Validité d'une étude

Lorsqu'un investigateur effectue une étude épidémiologique, il tend vers la plus grande justesse possible. Or, toute étude épidémiologique est basée sur différentes mesures faites, et donc susceptible d'inclure les erreurs. C'est pourquoi deux types d'erreurs sont souvent distinguées dans les études ou recherches. Ce sont les erreurs aléatoires, et les erreurs systématiques. Selon le type d'erreur, les résultats d'une étude seront affectés de façon différentes.

1. Erreurs aléatoires

• Sont des erreurs exclusivement attribuables au hasard.
• La présence d'une erreur aléatoire mène à des résultats moins précis et la précision d'une estimation dépend de la taille (n) de l'échantillon et de la variabilité (X) du paramètre étudié.

C'est ainsi qu'il a été démontré que pour un Intervalle de Confiance (IC) avec un même niveau de confiance de 95 % mais où la taille de l'échantillon augmente, IC devient plus étroit. Et de la même façon, que pour IC avec un même niveau de confiance de 95 %, une même taille des échantillons, et l'obtention d'une même moyenne des échantillons, mais où l'écart-type des échantillons diffère, la valeur des limites de l'IC varie également.

A retenir : La précision d'une estimation est donc exprimée par son erreur standard et par l'étendue de l'intervalle de confiance. Car, plus cet intervalle est étroit, plus l'estimation est précise.

Exemple : Vous avez un sujet de recherche sur la relation entre la Trypanosomiase et l'occupation du lieu, imaginez que :

• Le questionnaire soit mal formulé,
• Les personnes ne répondent pas correctement aux questions posées concernant leur métier,
• Les exposés et les non-exposés ne soient pas correctement identifiés,
• Ou encore le technicien de Laboratoire, insuffisamment formé, ne pose pas dans tous les cas le diagnostic correct (faux-négatifs et faux-positifs).

=> Les erreurs différentielles liées au mauvais classement des individus dans les deux groupes (exposés et non-exposés) :

• Réduisent la capacité de mettre en évidence une relation erre les facteurs de risque de la Trypanosomiase (occupation d'une orne à risque) et la Trypanosomiase (maladie) format la mesure d'association (RR ou Risque Relatif) vers la valeur de non association (Quand RR = 1 ou tend vers 1, il y a biais vers l'unité donc non-association entre le facteur de risque et la maladie).
• Et ces erreurs aléatoires diminuent la précision d'une estimation. Et ce manque de précision entraîne une mauvaise estimation du paramètre étudié suite à de trop larges intervalles de confiance (IC).

2. Erreurs systématiques

Exemples d'erreurs : vous voulez comparer par exemple le périmètre brachial (PB) des enfants résidant dans zone pilote (où il y a une intervention contre la malnutrition) et ceux habitant dans une zone de comparaison.

• Imaginez que l'infirmer chargé de mesurer le PB, désire satisfaire son supérieur ! et dans le but de répondre à l'attente de celui-ci, arrondisse le PB des enfants de la zone pilote vers le haut...
• Ou, qu'afin de gagner du temps, il bâcle son travail en examinant le tout venant de la zone de comparaison.
• lmaginez-vous que, lors de l'étude sur la relation entre la trypanosomiase et l'occupation, l'enquêteur utilise chez les malades de trypanosomiase, des critères différents pour définir le facteur de risque (par exemple : "cultiver le champs") par rapport à ceux utilisés chez les non-trypanomisés induisant une réponse faussement négative chez un nombre d'exposés.

=> Les erreurs de classement différentiel produisent des estimations qui différent systématiquement de la valeur réelle !

=> Elles se produisent lorsque la probabilité de commettre des erreurs dans un sens comme dans l'autre est différente dans les deux groupes à comparer.

C'est ainsi que les résultats d'une telle enquête peuvent suggérer :

• Une forte association entre le facteur de risque et la maladie alors qu'elle n'existe pas ; par exemple le RR est biaisé vers le haut,
• Une non-association alors qu'en réalité la relation existe ; par exemple, le RR est biaisé vers le bas,

=> Les erreurs systématiques compromettent ainsi la validité des études.
=> Cherchez à les éviter car elles sont difficiles à corriger à posteriori.
=> La justesse d'une étude épidémiologique est déterminée par sa précision et sa validité :

• La précision peut être affecté par des erreurs aléatoires,
• La validité par des erreurs systématiques.

