Un biais est un facteur qui pourrait fausser les résultats décrits dans une étude. Il en existe plusieurs types.

Biais de confusion

Il résulte de la présence d’un facteur de confusion, c’est-à-dire d’une différence entre les groupes comparés autre que le médicament testé : âge, autres maladies concomitantes, stade de la maladie, effet placebo, …

Par exemple, si l’on teste un médicament de la grippe et que l’on donne le nouveau traitement à des patients avec une forme peu sévère et le placebo à des patients admis en réanimation, il est facile de voir une différence entre les deux groupes. Pour autant, elle n’est probablement pas liée au médicament.

Comment l’éviter ?
Une des façons de ne pas avoir de facteur de confusion est de vérifier que les groupes ont bien été randomisés (c'est à dire tirés au sort, voir l'item 07). Ainsi, il n’y a pas de raison que les groupes soient différents, y compris pour des facteurs de confusions même inconnus.
D’autres méthodes complémentaires sont liées aux méthodes statistiques employées, notamment le fait de réaliser des analyses multivariées qui prennent en compte différents paramètres intercurrents.  

Biais de sélection

Il s’agit d’une erreur dans la sélection des patients, c’est-à-dire que l’échantillon étudié n’est pas adapté : non représentatif de la population atteinte par la maladie (exemple : des personnes jeunes pour la maladie d’Alzheimer) ou non conforme à l’objectif (exemple : des patients avec des formes trop sévères de la maladie pour un traitement destiné à éviter l’aggravation de formes modérées).
Il faut donc vérifier que le groupe de patients de l’essai est représentatif de la population touchée par la maladie et à qui serait destinée le traitement.

Biais de Mesure

C’est une erreur dans les mesures des caractéristiques des patients étudiés.

Par exemple, utiliser une méthode de diagnostic insuffisamment fiable qui peut faire considérer comme malade une personne qui ne l’est pas.

Biais d’attrition

Dans les essais cliniques, il est possible que tous les patients qui participent ne les terminent pas, pour différentes raisons (déménagement, lassitude, … mais aussi décès et effets indésirables pénibles). Ce sont les « perdus de vue ».

Il est important que ceux-ci ne soient pas trop nombreux, pour que les groupes initiaux restent comparables à la fin.
De plus, il ne faut pas exclure les données des patients n’ayant pas terminé l’étude sans analyser pourquoi !
Par exemple, le fait que les patients décèdent au cours de l’étude est intéressant, car cela peut être lié à la maladie et donc à un potentiel échec de traitement.
S’ils arrêtent l’étude, cela peut être lié à des effets indésirables gênants des médicaments, etc.
Il faut donc en tenir compte lors de l’analyse statistique par une analyse dite « en intention de traiter » : tous les patients qui ont été inclus sont analysés dans les résultats.

Ceux avec des données manquantes sont traités arbitrairement, le plus souvent avec l’hypothèse de biais maximum : les perdus vus ayant reçus le traitement testé sont considérés comme ayant eu une mauvaise évolution.

De cette façon, on « pénalise » artificiellement le médicament testé, mais cela renforce la probabilité qu’un bénéfice démontré par cette étude existe réellement.

Biais de publication

C’est un biais spécifique des méta-analyses, qui compilent les résultats de nombreuses études déjà réalisées.
Le problème est que les études ayant eu des résultats positifs ont plus de chances d’être publiées que celles ne démontrant pas d’intérêt d’un médicament car elles seront jugées plus intéressantes par les comités de lecture.