La réforme du 2 ème cycle R2C se concrétise. Les premiers EDNs blancs ont permis de voir les types de questions posées et l’approche. Les premières analyses des statistiques des étudiants sont formelles : la LCA est devenue la matière la plus discriminante dans le classement.
Malheureusement c’est aussi la matière la plus délicate à préparer. Non seulement il faut maîtriser les bases théoriques mais il faut également avoir du recul sur les articles scientifiques présentés et un esprit critique. Il y a également une grande part d’interprétation.
C’est pour toutes ces raisons que nous allons essayer de proposer ici le maximum de ressources pour préparer et réussir l’épreuve de LCA avec les articles rando-LCA.
La LCA est facile à condition de travailler régulièrement. Réussir l’épreuve de LCA c’est maîtriser toutes les connaissances nécessaires à la bonne compréhension des articles scientifiques.
Retrouvez les articles de LCA dans la rubrique RANDO-LCA
En vue de la réforme du deuxième cycle des études de médecine (R2C), le collège des enseignants s’est réuni récemment à l’occasion de la conférence des doyens pour définir les nouvelles modalités de l’épreuve de lecture critique d’article (LCA).
Il s’agit de l’épreuve la plus redoutable sur le parcours vers son poste de médecin car elle fait appel à des connaissances pointues de méthodologie scientifique, une bonne compréhension de l’anglais scientifique et une capacité d’analyse.
L’épreuve de LCA va être modifié en profondeur avec la réforme du deuxième cycle.
Désormais, il n’y aura qu’un seul article à analyser entièrement. Par contre, celui-ci sera accompagné de deux autres articles plus court, parfois issu de la littérature grand public qui mettront en perspective l’article principal. Le but est de présenter à l’étudiant une controverse scientifique.
Par exemple, l’article principal présente un nouveau médicament de l’hypertension artérielle. Un article connexe est issu de la HAS. Puis un autre article issu d’un journal de presse parle de ce médicament. L’épreuve consistera à analyser la méthodologie de l’article scientifique principal, identifier les biais, et surtout mettre en perspective les trois articles et conclure sur la pertinence de la prescription du nouveau médicament.
L’idée du collège des enseignants est de faire en sorte que les médecins en fin de deuxième cycle puissent avoir toutes les clés en main pour comprendre la littérature scientifique et prendre des décisions fondées sur les preuves.
Le collège a réaffirmer sa volonté de ne pas mettre en place de référentiel commun de connaissance opposable le jour de l’épreuve.
En pratique, il faut donc se mettre à préparer l’épreuve de LCA dès le début de l’internat. Rando Médicale développe donc un parcours personnalisé pour se préparer dans les meilleurs conditions à la LCA qui comprend une série de cours par niveau pour acquérir l’ensemble des connaissances théoriques nécessaire puis une série d’entrainement espacé sur l’année de niveau de difficulté progressif et enfin une revue des controverses scientifiques actuelles. Outre la transmission de connaissance théorique pur notre formation permet d’acquérir une solide culture scientifique médical qui permet de prendre du recul sur l’épreuve et se démarquer des autres étudiants.
Le directeur de l’organisation mondiale de la santé appelle depuis la mi-février les pays du monde entier à tester les patients afin de détecter les cas de Covid 19. Cependant, quelle est la fiabilité de ces tests ? Sont-ils vraiment efficaces pour détecter les personnes atteintes par le virus ?
En effet, jusque là, le test disponible permet de détecter la présence du virus dans les voies respiratoires d’un individu par méthode PCR. La positivité du test dépend de la quantité de virus présente dans les voies respiratoires d’un individu. Cette quantité dépend du temps écoulé depuis l’apparition des symptômes et de la sévérité de la maladie.
Les études évaluant la performance de ces tests sont d’une qualité méthodologique faible. Protocoles différents pour réaliser les tests selon les centres, test gold standard mal défini, nombre de patients testés faible… Néanmoins, l’agrégation des données issus de ces études permet d’avoir une estimation de la sensibilité du test (probabilité que le test soit positif chez une personne effectivement atteinte par le virus) qui se situe autour de 70% (IC : 56 – 82) et de la spécificité (probabilité que le test soit négatif chez une personne qui n’est pas atteinte par le virus) qui est proche de 100%.