En d'autre termes : une étude est précise quand il y a absence relative d'erreurs aléatoires et valide quand il y a absence relative d'erreurs systématiques.

• En général, l'information médicale est, dans la plupart des cas, basée sur des observations faites sur un groupe restreint extrapolées à la population cible.
• II est nécessaire d'être conscient des erreurs qui peuvent s'introduire au cours des différentes étapes de cette extrapolation !

Les résultats obtenus à partir d'un échantillon peuvent être extrapolés à trois niveaux :

• Inférence statistique,
• Validité interne,
• Validité externe,

  1. Inférence statistique

  • Lorsque vous effectuez une étude épidémiologique vous obtenez une estimation de l'ampleur d'un phénomène de santé à partir d'un échantillon,
  • Ensuite vous quantifiez l'impact du hasard par des tests statistiques,
  • Et afin d'estimer l'ampleur du phénomène vous déterminez les limites des valeurs probables du paramètre réel dans la population représentée par l'échantillon.

=> Population d'étude = échantillon = sous-ensemble des sujets choisis par l'enquêteur.
Vous devez estimer l'ampleur du phénomène de santé dans la population d'étude

=> Population mère = Population à partir de laquelle l'échantillon (population d'étude) à été tiré.
Vous devez estimer l'ampleur du phénomène de santé dans la population mère.

• Quelle est l'impact du hasard ?
• Quelle est la précision ? => Inférence statistique.

=> Des échantillons de tailles insuffisantes et/ou un travail bâclé (induisant des erreurs aléatoires) aboutissent à des estimations peu précises !

2. Validité interne

• D'une façon générale lorsque le chercheur désire étudier un phénomène de santé dans une population déterminée, il observe, non pas tous la collection de sujets auxquels il s'intéresse, mais plutôt un groupe restreint issu de cette population. Ce groupe restreint forme l'échantillon ou la population d'étude.
• Le chercheur extrapole les résultats obtenus à la population d'où est tiré l'échantillon qui la représente.
• La totalité de la population forme la population-cible.

=> Population cible = population à laquelle s'applique les résultats d'un étude épidémiologiques ou population visée par un programme de santé ou une intervention épidémiologique.
Vous devez déterminer l'ampleur réelle du phénomène de santé dans la population-cible.
Quelle est la représentativité ?
Y a t-il des biais ? => Validité interne

=> Une mauvaise conception du plan d'étude et/ou des erreurs systématiques dans l'exécution entraînent l'impossibilité d'extrapoler les résultats de la population d étude à la population-cible

=> La validité d'une étude est complètement assurée si l'ampleur du phénomène de santé dans la population-mère = à l'ampleur du phénomène dans la population-cible.

=> Dans ce cas, l'ampleur du phénomène de santé à partir de la population d'étude est une estimation correcte de l'ampleur du phénomène dans la population-cible et les conclusions de l'étude sont valables.

Dans tous les cas, il y a des biais !

• La présence d'un biais risque d'entraîner lors de l'extrapolation des résultats de l'échantillon à la population-cible, une interprétation erronée du phénomène de santé,
• En présence d'un biais, il est intéressant de pouvoir déterminer son impact et de voir s'il affecte les conclusions de l'étude.

Mais en pratique !

• Il est impossible d'estimer son impact absolu, mais il est parfois possible de déterminer son orientation.
• En présence d'un biais le phénomène étudié apparaîtra, à partir des données soit plus faible, soit plus fort, qu'il n'est en réalité.

=> Connaître l'orientation d'un biais permet de juger la validité des conclusions de l'étude.

3. Validité externe

Exemple : Vous prenez connaissance des résultats d'une étude réalisée dans un contexte autre que la vôtre. Il est nécessaire d'évaluer la validité externe de cette étude.

• Il est évident qu'au préalable la validité interne de cette étude, placée dans son texte original, doit être établie.
• Suit l'appréciation de la possibilité de généraliser les résultats de l'étude dans votre contexte c'est à dire, à la situation dans laquelle vous êtes actif, aux populations pour lesquelles vous assumez une responsabilité sanitaire.

Population externe = population avec des caractéristiques de personne, lieu et temps différentes
Les résultats sont-ils généralisables ?

=> La validité externe d'une étude ne peut être déterminée que dans un contexte concret :

• La population d'étude et la population externe doivent être définies,
• Le phénomène de santé déterminé.

