Les études descriptives

Les études descriptives ont pour but de décrire la situation : elles comptent le nombre de personnes atteintes de diabète, ou dans un sondage qui sont satisfaites de leurs soins hospitaliers. Une telle étude utilise des statistiques descriptives pour résumer les résultats – pourcentages, une valeur moyenne ou médiane, et peut-être la fourchette des valeurs ou l’écart-type. Les données d’une étude descriptive peuvent provenir d’un questionnaire, ou de sources telles que les dossiers médicaux électroniques ou les programmes de surveillance, décrivant la personne, le lieu et le moment de l’apparition de la maladie (qui ? où ? quand ?) [voir La surveillance, chapitre 7]. Les études descriptives sont couramment utilisées auprès de petites populations locales, comme les patients de votre cabinet, et sont souvent utilisées pour recueillir de l’information en vue de la planification des services. Les études descriptives se réfèrent généralement à un seul point dans le temps – généralement le présent – et donnent donc une image transversale de la population, bien que des études transversales répétées puissent illustrer les tendances dans le temps, comme l’évolution du nombre de fumeurs dans votre pratique. Lorsqu’une étude recueille de l’information sur plusieurs variables, elle peut décrire les associations entre les variables (p. ex., le diabète est-il plus fréquent chez les hommes ou les femmes et varie-t-il selon le statut tabagique ? Ceci peut être utilisé pour générer des hypothèses, qui peuvent ensuite être testées dans le cadre d’une étude analytique.

La majorité des études analytiques en épidémiologie cherchent à établir des relations causales. Elles comparent généralement différents groupes, p. ex. les personnes exposées à un facteur causal ou à un traitement, et d’autres qui ne le sont pas. Cependant, un défi fondamental est qu’on ne peut jamais établir de relation causale entre un facteur et une maladie de manière définitive; le mieux qu’une étude puisse faire est de montrer que les résultats correspondent à une série de critères permettant de conclure qu’une relation causale est probable.

Les critères d’inférence des causes

En 1965, Austin Bradford Hill a proposé un ensemble de critères pour évaluer la causalité des relations épidémiologiques; il s’est basé en partie sur les postulats de Koch datant du dix-neuvième siècle.  Comme ces critères ont été modifiés à maintes reprises, il en existe plusieurs versions comprenant un nombre différent de critères. Le tableau 5.3 en offre un exemple typique des critères avec commentaire critique sur ses limites.

Tableau 5.3 : Critères d’inférence d’une relation causale en épidémiologie

En fin de compte, le fait qu’un facteur soit accepté comme la cause un non d’une maladie reste toujours sujette à controverse, surtout lorsqu’il n’est pas possible d’obtenir des preuves expérimentales. Il existe toujours des défenseurs du tabac qui s’appuient sur des arguments basés sur des points techniques pour démontrer la fausseté de la conclusion que le tabagisme cause le cancer et les cardiopathies. Les sections qui suivent décrivent les principaux types de conception de recherche et résument leurs forces et limites.

Les plans de recherche

La recherche quantitative fait appel à divers plans d’étude qui se divisent en deux grandes catégories : les études expérimentales (ou essais expérimentaux) et les études par observation. La figure 5.1 cartographie les distinctions entre ces catégories, à partir du facteur ou de la maladie à l’étude, en haut du diagramme.

Les études expérimentales (ou d‘intervention)

Comme le nom l’indique, dans le cadre de ces études, les participants subissent une intervention quelconque dont on évalue l’impact. Il peut s’agir d’une intervention médicale ou chirurgicale, d’un nouveau médicament ou d’une intervention sur le mode de vie. Comme il s’agit du plan le plus rigoureux d’un point de vue méthodologique, les études expérimentales sont le choix implicite lorsqu’on veut trouver des preuves à l’appui des meilleures pratiques de prise en charge des patients. C’est pourquoi ce thème est abordé en premier.

Le chercheur expérimental exerce un contrôle sur l’intervention, le moment, la dose et l’intensité. Sous sa forme la plus simple, une étude expérimentale évalue l’effet d’un traitement en suivant ces étapes :

1. Le chercheur énonce officiellement l’hypothèse à tester;
2. Le chercheur choisit des personnes admissibles au traitement;
3. L’échantillon est divisé en deux groupes;
4. Un groupe (le groupe expérimental ou d’intervention) reçoit l’intervention, alors que l’autre (le groupe témoin) ne la reçoit pas;
5. Les résultats pertinents sont consignés sur une certaine période, puis on compare les résultats des deux groupes.