Rappelons-le, l’enjeu du test pour contrôler la pandémie est double : détecter les cas positifs de manière large pour les isoler tout en étant certain que les individus négatifs ne soient pas porteurs du virus. En d’autres termes, la valeur prédictive positive et négative du test sont-elles suffisantes ?
Pour contenir l’épidémie de Covid 19, le test PCR a-t-il une valeur prédictive positive et négative suffisamment importante pour différencier les individus malades des sains ?
Outre la variabilité probable de la sensibilité et spécificité du test PCR selon le centre qui le réalise (variabilité interobservateurs) ou le soignant qui le pratique (variabilité intraobservateur), la prévalence de la maladie dans la population a une influence forte sur les conclusions que l’on peut tirer des résultats de ces tests. Ainsi, la valeur prédictive positive et négative varient en fonction de la prévalence de la maladie dans la population testée.
Si la prévalence de la maladie est faible dans la population que l’on teste (1% des patients de la population que l’on teste sont effectivement atteints par le virus) une spécificité de 99% et une sensibilité autour de 70% (fiabilité des tests Covid 19 actuels) correspondent à une valeur prédictive positive de 100% et une valeur prédictive négative de 98%. Le test est donc très fiable.
Cependant si la prévalence de la maladie augmente dans la population (patients issus d’un foyer de contamination forte par le virus où 45% des personnes présentent la maladie) ; pour les mêmes valeurs de sensibilité et de spécificité la valeur prédictive négative du test n’est plus que de 80%. Pour vous en convaincre je vous invite fortement à utiliser le module proposé dans la deuxième partie de l’article de Raphaël Groscot : https://www.groscot.fr/fiabilite-des-tests-de-depistage-covid19
Ainsi, on comprend pourquoi le test PCR actuel n’est pas assez fiable pour être utilisé dans une population où la prévalence de l’infection par Covid 19 est élevée. (Par exemple, les personnes issues d’une zone où le virus circule activement comme à Mulhouse ou dans l’Oise).
Si notre infrastructure ne permet pas aujourd’hui de tester tout le monde, on peut s’interroger sur la pertinence de réaliser des tests sur des patients présentant des symptômes typiques du coronavirus issus d’une ville où le virus circule activement. Tester des personnes asymptomatiques ou présentant une symptomatologie atypique dans des régions où le virus circule peu est loin d’être absurde.
Contexte : le 21 février 2020, l’Italie a été contrainte de confiner la province de Lodi pour faire face à l’épidémie du Covid 19 puis le 9 mars le confinement s’est étendu à l’ensemble du territoire pour éviter la saturation de ses hôpitaux. Dans le même temps, l’épidémie en France s’est mise à enfler avec l’apparition des foyers de cas à Mulhouse et dans l’Oise. Face au cri d’alarme de notre état voisin, l’inquiétude a grandi dans tout le pays sur les mesures à prendre pour éviter de connaître la même saturation. D’autant que les retours des services de réanimation montraient que les patients nécessitaient des soins lourds pendant une durée prolongée (15 à 21 jours) bien supérieure à celle des patients habituellement admis dans ce type de service créant une embolisation des lits de réanimation.
La question de mettre en place, en plus des mesures barrières, un confinement des régions les plus touchées par l’épidémie voire de l’ensemble du territoire est devenu incontournable. Les journalistes n’ont d’ailleurs pas manquer d’interroger la porte parole du gouvernement sur le risque de saturation de nos hôpitaux. https://www.gouvernement.fr/conseil-des-ministres/2020-03-11 (minute 40) La réponse était claire : la situation est sous contrôle, les mesures prises ont tenu compte de ce risque et suffiront. D’ailleurs, le premier ministre face à la question de la saturation des hôpitaux a insisté pendant sa conférence de presse du 28 mars sur le fait que le confinement total décidé le 17 mars était suffisant pour limiter le pic épidémique. Affirmant face aux caméras : « Je ne laisserai personne dire qu’il y a eu du retard sur les mesures de confinement » (source : 1). Et confirmant cette position le 14 avril face à l’assemblée nationale : » Les hôpitaux n’ont pas été débordé ». (source : 2).