=> différents éléments à prendre en compte dans le processus de l'extrapolation des résultats passant outre les caractéristiques P, L, T sont :

• La distribution dans la population externe des facteurs associés au phénomène étudié,
• La connaissance théorique (épidémiologique, biologique) du phénomène,
• Les résultes obtenus par d'autres études.

Les biais dans les études

Les erreurs systématiques ou BIAIS, peuvent affecter la validité d'une étude épidémiologique.
Ces biais se produisent pendant :

• La sélection des sujets = biais de sélection,
• L'observation des sujets = biais d'observation,
• L'analyse des données = biais de confusion.

Pour éviter qu'une étude aboutisse à induire des conclusion erronées il est nécessaire de : prévenir, détecter, corriger autant que possible ces erreurs systématiques ou biais.

1. Biais de sélection

Se produit quand les sujets inclus dans l'étude ne constituent pas un groupe représentatif de la population cible.
Dans ces cas les sujets sélectionnés dans l'échantillon présentent certains caractéristiques qui les distinguent de l'ensemble de la population-mère.
Les erreurs systématiques réalisées à l'inclusion des sujets dans l'étude sont à l'origine des biais de sélection.
Les biais de sélection s'introduisent dans n'importe quel plan d'étude :

• Etude expérimentale = risque faible,
• Etude longitudinale = risque faible,
• Etude cas-témoins = risque élevé,
• Etude transversale = risque considérable

1. Les biais de sélection dans les études transversales

L'introduction potentielle d'un biais de sélection dans une étude transversale peut être liée au refus de participation à l'étude d'un nombre de sujets sélectionnés.

L'introduction potentielle d'un biais de sélection dans une étude transversale peut être liée au fait que les sujets atteints de la maladie mais décédés avant l'exécution de l'étude ne sont pas inclus dans l'échantillon prélevé. C'est à dire que, si la survie est liée aux facteurs d'exposition, les résultats risquent d'être biaisés.

L'introduction potentielle d'un biais de sélection dans une étude transversale peut être liée à la procédure de l'échantillonnage. Car, un choix incorrect de la base de sondage qui ne garantit pas la représentativité risque d'introduire de graves biais de sélection.

Exercice d'application

• Vous venez de mener une étude dans une région R sur l'état nutritionnel des enfants de 6 à 10 ans.
• Dans toutes les zones de sassé de la province P, une surveillance nutritionnelle régulière est organisée à l'exception d'une zone... ! celle de R, où les services de santé sont aux prises d'un manque chronique de personnel.
• Le Ministère de la santé vous demande d'effectuer une enquête dans la région dans le but de connaître l'état nutritionnel des enfants de 6 à 10 ans.
• Comme méthode de sondage, vous aviez opté pour l'échantillonnage aléatoire simple partant des listes de tous les élèves de 6 à 10 ans inscrits dans les écoles de la région.
  • la scolarité des enfants de cette tranche d'âge s'élève à 92 % dans la région
  • La taille de l'échantillon est de 450 et le nombre de non-répondant : 2
  • Les résultats révèlent un pourcentage de malnutrition de 49 % (= 220 enfants) et 51 % des répondants sont bien nourris.

   

Question : Indiquez quelle était pour cette étude, la population cible ?
Réponse : Enfants de 6 à 10 ans de la région R.

Question : Indiquez quelle était pour cette étude, la population d'étude ?
Réponse : la population d'étude est, en effet l'échantillon c'est-à-dire, les 448 écoliers de la région R qui ont été examinés

Question : Indiquez quelle était pour cette étude, la population mère ?
Réponse : Ecoliers de 6 à 10 ans de la région R

Question : Indiquez pour cette étude, les ensembles correspondant à la population externe ?
Réponse : Ecoliers de 6 à 10 ans de la Province P ; Enfants de 6 à 10 ans de la province P ; Enfants de la région R ; Enfants de la province P ; Ecoliers de la région R ; écoliers de la province P ; Ecoliers de 6 à 10 ans du pays.

