choix d'hospitaliser un patient et réalisation de l'évènemen

bonjour à tous et merci par avance pour votre aide.

Brièvement, dans le cadre d'une étude médicale.
soient deux colonnes sur mon tableur excel

première colonne : 38 réponses concernant un choix binaire : choix adapté ou non d'hospitaliser un patient.
deuxième colonne : 38 réponses appariées sur ce qui s'est réellement passé par la suite : il y a eu une hospitalisation ou pas pour le patient.

je cherche à connaitre la corrélation et p.
Pour cela, j'ai transformé les choix binaires en utilisant des indices : 100 pour le choix d'hospitaliser, et 10 pour le choix de ne pas le faire. Pareil pour l'autre colonne : 100 pour une hospitalisation réelle et 10 lorsqu'elle n'a pas eu lieu. Je n'ai pas pris zéro, car TEST.KHIDEUX renvoit une erreur machine.


J'effectue COEFFICIENT.CORRELATION ce qui me donne 0.43. Globalement je trouve cela correct et cela ne me surprend pas.

J'applique TEST.KHIDEUX qui me renvoit 0.

Pouvez-vous m'aider à interpréter ces résultats ?


je suis un peu embrouillé par ce khideux

merci encore de m'aider.

Pierre

Salut,

je comprends pas trop ta démarche de recodage. Tu as 2 variables, choix et action réelle. Toutes les deux ont deux modalités que l'ont pourrait nommer de la même manière hospitalisation oui ou non.

Code:


                                    choix
                                    oui          non
hospitalisation    oui      a              b
                          non    c              d

Ce qu'il faut calculer ce sont les effectifs a, b, c et d et faire le chi² là dessus.

Est-ce bien ce que tu as fais ?
Ensuite le logiciel, que tu devrais nous préciser au passage, te renvois la valeur de la statistique du test et une p-value estimée qui doit être inférieure au seuil que tu te fixe (5%, 1%...) pour pouvoir dire qu'on rejette l'hypothèse nulle d'homogénéité de la distribution. En gros qu'il existe une différence ou non entre les cellules de la table de contingence.

nik

merci nik pour ta réponse.
c'est le tableur excel.

mais si je fais cela, je vais perdre l'appariement des données, non ?

je recherche une solution automatique qui me permet de mettre l'une en face de l'autre les réponses
le médecin dit "oui je vais l'hospitaliser" ou "non je ne vais pas le faire"
en face de la réalité finale "patient finalement hospitalisé" ou "pas".
si je mélange les données dans un tableau à 4 cases, je vais perdre les paires ? non ?

encore merci pour votre aide précieuse...15 ans sans faire de stat' et on oublie tout !

Pierre

Il faut faire un test de Mc Nemar. C'est l'équivalent d'un chi-deux mais pour données appariées. Le tableau est le même que celui de Nik, mais on va s'intéresser aux paires discordantes, ie les patients qui ne devaient pas être hospitalisés et qui l'ont été ou qui devaient être hospitalisés et ne l'ont pas été. La statistique de test est :
(b-c)²/(b+c).
Cette statistique suit un chi-deux à 1 degré de liberté.

merci Ayana, j'essaie cela dès que possible.

autrement dit je ne peux pas calculer de corrélation pour des paires, c'est bien cela ?

Le coefficient kappa de Cohen peut être une solution...

Bonjour Pierre-Denis.

le tableau de khi-deux ne perd absolument pas l'appariement puisqu'il ne considère plus que lui : Regarde mieux ce qu'on y note.

Cordialement.

?????
Ce n'est pas parce qu'on a un tableau à 4 cases qu'on fait un chi-deux. C'est la nature des données qui détermine le test à choisir...
L'hypothèse nulle d'un chi-deux est l'indépendance des distributions. Or par définition, si les données sont appariées, elles ne sont pas indépendantes...

Désolé, Ayana,

mais ce que Pierre-denis appelle appariement est ce qu'on appelle habituellement double caractère.
Il n'y a pas ici le même test fait 2 fois sur le même individu, mais 2 caractères qualitatifs : Décision d'hospitalisation et hospitalisation effective.
C'est typiquement une situation de Chi-deux !
Le mot apparié ici veut simplement dire qu'il s'agit du même individu.

Cordialement.

C'est une situation très proche de celle de la reproductibilité : on cherche à établir la concordance entre la décision initiale et la réalisation effective.
Et dans ce cas, si parmi tout ce que l'on a dit ci-dessus il ne faut choisir qu'un test, c'est le kappa!!! Surtout que l'objectif initial de pierredenis est d'établir une corrélation, ne l'oublions pas

Tu as raison !

On va effectivement non pas mettre en évidence une dépendance des deux caractères, mais le fait qu'ils sont en liaison forte (décision d'hospitalisation/hospitalisation effective et pas de décision/pas d'hospitalisation sont dominant), que a et d sont très supérieurs à b et c.

