la thalidomide et les malformations congénitales (années 1960) et le tabagisme et le cancer du poumon (Doll & Hill) illustrent la puissance de cette conception pour détecter rapidement les expositions. Les études cas-témoins imbriquées (sélection de témoins au sein d'une cohorte) et les conceptions cas-témoins appariées ont évolué pour accroître la précision. Aujourd'hui, les études cas-témoins restent fondamentales en épidémiologie, en particulier pour enquêter sur les épidémies, les dangers professionnels et les événements indésirables rares.

Quand l’utiliser

Utiliser des études cas-témoins lorsque : (1) la maladie ou le résultat est rare (par exemple, cancers rares, malformations congénitales), rendant les études de cohorte prohibitivement coûteuses, (2) il existe une longue période de latence entre l'exposition et le résultat (années à décennies), (3) l'étude de multiples expositions pour un seul résultat, (4) la conduite d'enquêtes sur des épidémies ou des flambées (comparaison des exposés vs non exposés), (5) la génération d'hypothèses à partir de données existantes (dossiers médicaux, registres de maladies), (6) les ressources sont limitées (cas-témoin est moins cher et plus rapide que cohorte), (7) l'étude d'expositions passées où le suivi est impossible.

Limites et points d’attention

  • Biais de rappel : les cas, ayant expérimenté le résultat, peuvent se souvenir des expositions passées différemment des témoins. Si les cas exagèrent ou minimisent le rapport d'exposition, le RC est biaisé.
  • Biais de sélection : la manière dont les témoins sont choisis affecte de manière critique le RC. Les témoins doivent provenir de la même population source qui a généré les cas ; l'utilisation de témoins hospitalisés lorsque les cas sont issus de la communauté introduit un biais.
  • Ambiguïté temporelle : la mesure rétrospective de l'exposition peut obscurcir la causalité. L'exposition a-t-elle précédé le résultat, ou le résultat a-t-il influencé le rappel de l'exposition ?
  • Impossible de calculer l'incidence : les échantillons cas-témoins sont enrichis en résultats, vous ne pouvez donc pas estimer directement l'incidence de la maladie ou le risque absolu. Le RC est la seule mesure d'association estimable.
  • Mauvaise classification de l'exposition : l'évaluation rétrospective de l'exposition (surtout pour les expositions lointaines) est sujette aux erreurs, biaisant le RC vers le nul.

Les conditions de la source ne remplacent ni une revue scientifique indépendante ni la validation par un moteur d’analyse.

Points forts

  • Efficacité pour les résultats rares : l'échantillonnage enrichi en résultats rend le cas-témoin beaucoup plus efficace que les études de cohorte pour les maladies rares. Une étude sur un cancer rare pourrait inclure 300 cas et 300 témoins au lieu de 100 000 personnes suivies pendant des années.
  • Rapidité et coût : la collecte de données rétrospective est plus rapide et moins chère que le suivi prospectif.
  • Expositions multiples : une seule étude cas-témoins peut examiner de nombreuses expositions simultanément, identifiant de nouveaux facteurs de risque.
  • Registres de maladies établis : de nombreuses maladies ont des registres (cancer, malformations congénitales), offrant un accès facile à des cas bien caractérisés.
  • Latence : le cas-témoin gère naturellement les longues périodes d'induction-latence entre l'exposition et le diagnostic du résultat.

Applications

  • Enquête sur les épidémies : lors d'une épidémie d'origine alimentaire, identifier les cas (personnes malades) et les témoins (ceux exposés mais non malades), comparer les aliments consommés et identifier la source.
  • Épidémiologie des malformations congénitales : inclure les nourrissons présentant des anomalies congénitales comme cas, sélectionner des témoins basés sur la population, interroger les mères sur la prise de médicaments, les infections ou les expositions pendant la grossesse.
  • Santé au travail : les travailleurs atteints de mésothéliome (résultat rare) sont des cas ; les témoins sont des travailleurs sans maladie liée à l'amiante ; évaluer rétrospectivement l'exposition à l'amiante à partir des dossiers d'emploi.
  • Effets indésirables des médicaments : les patients hospitalisés pour insuffisance hépatique (cas) sont comparés à des témoins hospitalisés (sans insuffisance hépatique) ; l'historique des médicaments est examiné pour identifier les médicaments hépatotoxiques.
  • Étiologie du cancer : les patients nouvellement diagnostiqués de cancer (cas) sont appariés par fréquence à des témoins sans cancer selon l'âge/le sexe ; des antécédents alimentaires, de tabagisme et reproductifs sont collectés pour identifier les facteurs de risque.