Le 19 avril, alors que le pic de l’épidémie a été atteint et que le nombre d’admission à l’hôpital diminue, le premier ministre a présenté une courbe montrant en ordonnée le nombre de lits de réanimation disponible en France au début de la crise (5000), le nombre de lit après ouverture et réorganisation en urgence des services dans toute la France (10500) et le nombre de lit prévu après création de nouveaux services (15000). La courbe bleue montre le nombre de patient admis en réanimation en raison du Covid 19. Ce nombre atteint 7100 aux alentours du 8 avril, chiffre bien en dessous des 10500 lits annoncés comme disponibles. En un mot un graphique rassurant à première vue : les capacités réanimatoires de nos hôpitaux n’ont pas été débordé.
Toutefois, cette courbe ne représente pas la réalité. Si on écoute bien le discours du premier ministre et si on se réfère aux données du portail S.A.E. diffusion qui rend public les informations des établissements de santé (source 3). Il faut noter que les lits de réanimation sont occupés en moyenne à 85% (de 80 à 90% selon les régions) sur le territoire. La déprogrammation des opérations non urgentes initiées début mars a permis d’abaisser légèrement ce taux d’occupation à 80%. Pour se rendre compte de la situation réelle, afin de pouvoir comparer l’évolution du nombre de malade en réanimation aux nombres de lits disponibles, il faut prendre en compte le nombre total de patients en réanimation. Si on se base sur les données de santé publique france concernant le nombre de patient covid en réanimation (source 4) et pour être large une occupation à 75% des lits de réanimation par des patients non covid (3750 lits occupés sur les 5000) on arrive plutôt à un graphique de ce type :
L’objectif premier de cet article est d’attirer l’attention sur la vigilance permanente à avoir lors de la lecture d’un graphique. Qu’il soit publié dans une revue scientifique de qualité ou présentée par le premier ministre, il faut toujours s’interroger sur la pertinence des courbes présentées et leur capacité à représenter la situation réelle.
Le deuxième objectif est d’alerté sur le fait que les services hospitaliers ont été dépassé. La pression sur les lits est extrèmement forte. La courbe corrigée présentée ne permet de saisir qu’une partie de la réalité. Les 10500 lits n’ont pas été ouvert dans des conditions acceptables mais en urgence absolue pour faire face en catastrophe. De nombreux services ont été fermé pour créer ces lits limitant la prise en charge de patients atteints de maladie chronique dont les soins ont été reporté. Les infirmiers sont en sous effectif et ont été aidé par des étudiants en médecine (externe des hôpitaux). Le matériel manque… De plus, un patient non atteint par le Covid 19 admis dans un service de réanimation qui prend en charge des patients infectés par le virus a un risque élevé de contracter l’infection et de décéder au vue de la facilité de transmission du virus d’une chambre à l’autre. Cela complique d’autant plus l’organisation des unités et du personnel. En un mot, l’hôpital a été débordé et il faut le prendre en compte pour la suite.
En effet, la stratégie annoncée par le gouvernement est de laisser circuler le virus dans la population à un rythme suffisament lent pour éviter la saturation des lits hospitaliers. Les lits créés dans l’urgence ne correspondent pas à de « vrais » lit de réanimation. Outre les besoins en matériel, c’est le manque de personnel suffisament formé qui constitue un problème central. Actuellement on estime que 5% des patients ayant une infection par le covid 19 confirmés nécessitent un séjour en réanimation. Ainsi dès que l’on passe la barre des 40 000 cas, se sont 2000 patients Covid 19+ qui sont admis en réanimation entre 7 et 10 jours plus tard en plus des 3600 qui occupent les lits en temps normal à cause de pathologies tout autre ( infection grave, décompensation d’une insuffisance cardiaque… )
Les mesures de déconfinement et plus tard les mesures de reconfinement de la population doivent impérativement prendre en compte la réalité de la situation à l’hôpital et ne pas se baser sur des graphiques ininterprétables
.
Enfin, je tiens à rappeler ici la volonté politique du gouvernement de lutter contre la manipulation de information. Une loi est en vigueur depuis le 20 décembre 2018. On attend du premier ministre qu’il montre l’exemple dans une situation aussi grave.