Cordialement.

merci à tous pour votre aide précieuse.

recherche de la concordance entre un avis (oui il semble bien d'hospitaliser un patient ou non, il ne semble pas bien, c'est à dire pas adapté, de l'hospitaliser) ET réalité future (hospitalisation effective ou pas)

calcul du KAPPA


--------------------- hospitalisation --------------non hospitalisation--------total
choix "adapté"-----------28--------------------------5-------------------------33

choix non adapté----------2-------------------------0---------------------------2

total----------------------30------------------------5--------------------------35

coefficient de concordance : Cc = (28 + 0)/35 = 0.8
coefficient de concordance attendu : Ca = (33X30 + 5X2)/35² = 0.81


kappa : (Cc-Ca) / (1 - Ca) = (0.8-0.81)/(1-0.81) = -0.05

écart type de kappa = racine carrée de (813-1225/35)/35 = 4.7
Z=0.01 donc cela signifie que je peux avoir pleinement confiance (presque 100%) dans mon kappa. C'est bien cela ??

conclusion : la concordance observée est due au hasard (!)
Cela signifie que l'avis du médecin, qui trouve qu'il est bon d'hospitaliser ou pas le patient, ne concorde pas avec la réalité de l'hospitalisation. Autrement dit que c'est un avis "en l'air".
Cela pose pas mal de question sur mon étude et nous devons donc nous pencher sur les critères effectivement liés à l'hospitalisation, et pas un avis "en l'air".

En général, on ne fait pas de test de significativité sur le kappa. Rien que cette valeur, très proche de 0 (et même négative!) permet de dire que l'hospitalisation finale est indépendante du choix initial du médecin.

Ceci dit, vu qu'il n'y a que 2 patients dans la catégorie "choix non adapté", et que ces deux patients sont discordants, c'est difficile de conclure quoi que ce soit. C'est l'éternel problème en stats des modalités "rares"...

Vous vous compliquez la vie pour rien. Test de Mc Nemar.

Et si le p est ns (ce qui semble fort probable vu l'effectif du groupe "non adapté"), l'interprétation est tout simplement que l'effectif est trop faible pour tirer une conclusion claire de cette observation.

En caricaturant un peu, dans ton cas le p non significatif s'interprète "on ne peut pas exclure que la différence observée soit due au hasard" (ce qui est différent de "l'effet observé est du au hasard", je te laisse méditer sur la différence). Mais la raison en est simple: "je n'ai pas observé assez de cas pour conclure de façon sure".

Merci d'avoir résumé tout ce qu'on a dit depuis le départ: mc nemar, kappa et effectif trop petit!

A noter : la faiblesse des effectifs fait que, même si on avait voulu le pratiquer, le test du khi-deux n'était pas utilisable.
Mais peut-on sérieusement faire une analyse statistique de ces données. le fait qu'il n'y ait que deux cas de conseil de non hospitalisation rend cette catégorie anecdotique. D'autant qu'il ne s'agit probablement pas d'un échantillon, mais d'un recueil de données.

Cordialement.

Et bien dans le milieu médical, aussi peu crédible que ça puisse l'être, on peut, en fait ce n'est plus une histoire de pouvoir ou non, c'est une histoire de pas avoir le choix et l'obligation de devoir prendre une décision même si celle-ci peut paraître bancale (statistiquement).

Attention, Joyeux_Lapin,

il ne faut pas confondre "prendre une décision médicale" et "agir scientifiquement". Je fais confiance à mon médecin, même s'il n'a pas les éléments de preuve statistiques à me fournir : Il a de l'expérience.
Mais il est utile que les médecins soient eux aussi capables de faire la différence entre un argument d'autorité (c'est moi le chef, je décide), une prise de décision faite sur les éléments disponibles grâce à l'expérience, une présentation scientifique de résultats qui justifie une décision, et une argumentation pseudo-scientifique utilisant de fausses statistiques, voire des statistiques falsifiées.
Il y a eu dans l'actualité récente assez d'exemples.

Cordialement.

J'ignore dans quel domaine tu appliques ton champs d'expertise, mais en ce qui me concerne je vis dans le monde biomédicale depuis quelque temps et on serait surpris des échantillons sur lesquels de grandes décisions sont prises... après certes il ya les cohortes de validation mais dans un système où les brevets se font avant la validation ça n'a finalement rien d'étonnant.

Après loin de moi le fait d'approuver, mais le système doit compenser entre ce que l'on a dans les yeux et la concurrence, après là on s'écarte du sujet, mais tout ça pour dire que j'ai déjà vu des échantillons de ce même type et même bien plus faibles (record vu: 12 patients...) dans des articles ou brevets te plomber bien des projets avec des effectifs bien bien bien plus gros. C'est d'ailleurs ce qui caractrise les statisticiens dans le monde industriel et ceux du monde 'faculté', on ne se comprends pas car on est vraiment pas sur la même longueur d'onde.
Donc je réitère mes propos, dans le monde biomédicale, sous prétexte que "les choses y sont beaucoup plus rares" pour trouver une formule très générale, un tel échantillon suffit à tirer des conclusions, une fois de plus je dis pas que j'approuve...