A présent que sont bien délimitées la population d'étude, la population mère et la population cible, il apparaît que l'échantillon risque de ne pas être représentatif de l'ensemble des enfants de 6 à 10 ans de la région. Car l'échantillon est représentatif des écoliers et non des enfants de 6 à 10 ans de la région. Ces derniers constituent la population cible.
Les résultats sont par définition valables pour la population mère qui est la population représentée par l'échantillon. Vous ne pouvez leur ôter une validité dépassant les limites de cette population. Cela implique que la validité interne est remise en question : l'extrapolation aux enfant de 6 à 10 ans de la région R est cependant possible moyennant quelques précautions. Il vous faudra essayer d'estimer l'impact et l'orientation des biais en cause. Dans le cas précis de cette étude sur la malnutrition dans la région R, le taux de scolarité élevé de 92 % limite l'étendue d'un biais potentiel. Au vue de la scolarité élevée un biais de sélection éventuel ne peut être que peut important. même si tous les enfants, non scolarisés de 6 à 10 ans seraient malnutris, ou au contraire bien nutris.

L'effet maximal d'un biais potentiel (taux de scolarité de 92 % ) est quantifiable

Revoici les données de l'étude sur la malnutrition :

• Population scolarisée : 450 écoliers (92 %),
• Population rani scolarisée : 39 enfants,
• Population cible = population scolarisée + population non-scolarisée = 489
• Nombre d'enfants mal nourris parmi les écoliers : 220 (49 %)
• Nombre de non-répondants parmi les écoliers : 2

Quantification du taux maximal

A. Tous les enfants non-scolarisés ainsi que les non-répondants sont mal nourris :

• Total de mal nourris : 220 + 39 + 2 = 261 enfants,
• Taux maximal de la malnutrition : 261/489 x 100 = 53 %

B. Aucun des enfants non-scolarisés et des non-répondants n'est mal nourri

• Total des mal nourris : 220 + 0 + 0 = 220 enfants,
• Taux minimal de la malnutrition = 220/489 x 100 = 45 %.

Cette simulation vous permet de confirmer que d'un point de vue pragmatique, la présence d'un brais de sélection n'affecterait pas les conclusions de l'étude. Les conclusions de l'étude sont valables pour la population cible, c'est à dire pour les enfants de 6à 10 ans de la région R.

Si le taux réel de la malnutrition se situait entre 22 et 77 % il est impossible de tirer les conclusions valables pour la population cible. Car, suite au faible taux de scolarisation, l'effet maximal du biais potentiel devient considérable ! Il faudrait en premier lieu déterminer l'orientation du biais par une enquête dans la population non-scolarisée. Une telle enquête fournirait des informations sur la direction du biais, éventuellement même sur son importance. Il aurait été plus efficient d'assurer la représentativité de l'échantillon de départ.

Après cette enquête, les journaux publient : Fréquence de malnutrition dans la province P : 49 % !!!!

Que direz-vous ?
L'affirmation par les journalistes que le taux de malnutrition dans la province de P s'élève à 49 % ne repose sur aucun fondement épidémiologique. La validité externe de cette étude n'est pas établie. Car, la population des enfants de 6 à 10 ans de la province P n'est pas comparable à celle de la région R (niveau socio-économique, conditions écologiques etc.) et de surcroît, la région R est l'unique où le programme nutritionnel pour les enfants de 6 à 10 ans ne fonctionne pas.

2. Biais d'observation

Résulte d'une erreur commise dans la collecte de l'information sur l'état de santé ou l'exposition à un fier de risque des sujets sélectionnés pour l'étude.

=> Ce type de biais peut être introduit par l'utilisation de techniques diagnostiques, procédures d'enquêtes, questionnaires, fiches médicales etc. qui induisent une mauvaise classification des sujets dans l'étude.

=> Ce type de biais se produit, quand la méthode d'observation des sujets sélectionnés occasionne une distorsion dans l'estimation des mesures d'association suite à des erreurs de classification.

Il existe deux sortes d'erreurs de classification : les erreurs de classification non différentielles et les erreurs de classification différentielles.

• La méthode utilisée pour la classification des sujets occasionne une erreur de classification non différentielle quand elle a la même validité intrinsèque, c'est à dire la même sensibilité et spécificité, pour les deux groupes à comparer.
• Dans le cas non différentiel, la direction du biais est connu : il y a sous-estimation de l'effet réel ; le risque relatif étant ramené vers la valeur de non-association : RR tend vers 1.
• La méthode utilisée pour la classification des sujets occasionne une erreur de classification différentielle quand la même validité intrinsèque est différente pour les deux groupes à comparer. Dans le cas différentiel, la direction du biais n'est pas connu ! l'effet réel peut être soit surestimé, soit sous-estimé.