À la troisième étape, une distinction critique apparaît (voir à la gauche de la figure 5.1) : on peut procéder soit à un essai comparatif aléatoire, soit opter pour un plan non aléatoire. Dans le cadre d’un essai comparatif aléatoire, les personnes sont réparties entre un groupe d’intervention et un groupe témoin de manière entièrement aléatoire, alors que dans le cadre d’une étude non aléatoire, les décisions relatives à l’intervention sont prises autrement. On peut, par exemple, répartir les participants en fonction de l’endroit ou de leur ordre d’entrée dans l’étude. Il existe de nombreux types d’études non aléatoires, mais comme le chercheur n’a pas nécessairement le plein contrôle sur la répartition entre le groupe expérimental et le groupe témoin, ces études sont perçues comme étant inférieures aux plans véritablement aléatoires (voir Pour les mordus). On les appelle souvent des plans quasi expérimentaux.

La répartition aléatoire réduit la possibilité d’un biais de répartition aux groupes de traitement ou de contrôle, les rendant comparables; il permet également l’utilisation valide de tests statistiques (qui supposent souvent une répartition aléatoire). Mais l‘avantage principal de la répartition aléatoire des sujets est que les autres facteurs qui pourraient influencer le résultat (p. ex. les facteurs CONFUSIONNELS) seront probablement également présents dans chaque groupe, y compris les facteurs inconnus, comme les caractéristiques génétiques qui influent sur le pronostic. En moyenne, si l’on suppose l’absence d’erreur systématique ou de biais, la seule différence entre deux groupes répartis aléatoirement est l’intervention. Par conséquent, toute différence dans les résultats découle probablement de l’intervention. Plus l’échantillon de l’étude est grand, plus nous pouvons être confiants que d’autres facteurs seront équivalents dans les deux groupes, de sorte que toute différence est de plus en plus due à l’intervention. Mais il s’agit toujours d’une question de probabilités, et c’est pourquoi nous avons besoin de tests de signification statistique. Celles-ci montrent la probabilité que les différences observées entre le groupe expérimental et le groupe témoin soient le fruit du hasard.

Les essais comparatifs aléatoires

Le plan expérimental le plus commun en recherche médicale est l’essai comparatif aléatoire (ECA, ou RCT en anglais). Un ECA est une véritable expérience, du fait que le chercheur contrôle l’exposition et, dans sa forme la plus simple, répartit les sujets aléatoirement entre le groupe expérimental et le groupe témoin (lequel pourrait ne recevoir aucun traitement, le traitement classique ou un placébo). Le suivi et l’évaluation des deux groupes sont réalisés à l’aide d’une comparaison rigoureuse de leurs taux de morbidité, de mortalité et d’événements indésirables, de leur état fonctionnel de santé et de leur qualité de vie. On a surtout recours aux ECA pour évaluer les thérapies, mais on peut aussi s’en servir pour étudier des mesures de prévention. Le plus souvent, les individus sont répartis au hasard dans les groupes d’étude, mais des personnes peuvent aussi être répartis par groupe, voire des communautés entières. Les ECA sont souvent réalisés dans plusieurs centres, comme c’est le cas des essais cliniques sur les traitements anticancéreux (voir l’encadré).

Voici les étapes d’un ECA :

1. Énoncer l’hypothèse de manière quantitative et opérationnelle. Par exemple, en utilisant le format baptisé PICO par nos collègues anglophones : « Il y aura une réduction de 10 % des sueurs nocturnes auto-enregistrées chez les femmes périménopausées qui portent un bracelet de poignet magnétique, comparativement aux femmes du même âge qui ne portent pas d’aimant au poignet. »
2. Sélectionner les participants. Cette étape comprend le calcul de la taille de l’échantillon requis, l’établissement de critères d’inclusion et d’exclusion, et l’obtention d’un consentement libre et éclairé.
3. Répartir les participants au hasard aux groupes expérimental et témoin ; cela se fait normalement à l’aide d’une répartition aléatoire générée par ordinateur. Notons qu’il peut y avoir plus d’un groupe d’intervention, par exemple si l’on veut tester différents tailles d’aimants dans l’étude de la ménopause. Le groupe témoin peut recevoir soit le traitement standard (p. ex. thérapie d’estrogène), ou un placébo (p. ex. un bracelet non-magnétique).
4. Administrer l’intervention. Il vaut mieux que cela soit effectué à l’insu afin que le patient ne sache pas à quel groupe il a été affecté. Idéalement, le chercheur (et certainement l’intervenant qui surveille la réaction du patient) ne doit pas non plus savoir à quel groupe le patient est affecté (il s’agit alors d’une expérience à double insu). Cela aide à éliminer l’influence des attentes possibles du patient et du clinicien à l’égard du traitement, attentes qui pourraient biaiser l’évaluation des résultats. Parfois, on utilise une approche à triple insu dans laquelle ni le patient, ni le clinicien, ni ceux qui analysent et interprètent les données ne savent quel groupe a reçu le traitement (les groupes sont simplement étiquetés A ou B). Cela réduit encore plus les biais possibles.
5. Examiner les résultats (p. ex. les paramètres physiologiques ou biochimiques, la morbidité, la mortalité, les événements indésirables, l’état de santé fonctionnelle ou la qualité de vie) à un moment déterminé d’avance et comparer ceux du groupe d’intervention et du groupe témoin à l’aide d’analyses statistiques. Cela permet de déterminer si une différence dans les taux observés dans les deux groupes survient plus souvent que si seul le hasard était en cause.

