Dernière mise à jour : 19 décembre 2023
Public cible : Les producteurs d’ETS
Niveau : Introduction
Objectifs d’apprentissage : Les participants seront en mesure i) de mieux comprendre la notion de confusion et les scores de confusion de haute dimension; ii) d’estimer le score de propension et le score de risque de maladie; iii) de cerner les forces et les limites de ces scores; iv) d’examiner leur application en ETS.
- M. Jason Guertin, Ph. D., Université Laval
- Dre Mina Tadrous, Hôpital Women’s College
Résumé : L’intérêt pour les données probantes du monde réel (DPMR) issues de données concrètes, à savoir de données collectées en situation réelle d’utilisation, dans l’évaluation des technologies de la santé a grimpé en flèche récemment. Les données concrètes peuvent offrir aux chercheurs et aux décideurs un aperçu de l’utilisation, de l’efficacité et du cout des technologies; ces données proviennent en général d’études observationnelles. Ces études ont leurs forces et leur utilité, mais elles prêtent flanc à de nombreux types de biais de confusion. Ces biais, s’ils ne sont pas neutralisés, peuvent fausser les résultats et induire en erreur les chercheurs et les décideurs. L’atelier se veut une introduction aux deux méthodes, celle du score de propension et celle du score de risque de maladie, fréquemment utilisées pour tenir compte des variables de confusion dans les études observationnelles. Bien que ces méthodes existent depuis plus de 30 ans, on ne connait pas vraiment leur utilisation et leurs applications. À l’aide d’exemples pratiques constitués de données empiriques et de données simulées, nous décrirons les forces, les lacunes et le mode d’utilisation des deux méthodes dans les études de comparaison de l’efficacité et les évaluations économiques fondées sur des données concrètes.
Inscription :
Dernière mise à jour : 19 décembre 2023