Bien souvent, lorsque les résultats d’un essai clinique sont présentés par des journalistes au grand public, on peut lire ou entendre : « tel médicament réduit de 30% le risque d’infarctus chez les patients qui le prennent » « le risque de développer un cancer du poumon est 20 fois plus important chez les patients fumeurs que chez les patients non-fumeur.
Pourtant, lorsque l’on s’intéresse aux résultats d’une étude scientifique, on se rend compte que les résultats sont toujours accompagnés d’un intervalle de confiance à 95%.
Pour bien comprendre de quoi on parle, prenons comme exemple les résultats de l’étude ACEND parue en octobre 2018 dans le New England Journal of Medecine. Cette grande étude randomisée contre placebo portant sur plus de 15000 patients cherchaient à évaluer la balance bénéfice risque de la prise d’aspirine à petites doses chez les patients diabétiques de plus de 45 ans n’ayant jamais eu d’évènements cardiovasculaires (infarctus, AVC…).
On peut lire dans le paragraphe des résultats :
A total of 15,480 participants underwent randomization. During a mean follow-up of 7.4 years, serious vascular events occurred in a significantly lower percentage of participants in the aspirin group than in the placebo group (658 participants [8.5%] vs. 743 [9.6%]; rate ratio, 0.88; 95% confidence interval [CI], 0.79 to 0.97; P=0.01)
Que signifie cette intervalle de confiance à 95% ?
Une interprétation simple est largement répandue : l’intervalle de confiance à 95% correspond à l’intervalle à l’intérieur duquel on est sûr à 95% que le résultat réel de ce qu’on a mesuré se situe. Dans notre exemple, cette définition nous permettrait de dire : On est certain à 95% que l’effet protecteur de l’aspirine sur la réduction des accidents cardiovasculaires est située entre 0.79 et 0.97. Soit une réduction du risque cardiovasculaire comprise entre 21% et 3%.
Pourtant, la véritable interprétation de cette intervalle de confiance est un peu plus complexe. La définition strice de cet intervalle de confiance est : si on répète l’expérience que l’on vient d’effectuer un grand nombre de fois et que l’on mesure un intervalle de confiance à 95% à chaque fois, alors 95% de ces intervalles de confiance contiendraient la valeur réelle de ce que l’on veut mesurer. Dans notre exemple, cela voudrait dire que si on répète cette étude des milliers de fois et que l’on calculait à chaque fois l’intervalle de confiance du résultat obtenu, celui-ci se situerait entre 0.79 et 0.97 dans 95% des études.
Cette définition plus précise et juste d’un point de vue statistique permet de comprendre pourquoi cette intervalle de confiance est d’autant plus petit que le nombre de sujets participant à une étude est grand. Cela permet aussi de saisir pourquoi on peut parler de résultat significatif si l’intervalle de confiance à 95% exclut la valeur nulle (c’est à dire un risque relatif à 1 ou une différence entre deux interventions de 0).
Bon courage pour la dernière semaine de l’année 2019…
Source : Higgins JPT, Green S (editors). Cochrane Handbook for Systematic Reviews of Interventions Version 5.1.0 [updated March 2011]. The Cochrane Collaboration, 2011. Available from www.handbook.cochrane.org.
Notre mode de vie change : les écrans deviennent omniprésent. Il est loin le temps où les seules sources de lumière provenaient soit du soleil soit d’une bougie. Au mois de mai 2019, l’agence nationale de sécurité sanitaire, de l’environnement et du travail (ANSES) a publié des reccomandations concernant l’exposition à la lumière bleue et a souligné la toxicité de certaines sources et l’importance de limiter l’exposition à ce type de lumière en particulier pour les enfants. Devant un tel rapport, une question s’impose à nous : allons nous devenir aveugle à force de rester sur nos écrans ?
Pour répondre objectivement et scientifiquement à de telles questions, la lecture critique d’article est un outil formidable. Elle permet de comprendre les rapports des scientifiques et de se faire une idée fondée sur des connaissances et non pas des croyances. Rando-LCA vous propose donc pour sa première étape de s’intéresser à la question de la lumière bleue. Nous allons faire un tour parmi les articles publiés sur le sujet et en profiter pour rappeler quelques notions clés sur les différents types de variable et leur analyse.
