Méthode analytique pour détecter les évaluateurs aberrants

BMC Medical Research Methodology volume 23, Numéro d'article : 177 (2023) Citer cet article

112 Accès

Détails des métriques

Les études épidémiologiques et médicales s'appuient souvent sur des évaluateurs pour obtenir des mesures des expositions ou des résultats pour les participants à l'étude, et des estimations valides des associations dépendent de la qualité des données. Même si des méthodes statistiques ont été proposées pour corriger les erreurs de mesure, elles reposent souvent sur des hypothèses invérifiables et pourraient conduire à des estimations biaisées si ces hypothèses ne sont pas respectées. Par conséquent, des méthodes permettant de détecter les évaluateurs potentiels « aberrants » sont nécessaires pour améliorer la qualité des données pendant la phase de collecte des données.

Dans cet article, nous proposons un algorithme en deux étapes pour détecter les évaluateurs « aberrants » dont les résultats d'évaluation ont tendance à être supérieurs ou inférieurs à ceux de leurs homologues. Dans un premier temps, les effets des évaluateurs sont obtenus en ajustant un modèle de régression. Dans la deuxième étape, des tests d'hypothèse sont effectués pour détecter les évaluateurs « aberrants », où nous prenons en compte à la fois la puissance de chaque test d'hypothèse et le taux de fausses découvertes (FDR) parmi tous les tests. Nous menons une étude de simulation approfondie pour évaluer la méthode proposée et illustrons la méthode en détectant les audiologistes « aberrants » potentiels au cours de la phase de collecte de données pour le volet d'évaluation de l'audiologie de l'étude sur la conservation de l'audition, une étude épidémiologique visant à examiner les facteurs de risque de perte auditive. dans l'étude II sur la santé des infirmières.

Notre étude de simulation montre que notre méthode peut non seulement détecter les véritables évaluateurs « aberrants », mais qu'elle est également moins susceptible de rejeter à tort les vrais évaluateurs « normaux ».

Notre algorithme de détection des « valeurs aberrantes » en deux étapes est une approche flexible qui peut détecter efficacement les évaluateurs « aberrants », et ainsi la qualité des données peut être améliorée pendant la phase de collecte des données.

Rapports d'examen par les pairs

De nombreuses études médicales et épidémiologiques qui étudient les relations entre les facteurs de risque et les conséquences de la maladie s'appuient sur plusieurs évaluateurs (p. ex. cliniciens, techniciens) pour mesurer les expositions ou les résultats d'intérêt parmi les participants à l'étude. Par exemple, dans les grandes études épidémiologiques sur la perte auditive, les mesures d’audiométrie tonale sont généralement obtenues par plusieurs audiologistes ou techniciens qualifiés dans des cabines insonorisées [1,2,3]. De même, dans les grandes études sur la vision, les tests de vision sont souvent effectués par plusieurs évaluateurs en milieu clinique [4, 5]. En outre, les problèmes potentiels liés à la collecte de données par plusieurs évaluateurs peuvent également s'étendre aux études qui s'appuient sur des données collectées par des méthodes de test non humaines, telles que des audiomètres automatisés [6], pour obtenir des mesures de test. L’obtention d’estimations précises de l’association entre les facteurs de risque et l’évolution de la maladie dépend non seulement des méthodes statistiques utilisées, mais également de la qualité des données elles-mêmes. Bien que de nombreuses méthodes analytiques aient été proposées pour corriger les erreurs de mesure résultant de données collectées de mauvaise qualité, ces méthodes reposent généralement sur des hypothèses invérifiables [7] et paient le prix de la précision des estimations. Par conséquent, il est préférable de collecter des données de meilleure qualité plutôt que d’utiliser des méthodes statistiques pour ajuster les biais induits par des données de moins bonne qualité lors de la phase d’analyse statistique. Dans cet article, nous proposons des méthodes de contrôle de qualité pendant la phase de collecte de données afin que les problèmes liés aux mesures des expositions ou des résultats puissent être découverts et résolus rapidement.

Notre travail est motivé par la Conservation of Hearing Study (CHEARS), une enquête sur les facteurs de risque de perte auditive chez les participants aux Nurses' Health Studies II (NHS II), une étude de cohorte en cours comprenant 116 430 infirmières autorisées aux États-Unis, âgés de 25 à 42 ans lors de leur inscription en 1989 [8]. Le bras d'évaluation audiologique du CHEARS (AAA) a évalué le changement longitudinal des seuils auditifs audiométriques à conduction aérienne et osseuse des sons purs (l'intensité sonore d'un son pur à laquelle il est perçu pour la première fois) mesurés en décibels du niveau d'audition, ou dB HL, sur toute la gamme de fréquences conventionnelles (0,5-8 kHz) [9]. Les tests de base ont été menés sur 3 749 femmes dont l'état auditif autodéclaré était « excellent », « très bon » ou avaient « un peu de problèmes auditifs », et résidaient à proximité de l'un des 19 sites de test CHEARS aux États-Unis [9]. Les tests de suivi de 3 ans ont été réalisés sur 3 136 participants (84 %). Afin d'obtenir des mesures auditives fiables, il est essentiel de détecter les audiologistes potentiels « aberrants » qui ont tendance à avoir des résultats de tests auditifs supérieurs ou inférieurs à ceux des autres audiologistes. Une fois qu'un audiologiste « aberrant » est identifié, les appareils utilisés par cet audiologiste peuvent être examinés et une intervention précoce peut être effectuée pendant la phase de collecte de données si nécessaire. De plus, ces informations aberrantes peuvent avoir des implications importantes pour l’approche de l’analyse des données.