Exercice d'application

Imaginez-vous une étude longitudinale descriptive qui compare les taux d'incidence de l'hypertension artérielle chez les utilisatrices et non-utilisatrices d'un contraceptif oral.

=> L'hypertension modérée est un état de santé qui peut rester dissimulé longtemps en l'absence d'attention médicale particulière,

=> L'utilisation de contraceptifs oraux entraîne des contacts plus fréquents avec le secteur médical,

=> Le diagnostic d'une hypertension modérée risque d'être plus fréquemment et facilement posé chez des utilisatrices de contraceptif,

=> la fréquence des consultations étant plus élevée la détection sera plus grande chez les utilisatrices ;

=> si on n'adhère pas strictement aux critères déterminés, le diagnostic risque d'être posé plus légèrement chez les utilisatrices chez qui le personnel médical "soupçonne" le problème.

=> Quelle est la valeur du RR si l'on adopte un tel plan "naïf" (qui ne tient pas compte des remarques précédentes), sachant que le contraceptif n'a pas d'effet biologique prouvé sur la TA ?

RR = Taux d'incidence chez les utilisatrices/ Taux d'incidence chez les non-utilisatrices

RR > 1

=> Une telle étude surestimerait le RR réel. Car en l'absence d'un effet biologique le RR = 1.

=> Il serait de surcroît difficile de quantifier l'étendue du biais => l'étude ne permettrait pas de tirer une conclusion.

=> On pourrait conclure que les contraceptifs oraux avaient un effet protecteur sur la tension artérielle.

=> le diagnostic plus fréquent chez les utilisatrices entraînerait une sous-estimation de l'effet protecteur (RR < 1). Le RR devrait encore être plus petit que 0,5 !

* Afin d'éviter d'introduire des biais d'observation dans "l'axe maladie" de cette étude, ou pourrait, entre autres :

• Assurer un suivi comparable des non-utilisatrices et utilisatrices,
• Standardiser les procédures et les critères diagnostiques,
• Ne pas dévoiler aux personnes qui effectuent le suivi l'état d'exposition des sujets concernés,
• Ne pas dévoiler aux sujets suivis l'hypothèse de l'étude,
• Ne pas dévoiler aux personnes qui effectuent le suivi l'hypothèse de l'étude.

3. Biais de confusion

=> Résulte du mélange, de la contamination d'effets produits lorsqu'une troisième variable (= facteur de confusion) est associée aussi bien à la variable d'exposition d'intérêt (= facteur de risque) qu'à la variable maladie.

=> Le facteur de confusion occasionne une distorsion de l'estimation de l'association entre le facteur d'exposition et la maladie.

=> Le facteur de confusion représente un facteur de risque additionnel pour la maladie et une variable concomitante pour l'exposition.

 

Exercice d'application

Voici les résultats d'une étude longitudinale qui explore la relation entre l'éthylisme et le cancer du poumon.

Exposition	Cancer du poumon		Total
	Malade	Non-malade
Ethylisme + Ethylisme -	73 37	927 963	1000 1000
Total	110	1890	2000

RR = 0,73/0,37 = 1,97 et X2 = 12,5

• Cette étude indique une association statistique entre l'éthylisme et cancer du poumon
• Mais les résultats peuvent être expliqués par des biais de confusion
• Les facteurs de confusion potentiels sont le tabagisme et le sexe
• Le facteur de confusion potentiel est simultanément facteur de risque pour la maladie et variable associé à l'exposition
• La première variable à considérer est le "tabagisme"

Exemple

Exposition	Cancer du poumon
	Malade	Non-malade
Ethylisme + Tabagisme + Ethylisme -	70   30	630   270	700   300
Total	100	900	1000
Ethylisme + Ethylisme -	3 7	297 693	300 700
Total	10	990	1000

• Quel est le risque relatif des fumeurs d'être atteints de cancer du poumon par rapport aux non-fumeurs ?
  RR = 0,1/0,01 = 10
• Le tabagisme est un facteur de risque pour le cancer du poumon, car les fumeurs ont 10 fois plus de risque de développer un cancer du poumon que les non-fumeurs.
• Quel est le RR d'être alcoolique pour les fumeurs par rapport aux non?fumeurs ?
  RR = 700/1000 / 300/1000 = 2,3
• Il existe une association entre le tabagisme et l'éthylisme. Les fumeurs ont 2,3 fois plus de chance d'être alcooliques que les non-fumeurs.
• Le tabagisme est un facteur de confusion dans cette étude, les données doivent être analysées en tenant compte de cette variable.
• Calculer le RR (éthylisme) dans chaque strate ?
  Tabagisme+ RR = 70/700 / 30/300 = 1
  Tabagisme? RR = 3/300 / 7/700 = 1