Une variable est un phénomène que l’on mesure. Lorsque l’on veut analyser l’effet de la lumière bleue sur la rétine les variables que l’on peut mesurer sont par exemple la quantité de lumière bleue qui atteint la rétine, le temps d’exposition à la lumière bleue, l’apparition ou non d’une atrophie rétinienne (destruction de la rétine).
Par exemple, une équipe de chercheur a étudié en 2001 l‘effet sur la rétine de singe d’une exposition de 30 jours à une lumière LED ou infrarouge. Dix rétines ont été analysé lors de cette étude. Différentes mesures ont été effectué permettant de récupérer des variables quantitatives ou qualitatives.
Une variable quantitative est une variable qui reflète une notion de grandeur. Dans cette étude, la quantité d’énergie délivrée à la rétine des singes est un très bon exemple de variable quantitative. Il y a un sens de dire que tel singe a reçu une quantité plus importante d’énergie sur sa rétine par rapport à tel autre singe. Si l’on veut parler précisément on dira que la quantité d’énergie reçue par la rétine du singe est une variable quantitative continue car cette variable peut prendre une infinité de valeur. Une variable qui ne peut prendre qu’un nombre fini de valeur comme l’acuité visuelle du singe sera appellée variable quantitative discrète.
Une autre variable récupérée et analysée par les chercheurs était la présence d’une anomalie rétinienne apparue à la fin de l’expérience sur la rétine de singe. Il s’agit d’une variable qualitative. Elle ne reflète pas une idée de grandeur. Si l’on veut parler précisément, on dira même que cette variable est qualitative binaire car elle ne peut prendre que deux valeurs : anomalie rétinienne présente ou anomalie rétinienne absente.
Il est important lorsqu’on lit un article d’identifier le type de variable qui est analysé. En effet, on ne pourra pas faire les mêmes calculs statistiques sur des variables quantitatives ou qualitatives. Ce sera détaillé lors d’une prochaine éta
pe de Rando-LCA. En attendant pour les plus curieux voici la photographie de la rétine d’un des singes après une exposition de 2 jours(variable quantitatvie continue) à une lumière
LED bleue de 460nm(variable quantitative continue) à la puissance de 25.2J(variable quantitative continue) qui montre une anomalie rétinienne(variable qualitative).
Cette étude est l’une des premières à avoir démontré l’effet toxique de cette longueur d’onde lumineuse sur la rétine. Mais l’énergie délivrée à la rétine était élevée, qu’en est-il pour des puissances moins grandes et répétées dans le temps ? La réponse accompagnée d’autres explications en LCA à la prochaine étape.
Courage et persévérance sur le chemin vers l’internat
Gabriel Hallali
Source : Dawson, W., Nakanishi-Ueda, T., Armstrong, D., Reitze, D., Samuelson, D., Hope, M., … Koide, R. (2001). Local Fundus Response to Blue (LED and Laser) and Infrared (LED and Laser) Sources. Experimental Eye Research, 73(1), 137–147.doi:10.1006/exer.2001.1020
Cet été Rando-médicale a décidé de se lancer sur le grande randonnée de la LCA. Chaque semaine uen notion clé de LCA sera explorée. Illustrée autant que possible d’exemples tirés de la littérature et de conseils de méthode pour devenir un véritable expert du terrain glissant de cette discipline.
Abonnez-vous dès maintenant pour recevoir en avant première les articles du blog (1 à 2 mails par semaine)
Nous avons pu l’écrire grâce à un article scientifique publié en 2015 par cinq neuroscientifiques dans la revue PlosOne. Nous pensons que cet article est pertinent pour comprendre plusieurs notions clés de LCA. Nous vous proposons donc de décortiquer ensemble un passage de l’article.
Cette étude comparait trois groupes de patients : le premier groupe ne faisait pas la sieste et n’était pas exposé au soleil, le deuxième faisait une sieste dans le noir complet, le troisième était exposé à une lumière importante >2000lux et ne faisait pas la sieste.