Comment ça marche

Comment ça marche

1

Définir les cas : individus présentant le résultat d'intérêt (par exemple, diabète, infarctus du myocarde, anomalie congénitale). Les cas peuvent être nouvellement diagnostiqués (incidents) ou toutes les personnes atteintes de la maladie sur une période définie (prévalents). Définir clairement les cas : critères diagnostiques, date de diagnostic, état de la maladie confirmé par les dossiers médicaux. Sélectionner les témoins dans la population source qui a généré les cas — les témoins représentent la distribution de l'exposition dans la population qui a produit les cas. Les témoins doivent être exempts de maladie (du moins pour le résultat spécifique). Appariement : les témoins peuvent être appariés 1:1 ou 1:k aux cas selon l'âge, le sexe, la race ou d'autres facteurs de confusion ; l'appariement améliore la puissance mais nécessite un ajustement statistique (McNemar pour les paires appariées). Alternativement, utiliser des témoins non appariés et ajuster les facteurs de confusion dans la régression. Mesurer l'exposition antérieure à partir des dossiers médicaux, des entretiens, des questionnaires ou des spécimens biobancaires. Pour l'exposition historique (passé lointain), utiliser les dossiers médicaux ou les antécédents professionnels ; pour l'exposition récente, les entretiens sont réalisables.

Formule
Identify cases (with outcome) and controls (without outcome); measure prior exposure retrospectively from medical records, interviews, or surveys; match controls to cases on age, sex, or other variables if needed.
2

Construire un tableau de contingence 2×2 : lignes = statut d'exposition (oui/non), colonnes = statut cas/témoin. Calculer le rapport des cotes : RC = (a × d) / (b × c), où a = cas exposés, b = cas non exposés, c = témoins exposés, d = témoins non exposés. Calculer l'IC à 95 % sur une échelle logarithmique. Pour les données appariées (n paires appariées), utiliser le test de McNemar : χ² = ((b − c)²) / (b + c), qui teste si les paires discordantes sont équilibrées. Pour les données non appariées, utiliser la régression logistique pour ajuster les facteurs de confusion et calculer le RC ajusté. Rapporter le RC ajusté avec l'IC et la valeur p. Vérifier l'interaction entre l'exposition et les facteurs de confusion.

Formule
Tabulate 2×2 table (exposure × outcome); compute Odds Ratio (OR) = (a×d)/(b×c); apply McNemar's test for matched data or logistic regression for unmatched data with confounders.
3

RC = 1 : aucune association entre l'exposition et le résultat. RC > 1 : exposition associée à une augmentation des cotes d'avoir le résultat (facteur de risque). RC < 1 : exposition associée à une diminution des cotes (facteur protecteur). Par exemple, RC = 3 signifie que les cotes de l'exposition chez les cas sont 3 fois supérieures aux cotes chez les témoins. Lorsque la maladie est rare (prévalence <10 %), le RC approxime le Risque Relatif. Lorsque la maladie est fréquente, le RC surestime l'effet. Les intervalles de confiance excluant 1,0 suggèrent une signification statistique. La causalité nécessite plus qu'une association statistique : considérer la force (RC > 2–3), la cohérence entre les études, la relation dose-réponse, la plausibilité temporelle et le mécanisme biologique. Évaluer les explications alternatives : les biais de sélection, de rappel ou les facteurs de confusion non mesurés pourraient-ils expliquer l'association observée ?

Formule
Interpret OR: OR=1 no association, OR>1 increased odds of exposure in cases, OR<1 decreased odds. In rare outcomes, OR approximates Relative Risk. Consider recall bias, selection bias, and unmeasured confounding.

Pièges courants

  • Mauvaise sélection des témoins : les témoins sélectionnés parmi les patients hospitalisés (lorsque les cas sont des cas communautaires) ou les témoins atteints d'une maladie apparentée entraînent un biais de sélection. Les témoins doivent être exempts de maladie et représentatifs de la population source.
  • Ignorer l'appariement dans l'analyse : si les cas et les témoins sont appariés selon l'âge/le sexe, la régression logistique standard est inappropriée ; utiliser la régression logistique conditionnelle ou le test de McNemar pour l'analyse appariée.
  • Biais de rappel différentiel : les cas peuvent se souvenir des expositions plus en détail ou les déformer davantage que les témoins. Minimiser en utilisant des enregistrements objectifs (par exemple, dossiers médicaux, dossiers d'emploi) au lieu d'enquêtes de rappel.
  • Sélection post-hoc des témoins : ajuster la sélection des témoins après avoir vu les données (par exemple, sélectionner des témoins supplémentaires pour équilibrer une covariable particulière) introduit un biais. Définir les critères de témoins a priori.
  • Biais prévalence-incidence : si des cas prévalents (tous les cas de maladie dans la population) plutôt que des cas incidents (nouvellement diagnostiqués) sont inclus, les survivants de maladies graves peuvent être enrichis, déformant le RC.

