Controlling for continuous confounding factors: non- and semiparametric approaches

Le biais de confusion est un des principaux types de biais des études épidémiologiques visant à caractériser la relation entre un facteur d'exposition et un événement de santé. Une approche courante pour éliminer les biais de confusion durant l'analyse statistique consiste à ajuster sur les facteurs de confusion à l'aide d'un modèle de régression. Pour un facteur de confusion mesuré de façon continue, il est nécessaire de définir comment coder la variable correspondante dans le modèle de régression. Nous illustrons par des simulations faites dans le cas de la régression logistique que l'utilisation d'un codage binaire et d'un codage avec des catégories larges pour un facteur de confusion peut entraîner un biais de confusion résiduel important. Des approches spécifiques peuvent être utilisées pour définir un codage limitant les biais de confusion résiduels. Parmi elles, nous présentons brièvement les modèles non-paramétriques et décrivons en détail plusieurs modèles de régression semi-paramétriques (modèles linéaires partiels généralisés, splines, polynômes fractionnels). Ces approches peuvent être utilisées pour fournir une estimation de l'allure de la relation entre un facteur continu et l'événement de santé d'intérêt sous la forme d'une fonction lissée non spécifiée a priori. Dans les modèles de régression semi-paramétriques, l'effet de certaines covariables est codé par une fonction paramétrique alors que le codage d'une ou deux variables continues est réalisé sous forme non-paramétrique. Ces modèles peuvent être utilisés dans des analyses exploratoires pour décrire la relation dose-effet entre un facteur de confusion et l'événement de santé d'intérêt, et ainsi aider à définir un codage pertinent pour le facteur de confusion.