Voici un extrait intéressant de l’article (Partie Méthode) :
Significance level was set at p<0.05 {..}P-values were adjusted using Bonferroni correction
Si on traduit en français cela donne : « le degré de signification a été fixé à p<0.05 {…} Les valeurs de « p » ont été ajusté en utilisant la méthode de correction de Bonferroni. »
Le degré de signification, « p », est une notion fondamentale en LCA. C’est la valeur que tout le monde recherche lorsqu’on lui présente les résultats d’une étude et que les laboratoires s’empresseront de mettre en avant lorsqu’ils vous feront de la pub ! En effet, celle-ci permet théoriquement de savoir en un clin d’oeil si l’on peut faire confiance aux résultats que l’on nous présente.
Imaginez que vous faîtes parti des chercheurs qui veulent comparer l’efficacité de la sieste par rapport à l’exposition lumineuse sur la concentration au travail. Votre hypothèse de base est : » les individus qui font la sieste sont plus concentrés dans leur travail que les individus qui s’exposent à la lumière « . Toute étude scientifique comporte une part d’imprévus. Peut-être que le groupe des individus qui vont être exposés à la lumière ont tous fait une randonnée de trois jours sans dormir avant de venir participer à votre étude !
Ainsi vos résultats, peu importe les précautions que vous prenez, sont soumis à un risque d’erreur.
C’est pourquoi, au moment de créer votre étude, vous devez déterminer le risque que vos conclusions soient fausses : « le risque de conclure à tort à une différence » (autrement appelé « risque alpha« ). Dans notre étude, il était fixé à priorià 5%.
Une fois que les chercheurs ont fait l’analyse statistique des résultats, le logiciel de calcul a déterminé le degré de signification « p ». C’est une valeur déterminée à postériori. Si le « p » est inférieur au risque fixé à priori (c’est à dire le risque alpha) alors les résultats de l’étude sont significatifs.
Ainsi, lorsque les chercheurs trouvent à l’issue de leurs calculs un p inférieur au risque alpha, il est possible de se fier aux résultats qu’ils ont trouvé. Le risque de conclure à tort à une différence entre les deux groupes testés est très faible. Ils s’affranchissent ainsi de la part d’aléatoire qui pouvait fausser les résultats de leur étude à priori.
Attention notez bien :
la valeur du p ne donne aucune information sur l’importance de la différence entre les groupes. Si le risque alpha est de 5% = 0.05. Trouver un p=0.04 ou un p=0.00001 a exactement la même signification : la différence est significative. Ce n’est pas parce que l’on trouve un p très inférieur au risque alpha fixé à priori que l’on peut dire que la différence est très significative.
Si le petit « p » est supérieur au risque alpha. Par exemple si p=0.06. On ne pourra pas conclure à une égalité des groupes comparés. Dans notre exemple, si on trouve un degré de signification de 0.07 lorsque l’on compare le groupe « sieste » par rapport au groupe « lumière ». On ne pourra pas dire que l’intervention « sieste » est aussi efficace que l’intervention « lumière » pour améliorer la concentration au travail. Pour cela il faudrait faire une étude dédiée.
la valeur du p est mesurée à postériori. Elle ne modifie pas le risque alpha. Si le p est à 0.02 et que le risque alpha a été fixé à 5%, le risque alpha reste de 5%.
Lorsque l’on fait plusieurs calculs statistiques, la valeur du « p » ne reflète plus la réalité. La multiplication des calculs et des comparaisons entre les groupes augmentent fortement le risque d’erreur aléatoire. Ainsi, il est indispensable de corriger la valeur du petit lors des calculs grâce à des modèles statistiques. Le plus connu est le modèle de Bonferroni. (notion présente dans le glossaire du CNCI.
En espérant que vous apprécierez cette méthode d’étude de la LCA. N’hésitez pas à nous donner votre avis !
En BONUS QCMs d’internat spécial 6 ème année : Dans une étude randomisée contrôlée, le p est inutile dans le tableau 1 lorsque les auteurs comparent les deux groupes de patient. Cf ECNI blanc 2017 Q5.