=> L'association entre éthylisme et cancer du poumon dans les données brutes (RR = 1,97) est le produit d'un biais de confusion. Car à l'intérieur des différentes strates du "tabagisme" il n'existe aucune association entre éthylisme et le cancer du poumon : RR = 1.

Examinez, à présent, l'association entre le tabagisme et le cancer du poumon : L'association dans les données non-stratifiées est pour :

• Tabagisme et cancer du poumon : RR = 10,
• Ethylisme et cancer da poumon : RR = 1,97,
• Ethylisme et tabagisme : RR = 2,3

=> la variable "éthylisme" n'est pas un facteur de risque pour le cancer du poumon (RR ajusté = 1). Elle n'est associée au cancer da poumon que de manière secondaire, c'est-à-dire qu'à travers son association avec le facteur "tabagisme". Par conséquent, "éthylisme" ne peut confondre la relation entre le tabagisme et l'apparition du cancer du poumon.

Les biais de confusion sont présents dans la quasi totalité des études non expérimentales.
Les bais de confusion n'invalident pas les études par leur présence mais plutôt par leur ampleur.
Les biais de confusion doivent être contrôlés avec nettement plus de rigueur dans les études analytiques que dans les études descriptives.

Méthodes de neutralisation des biais de confusion

1. Au moment de la collecte des données

• Par randomisation : avec un effectif important, les autres facteurs de risque auront tendance à être distribués de la même manière dans les différents groupes. La randomisation contribue au contrôle des biais de confusion par des facteurs confondants méconnus.
• Par restriction : si par restriction, le chercheur se limite à étudier uniquement les sujets "fumeurs", "non-fumeurs", le facteur "tabagisme" n'exercera plus un effet confondant dans l'étude.
• Par appariement : c'est la sélection des sujets d'étude appliquée de telle manière que les facteurs de confusion sont répartis de façon égale entre les groupes à comparer. Admettons par exemple que "l'âge" soit un facteur de confusion dans l'étude entre le tabagisme et le cancer du poumon. Si, dans une étude longitudinale, chaque fumeur est apparié à un non fume de même âge, ou du même groupe d'âge, ce facteur confondant est neutralisé parce qu'il n'est plus associé à l'exposition

2. Au moment de l'analyse des données

• Par restriction
• Stratification (ou analyse multivariée) : on divise la population d'étude en sous-groupe en fonction des différents niveaux de la ou des variables confondants et on calcule le RR ou le RC (étude cas?témoins) dans chaque strate ou groupe. Si le RR dans les strates diffère appréciablement du RR dans l'ensemble des données , il y a biais de confusion.
• Par standardisation

	Moments dans l'étude		Types d'études
	Collecte des données	Analyse	Expérimentale	Non expérimentale
Randomisation	+	-	+	-
Restriction	+	-	+	+
Appariement	+	-	+	+
Stratification	-	-	+	+

 

Exercice Biais

Un médecin veut faire la compliance des patients tuberculeux par rapport à plusieurs schémas thérapeutiques. Il décide de suivre tous les nouveaux patients qui sont enregistrés dans les centres de santé de son district entre le 1/1/1995 et le 30/6/1995. Le 30/06/1995, il obtient les résultats suivants : des 124 cas qui avaient reçu un traitement court (6 mois), 37 patients avaient abandonné tandis que 162 des 318 patients mis sous traitement long (12 mois) ont abandonné (X2 = 16, P < 0,05).

1. De quel type d'étude s'agit-il ?

2. Peut-il y avoir un biais de sélection ?
Si non, pourquoi ?
Si oui, expliquez.

3. Y-a-t-il des facteurs confondants potentiels ?
Si non, pourquoi ?
Si oui, lesquels ?

4. Est-ce qu'on peut conclure que le traitement court prévient l'abandon du traitement ?

Conakry le 1 décembre 2003
Dr Kaba KOUROUMA, Ambassadeur Santé tropicale, Guinée. mail : kk_transfusion@hotmail.com