Questions fréquentes

Quand le rapport des cotes est-il une bonne approximation du risque relatif ?

Le rapport des cotes (RC) approxime le risque relatif (RR) lorsque la maladie est rare dans la population (généralement <10 % de prévalence). À faible prévalence, les cotes de la maladie ≈ risque de la maladie, donc RC ≈ RR. Lorsque la prévalence est >10 %, le RC surestime l'effet par rapport au RR. Par exemple, si RR = 2, le RC pourrait être de 2,5 ou plus à une prévalence plus élevée. Précisez toujours que les études cas-témoins donnent un RC, pas un RR. Si l'interprétation clinique nécessite un RR, vous devez convertir le RC en utilisant le risque de base (prévalence de la maladie dans la population source).

Qu'est-ce qu'une étude cas-témoins imbriquée et pourquoi l'utiliser ?

Une étude cas-témoins imbriquée sélectionne des cas et des témoins au sein d'une cohorte prospective. Tous les membres cas sont identifiés à partir de la cohorte au fur et à mesure que les résultats surviennent ; les témoins sont échantillonnés aléatoirement parmi les non-cas de la cohorte, souvent appariés aux cas selon l'âge et le sexe. Le cas-témoin imbriqué combine les forces des cohortes et des cas-témoins : la séquence temporelle et les données d'incidence sont disponibles (comme dans les cohortes), mais le coût est plus faible car seuls les sous-ensembles de cas et de témoins sont mesurés pour des expositions coûteuses (par exemple, biomarqueurs, tests génétiques). Le rapport des cotes d'une étude cas-témoins imbriquée approxime le risque relatif de cohorte, même si la maladie n'est pas rare.

Comment choisir entre des témoins appariés et non appariés ?

Les témoins appariés (appariés 1:1 aux cas selon l'âge, le sexe, etc.) augmentent la précision et réduisent la confusion par les variables appariées. Cependant, l'appariement est statistiquement « coûteux » : vous devez utiliser une régression logistique conditionnelle, et vous ne pouvez pas estimer les effets indépendants des variables appariées. Les témoins non appariés permettent d'ajuster de nombreux facteurs de confusion dans la régression logistique et peuvent être plus rentables. L'appariement est le plus utile pour les facteurs de confusion forts (âge, sexe, année civile) et lorsque les témoins sont difficiles à trouver. Si les facteurs de confusion potentiels sont nombreux, envisagez une conception non appariée avec ajustement par régression.

Comment distinguer le biais de sélection du biais d'information dans les études cas-témoins ?

Le biais de sélection découle de la manière dont vous sélectionnez les cas et les témoins. Si les cas et les témoins proviennent de populations sources différentes (par exemple, cas hospitalisés vs témoins communautaires), le RC est biaisé. Le biais d'information (mauvaise classification) découle d'erreurs dans la mesure de l'exposition ou du résultat. Le biais de rappel est un type de biais d'information : les cas atteints d'une maladie grave peuvent se souvenir des expositions passées différemment des témoins. Les deux biaisent le RC, mais de différentes manières. Pour minimiser le biais de sélection, assurez-vous que les cas et les témoins proviennent de la même population source. Pour minimiser le biais d'information, utilisez des enregistrements objectifs (dossiers médicaux, biomarqueurs) plutôt que le rappel.

Méthodes associées

Sources

  1. Schlesselman, J. J. (1982). Case-Control Studies: Design, Conduct, Analysis. Oxford University Press.

    ISBN : 978-0195027815
    Copié.
  2. Rothman, K. J., Lash, T. L., & Greenland, S. (2008). Modern Epidemiology (3rd ed.). Lippincott Williams & Wilkins.

    ISBN : 978-0781755657
    Copié.
  3. Greenland, S., & Thomas, D. C. (1990). On the need for the rare disease assumption in case-control studies. American Journal of Epidemiology, 132(2), 374–375.

    Ouvrir la référence de la publication
    Copié.