Au matin du 1er janvier, on a le sentiment d’avoir passer un nouveau cap. Un je-ne-sais-quoi quoi dans l’atmosphère donne une impression de changement. Le moment est alors propice pour prendre de nouvelles habitudes. Malheureusement, on ne les respecte souvent que quelques temps puis on les abandonne. Parfois, l’année suivante, on se souvient avec regret de sa bonne résolution et on se dit :
« Si seulement j’avais réussi à la respecter ! »
Est-ce réellement une fatalité ? Sommes nous condamnés à ne pas respecter nos engagements du premier janvier ? Afin de répondre à cette question, nous avons rapidement interrogés la littérature scientifique (via NCBi, voir sources à la fin de l’article) et bonne nouvelle, il n’est pas si difficile d’adopter de nouvelles habitudes sur le long cours… A condition de suivre la bonne recette ! Nous souhaiterions donc vous livrer les points clés de cette recette en utilisant un exemple concret qui vous aidera à réussir le concours.
En effet, un étudiant qui prépare l’internat doit adopter de nouvelles habitudes et les garder sur plusieurs années. Une d’elle, pourtant plébiscitée par de nombreux PUPH, est réputée extrêmement difficile à entériner : s’entraîner régulièrement à faire de la LCA (lecture critique d’article). Il a été prouvé qu’il est extrêmement bénéfique pour la santé de son classement de faire de la LCA très régulièrement ! C’est à dire, en D3, deux fois par mois et une fois par semaine en D4.
Voici donc une méthode pour y arriver :
1) formuler clairement son objectif :
Ici se serait pour un D4 : « Faire un article de LCA par semaine jusqu’aux ECNis quoi qu’il arrive. »
Il est beaucoup plus facile de suivre une habitude qui a été formulé de manière positive avec des verbes d’action (faire, suivre, changer) qu’une habitude formulée de manière négative (ne plus, arrêter de…)
2) Se fixer une heure précise dans son calendrier pour « faire » sa nouvelle habitude.
Il est bon de choisir un moment juste avant une activité qui nous fait plaisir. A titre d’exemple, nous avions choisi de faire de la LCA le samedi en fin d’après-midi car le samedi soir était réservé pour sortir. Il était alors beaucoup plus facile d’accepter de faire 3 heures de LCA de 17h30 à 20h30 sachant que l’on allait s’amuser juste après.
4) Fixer des rappels dans son emploi du temps.
Créer une alerte sur son téléphone, surligner 3 fois la plage horaire sur son agenda, demander au voisin de sonner à votre porte…Tous le moyens sont bons à condition qu’ils soient efficace en donnant le bon signal au bon moment.
6) Surveiller son habitude et se féliciter de la tenir.
A la fin de chaque mois il peut être utile de reporter sur une feuille le nombre de séances de LCA réellement effectuées. Une autre façon est de se lancer dans sa nouvelle habitude avec un autre étudiant et de se soutenir l’un l’autre en « surveillant » si l’autre respecte bien son engagement.
7) Abandonner une fois de temps en temps mais jamais deux fois de suite.
Une étude s’intéressant au taux de maintien de nouvelles habitudes de santé à montrer que de manquer une opportunité avait peu d’influence sur le maintien de cette habitude au long cours par contre, quand les patients étudiés manquaient deux opportunités de suite, ils abandonnaient significativement plus souvent leur bonne résolution.
8) Respectez votre engagement 21 fois pour qu’il devienne automatique.
Un mythe circulant sur internet dit qu’il suffit de suivre sa nouvelle habitude 21 fois pour qu’elle devienne automatique. En réalité, les études montrent qu’elle doit être adoptée au moins 66 fois de suite…
Par conséquent, si vous arrivez déjà à faire de la LCA une fois par semaine d’ici le mois de juin soyez très fier de vous.
Votre classement vous remerciera à coup sûr de l’effort fournit.
Prêt à te lancer dans l’aventure ?
Partages cette article avec un ami et lancez-vous dans le challenge hebdomadaire de LCA.
Sinon, tu peux envoyer un mail à randoecni@gmail.com avec le texte ci-dessous rempli. Nous nous engageons à te soutenir dans ta bonne résolution jusqu’au mois de juin.
