Avis sur resultat de test d'appariement en recherche biomed

Bonjour à tous(tes),

Je mene un travail universitaire qui consiste à mesurer differentes variables hemodynamiques ( frequence cardiaque, pression diastolique….pression de perfusion coronaire....) avant et après une intervention thérapeutique sur une population bien définie.
Nous avons que des variables continues dependantes. L'effectif pour chaque variable est compris entre 20 et 50 mesures.
J'utilise graph pad prism 4.0
Le problème est le suivant : Je suis surpris de voir une difference statistiquement significative pour certaines variables avant et après l’intervention therapeutique, en effet quand on regarde l’échantillon de mesures avant intervention therapeutique et l’echantillon après intervention, cette variable a à peu près la même moyenne et ecart type ( la médiane est aussi proche) dans les deux echantillons.
Je ne comprends pas ce phénomène ? pouvez vous m’apportez vos lumières ?
Le test de wilcoxon est utilisé pour les variables dont l’effectif est inférieur à 30 mesures. Un paired t test a été utlisé pour les variables superieures à 30 mesures. Le risque alpha a été fixé à 5 %. En uni ou bilatèral, les tests donnent toujours un resultat significatif.
Vous trouverez un exemple dans la suite ( comparaison de Pression arterielle avant (P1) et pression arterielle après intervention (P2), 33 mesures dans chaque echantillons, paired t test).



P1 P2

13, 13,

11, 11,

10, 10,

11, 11,

13, 13,

1, 1,

9, 9,

12, 12,

9, 9,

7, 7,

15, 16,

7, 8,

12, 14,

12, 13,

12, 14,

5, 7,

13, 13,

11, 11,

7, 7,

12, 12,

12, 12,

11, 11,

9, 9,

9, 9,

13, 13,

19, 19,

11, 11,

8, 8,

15, 14,

7, 7,

16, 18,

9, 10

18, 18,

-------------------------------

P1 P2

Number of values 33 33

Minimum 1,0 1,0

25% Percentile 9,0 9,0

Median 11 11

75% Percentile 13 13

Maximum 19 19



Mean 11 11

Std. Deviation 3,6 3,7

Std. Error 0,63 0,64



Lower 95% CI 9,6 9,9

Upper 95% CI 12 13
-----------------------------------
Table Analyzed Data

Column D

vs vs

Column E



Paired t test

P value 0,0139

P value summary *

Are means signif. different? (P < 0.05) Yes

One- or two-tailed P value? Two-tailed

t, df t=2.6 df=32

Number of pairs 33



How big is the difference?

Mean of differences -0,33

95% confidence interval -0.59 to -0.072

R squared 0,17



How effective was the pairing?

Correlation coefficient (r) 0,98

P Value (one tailed) P<0.0001

P value summary ***

Was the pairing significantly effective? Yes

-------------------------------------------------

MERCI BEAUCOUP PAR AVANCE DE VOTRE AVIS !!!!

PP

Bonjour.

Je ne suis pas totalement surpris par ce résultat. En effet, il y a concordance parfaite pour une bonne partie des valeurs, et des divergences pour d'autres. Il apparaît donc bien une réelle différence, au moins sur certaines valeurs. Le résultat serait peut-être différent si les valeurs n'étaient pas aussi arrondies (Au fait, le 1 est-il véridique ?).
On est là dans la difficulté d'interprétation des tests : le test est significatif; qu'est-ce que ça peut bien signifier ?

Cordialement.

Je suis du même avis que gg. Notamment sur les arrondis et sur le poids des quelques valeurs extrêmes dans ton analyse. Vérifie aussi la normalité de tes distributions. Si pas normales, teste avec un non paramétrique (test de rangs) et tu auras un résultat non dépendant de la valeur absolue des écarts.

MERCI Beaucoup de vos reponses.
Le 1 est veridique, ce sont en faite des valeurs de pressions dans l'oreillette droite, très inferieures à la pression artérielle systémique...