Mais on est bien d'accord !

Pasteur a validé son "vaccin" contre la rage avec un échantillon de 1.
Là où je suis inquiet c'est lorsque quelques cas pris comme on peut sont traités par des tests statistiques qui ni ne sont conçus pour de faibles effectifs, ni ne s'adaptent à des groupes d'individus qui ne sont pas de vrais échantillons.
Plus inquiétant, on voit des articles "scientifiques" où une multitude de tests statistiques sont faits, alors qu'on est dans le cas que je citais (recueil de quelques données bien choisies). Ce qui est exactement la démarche des astrologues et de certains numérologues. Il s'agit d'un habillage pseudo-scientifique. Et, plus inquiétant, comme on le voit souvent sur ce forum, on demande aux étudiants (psycho, médecine, ..) de le faire (puisqu'il faut tester dans le mémoire qu'ils ont des connaissances statistiques) alors que leur échantillonnage est ridicule.

De la même façon qu'il est sain de dire à quelqu'un qui calcule faux que son résultat n'est pas le bon, il me semble qu'il est sain de prévenir ceux qui posent des questions (lecteurs d'articles, rédacteurs de mémoires, chercheurs, ..) quand leur étude a des limites scientifiques évidentes.
Après, ils font ce qu'ils veulent ...

Cordialement.

NB : Je n'ai pas de "champ d'expertise autre que des connaissances sérieuses et fondées sur la théorie et les éléments de pratique des statistiques (essentiellement inférentielles; je ne connais pas bien les stats exploratoires).

Nous sommes, en effet, entièrement d'accords.

Je suis entièrement d'accord avec vous. Le problème c'est que les médecins, psychologues ou autres ont un culte de la p-value et passent outre nos recommandations. On voit tellement de bêtises dans certaines publications, que c'est difficile de faire changer les habitudes. (L'argument "ils ont fait comme ça dans un article et on publié dans SCIENCE" est souvent très difficile à contrer )
Une remarque cependant : si les groupes que l'on cherche à comparer sont similaires, on pourra faire des inférences valides même si l'effectif est très réduit. En revanche, une étude de 200 patients avec biais de sélection et dans laquelle on n'a pas mesuré les caractéristiques baseline sera foireuse. La question de l'effectif est donc un peu plus complexe...

eh bien, la discussion dépasse le cadre de ma question...pour en revenir à mon échantillon, eh bien, vous avez parfaitement raison : il est beaucoup trop petit.
Je ne peux pas appliquer le MacNemar puisque le nombre de paires discordantes est inférieur à 10 (référence : statistique epidémiologique. T. Ancelie, voilà un bon bouquin pour débuter et même plus).
D'une manière générale, mon échantillon est petit.

mais qu'y puis-je ?
sur 146 formulaires, je n'en ai eu que 38 d'exploitables.
Désintéressement des médecins ? Pas de temps à consacrer ?
Certainement les deux ?

en tout cas merci pour votre aide, on voit les passionnés.
Si vous avez une demande médicale sur ce forum, faites moi passer le message, j'essaierai d'y répondre avec le plus grand soin... mais sans doute y a t il d'autres médecins habitués sur ce forum, plus à même de répondre, et je les salue confraternellement.

sur 146 formulaires, je n'en ai eu que 38 d'exploitables.

Ce n'est pas très étonnant. Si tu veux une quantité de réponses acceptable statistiquement il faut faire bien plus que 150 formulaires. Ce n'est pas une spécificité des médecins.

L'argument "ils ont fait comme ça dans un article et on publié dans SCIENCE" est souvent très difficile à contrer

Je ne trouve pas. Il l'est si on accorde une grande importance à l'impact factor de la revue. Si on est un scientifique, on regarde avant tout la qualité du travail et il ne faut pas hésiter à le dire haut et fort. Pour ma part je n'hésite pas à refuser une analyse si les données ne s'y prêtent pas.

nik

Je refuse également les analyses non adéquates. Ca n'a aucun lien avec l'IF mais les scientifiques considèrent que le processus de peer-review des revues à comité de lecture empêchent toute erreur! Ce qui est complètement faux. Malheureusement, pour avoir refuser de faire une courbe ROC sur des données de survie, un médecin m'a traitée d'incompétente et est allé chercher quelqu'un pour lui faire (pourtant j'ai sorti les articles méthodos expliquant mon refus, mais rien n'y a fait puisque "ils ont fait ça dans un new england!!!")