« Je m’engage à faire de la LCA, une fois par semaine jusqu’au mois de Juin. J’ai décidé de faire de la LCA tous les *choisir un jour de la semaine* à * choisir une heure*. »
(1) Gardner, Benjamin et al. “Making health habitual: the psychology of ‘habit-formation’ and general practice” British journal of general practice : the journal of the Royal College of General Practitioners vol. 62,605 (2012): 664–6.
(2) Chatzisarantis, N. L., & Hagger, M. S. (2007). Mindfulness and the intention-behavior relationship within the theory of plannedbehavior. Personality and Social Psychology Bulletin, 33, 663 – 676.
(3) Pirolli, Peter et al. “Implementation Intention and Reminder Effects on Behavior Change in a Mobile Health System: A Predictive Cognitive Model” Journal of medical Internet research vol. 19,11 e397. 30 Nov. 2017, doi:10.2196/jmir.8217
(4) European Journal of Social Psychology Eur. J. Soc. Psychol. 40, 998 – 1009 (2010) Published online 16 July 2009 in Wiley Online Library (wileyonlinelibrary.com) DOI: 10.1002/ejsp.674 How are habits formed : modelling habit formation in the real world.
Le biais d’attrition est une notion importante en LCA qui est difficile à comprendre. Sa définition varie selon les sources et cela entraîne une grande confusion. Nous allons essayé avec cet article de clarifier ce biais en analysant un cas concret. Une fois que la notion est bien comprise, il est plus facile de la retenir et de ne plus être piégé par les questions s’y rapportant.
Avant toute chose, ce biais est présent uniquement dans les études longitudinales. Il implique qu’il y ait eu un suivi des patients au cours du temps.
Imaginez une étude avec 100 patients.
Etude longitudinale comparant deux régimes
Le but de l’étude est de déterminer si un régime à base uniquement de graisse (régime cétogène) peut diminuer le poids des patients. Les patients sont randomisés : 50 reçoivent le régime riche en graisse, les 50 autres reçoivent un régime standard. Au bout de six mois, on veut comparer l’efficacité du régime sur la perte de poids.
Le problème est que sur les 50 patients qui ont reçu le régime riche en graisse, 33 l’ont arrêté car ils ont présenté trop d’effets secondaires et 5 ont été perdus de vue. Les perdus de vue sont systématiquement dans le groupe régime riche en graisse. L’exclusion des sujets ayant arrêté le régime en raison des effets secondaires risque de surestimer l’efficacité de ce régime.
Prenons un exemple chiffré :
Exemple chiffrée de l’effet du biais d’attrition sur la conclusion d’une étude
Il est possible de limiter le biais d’attrition en réduisant au maximum le nombre de perdus de vue et en effectuant une analyse en intention de traiter : tous les patients randomisés sont inclus dans l’analyse des données.
Après cette explication et cette exemple, nous espérons que la définition du glossaire de LCA devient claire :
Un biais d’attrition est une différence systématique entre les groupes de comparaison dans les sorties d’étude ou les exclusions de sujets de l’analyse.
Pour bien comprendre de quoi on parle, prenons comme exemple les résultats de l’étude ACEND parue en octobre 2018 dans le New England Journal of Medecine. Cette grande étude randomisée contre placebo portant sur plus de 15000 patients cherchaient à évaluer la balance bénéfice risque de la prise d’aspirine à petites doses chez les patients diabétiques de plus de 45 ans n’ayant jamais eu d’évènements cardiovasculaires (infarctus, AVC…).
Notre mode de vie change : les écrans deviennent omniprésent. Il est loin le temps où les seules sources de lumière provenaient soit du soleil soit d’une bougie. Au mois de mai 2019, l’agence nationale de sécurité sanitaire, de l’environnement et du travail (ANSES) a publié des reccomandations concernant l’exposition à la lumière bleue et a souligné la toxicité de certaines sources et l’importance de limiter l’exposition à ce type de lumière en particulier pour les enfants. Devant un tel rapport, une question s’impose à nous : allons nous devenir aveugle à force de rester sur nos écrans ?
Coup de pompe après le déjeuner ? Les deux techniques pour des après-midi de travail vraiment efficace.