Cordialement,

Bonjour,

Dans ce cas il est toujours intéressant de faire un modèle linéaire entre les deux variables et voir que la pente estimée est très proche de 1 (proche de la droite y = x). Ceci permet de relativiser grandement la "significativité" de la différence

Nik

je comprends l'idée de la régression linéaire mais je ne pense pas que ça soit adaptée ici, il est justement question de données appariées ... Exemple :

Code:

x <- rorm(100)
y <- x-rnorm(100,-0.1, 0.001)

lm(y~x)
Call:
lm(formula = y ~ x)

Coefficients:
(Intercept)            x 
    0.1001      0.9999

t.test(y,x, paired=T)

        Paired t-test

data:  y and x
t = 1042.752, df = 99, p-value < 2.2e-16
alternative hypothesis: true difference in means is not equal to 0
95 percent confidence interval:
 0.09994405 0.10032513
sample estimates:
mean of the differences
              0.1001346

Ici j'ai pris un cas extrême : toutes les valeurs de y sont supérieures à x. Qu'est-ce qu'on voit ? La régression linéaire à un coef proche de 1 ... mais la moyenne de la différence est bien différente de 0 ! Donc il y a bien un effet ici, quand on considère que les données sont appariées.

oui il y a un effet....mais c'est toujours pareil il faut avant tout se pencher sur la taille d'effet. La regression n'est clairement pas un test à présenter dans ce cas, c'est juste un moyen "d'arrière-cuisine" de voir la distribution jointe des deux valeurs et d'en apprécier la dispersion.

Je n'y connais rien en pression dans l'oreille mais quand je vois que c'est une variable qui oscille en gros entre 0 et 20 et que la moyenne des différences observées est de 0.33 alors je me dis qu'on est pas dans quelques chose de bien énorme. Que la loi de Student trouve une distribution différente, soit mais bon l'oreille droite se porte quand même bien apparemment

Nik

certes ... Il est juste important de ne pas perdre de vue de quoi on parle, quand tu fais un test avec un appariement tu ne regarde pas si la différence des moyennes est significative mais si la moyenne des différences l'est ce qui est très différent. Ici les valeurs de la variable y sont toujours supérieures aux valeurs de la variable x (une croissance par exemple) et c'est ce que te dis le test. Le test n'est pas la pour émettre un avis sur la nature de cette différence juste pour te dire si effectivement la moyenne des différences est ou non égale à 0, ce que ne te montre pas la régression.

Après je suis d'accord, il y a les stats et les conclusions biologiques. Mais il n'est pas souhaitable non plus d'utiliser des méthodes stats qui ne soient pas adaptées à la question que tu te poses parce que d'un point de vue biologique tu penses que la différence n'est pas significative. C'était juste la raison de mon post.

[EDIT] Pour revenir à la régression linéaire, ce qui est intéressant dans le cas de mon exemple c'est de voir que ce qui nous intéresse n'est pas le coefficient de la régression en soit mais l'ordonnée à l'origine qui mesure l'écart moyen entre les deux distributions.

Après je suis d'accord, il y a les stats et les conclusions biologiques. Mais il n'est pas souhaitable non plus d'utiliser des méthodes stats qui ne soient pas adaptées à la question que tu te poses parce que d'un point de vue biologique tu penses que la différence n'est pas significative. C'était juste la raison de mon post.

oui on est parfaitement d'accord . Pour ma part, il s'agit plus de toucher du doigt que la significativité d'un test n'est qu'une étape de l'analyse et pas la finalité.

Le test n'est pas la pour émettre un avis sur la nature de cette différence juste pour te dire si effectivement la moyenne des différences est ou non égale à 0, ce que ne te montre pas la régression.

ok pour le test. ceci dit les écarts à la droite y=x est un moyen d'illustrer les différences entre les valeurs des deux distributions du test sur données appariées: si toutes les différences sont parfaitement nulles alors la droite de régression se confond avec la droite y=x. Le seul avantage étant d'avoir une illustration graphique de ces différences, ce qui permet de juger de leur importance.

Voilà j'espère que mon propos est plus clair car c'était peut être pas évident au début

MERCI BEAUCOUP DE VOS AVIS à TOUS !!!!