Les modèles d’exposition nous font penser aux notions de "Régressions, ajustements et facteurs de confusion" vu dans le cours d’épidémiologie.

La recherche d’une relation entre l’issue principale (la survie pour un essais clinique, le développement d’une pathologie dans les études d’exposition) et le paramètre étudié (le type de traitement ou le niveau d’exposition à un facteur de risque supposé), est fréquemment compliquée par des différences de caractéristiques des populations comparées (les cas versus les témoins par exemple). Pour être plus précis, si un traitement s’avère plus efficace chez les patients plus jeunes, une différence de distribution des âges entre patients traités et témoins risque de fausser les résultats. Le paramètre âge devient ainsi un facteur de confusion.

Contrairement aux sources de biais, il est possible de tenir compte de l’effet des facteurs de confusion qui sont traités comme des variables explicatives de la variable dépendante ou expliquée (développement d’une pathologie). Il existe globalement deux méthodes d’ajustement, la régression et la stratification. La régression suppose la variation continue selon une formule donnée de l’issue principale avec le facteur confondant potentiel. Si l’on étudie la variation du volume d’expiration en fonction de l’exposition à des émanations d’une substance, il faut ajuster le résultat en fonction de l’âge, car statistiquement le volume d’expiration diminue avec l’âge. De même, une correction devra être apporté pour les fumeurs, le tabagisme étant un autre facteur confondant. La relation entre âge et volume d’expiration semble bien linéaire, ce qui nous permet d’introduire des variables d’ajustement issues de la courbe de régression. Cette opération est plus difficile à réaliser pour les fumeurs (connaissance du nombre exact de cigarettes fumées). Il est alors possible de stratifier la population étudiée en fonction du nombre moyen de cigarettes x année en quelques classes : moins de 10 cigarettes x année, 11-20 cigarettes x année, plus d’un paquet x année par exemple et de calculer le risque relatif classe par classe. Les tests statistiques permettront d’établir si les différences en terme de risque relatif sont significatives entre les sous-groupes, ce qui conduira à les traiter séparément ou à les regrouper s’il y a lieu.

L’arrivée des logiciels de statistiques a permis l’emploi d’analyses multivariées explicatives capables de contrôler l’ensemble des biais de confusion, quel que soit le type de variables et d’obtenir une quantification de l’association entre l’événement étudié et chacun des facteurs l’influençant, tout en tenant compte de l’effet simultané des autres facteurs.
Les incertitudes et l’apparition de maladies subsiste toujours et il faudrait les prendre en compte dans une études épidémiologique.