On considère les ECA comme étant les meilleurs plans de recherche, mais ils comportent tout de même des limites. En effet, ils sont conçus pour étudier l’efficacité d’un traitement dans des conditions expérimentales bien contrôlées. Il est donc possible que les preuves ne reflètent pas l’efficacité du traitement sur le terrain. Par EFFICACITÉ POTENTIELLE (« efficacy » en anglais), on entend l’impact potentiel d’un traitement dans les conditions optimales typiques d’un milieu de recherche contrôlé. Par EFFICACITÉ RÉELLE, on entend son impact dans les conditions normales de pratique. Par exemple, dans des conditions expérimentales, un médicament peut être efficace parce que les patients savent qu’ils participent à un projet de recherche et qu’ils sont supervisés. Cependant, dans un contexte réel, le médicament pourrait ne pas être efficace, car sans supervision, les patients pourraient ne pas prendre tout le médicament à la bonne dose. Il se peut également qu’une intervention efficace ne soit pas suffisamment EFFICIENTE pour être mise en pratique. L’auto-examen des seins est une méthode efficace de dépistage précoce du cancer du sein, mais uniquement dans des conditions expérimentales où des infirmières qualifiées effectuent un suivi constant auprès des femmes. Le coût d’un tel niveau d’intervention est trop élevé pour être appliqué de manière générale.

De plus, on réalise souvent des essais auprès de populations très ciblées (p. ex. des fumeurs de sexe masculin âgés de 50 à 74 ans qui présentent une angine de poitrine instable sans comorbidité et qui acceptent de participer à une étude de recherche). Cela peut réduire la généralisabilité des résultats aux patients typiques souffrant d’angine de poitrine. L’attrition peut aussi être un problème si les participants d’un groupe ou l’autre abandonnent l’étude avant la fin. En dernier lieu, les essais d’intervention, bien qu’ils soient conçus pour détecter les différences dans les résultats connus et souhaités, peuvent être de trop petite taille pour détecter des effets inconnus antérieurement ou rares.

L’essai à effectif unique est une adaptation de l’ECA qui peut s’avérer particulièrement utile pour tester l’application d’un traitement chez un patient unique de manière à exclure la plupart des sources de biais.

L’éthique des ECA

Des questions éthiques particulières (voir ÉTHIQUE dans le glossaire) se posent dans la conduite de toutes les expériences médicales. Une tension peut surgir entre deux principes de base : les patients ont le droit de recevoir un traitement efficace (principe de bienfaisance), mais il est contraire à l’éthique d’adopter un nouveau traitement sans procéder à des tests rigoureux pour prouver l’efficacité (pour garantir la non-malfaisance). Par conséquent, s’il y a des preuves partielles qu’un traitement est supérieur, il peut être contraire à l’éthique de le prouver dans un essai randomisé parce que cela impliquerait de le refuser aux patients du groupe témoin. Par conséquent, un ECA ne peut être appliqué éthiquement que lorsqu’il existe une réelle incertitude quant à la supériorité du traitement expérimental ; c’est ce qu’on appelle l’équilibre. Il est également contraire à l’éthique de mener des essais qui n’offrent qu’une valeur sociale marginale (p. ex., des études qui profitent davantage aux publications du chercheur qu’à la santé des patients, ou des études qui font également office de projets de marketing). Évidemment il est contraire à l’éthique de poursuivre un essai si le traitement se montre clairement efficace (ou clairement dangereux). On établit donc à l’avance des règles précisant les conditions dans lesquelles il est permis d’interrompre une étude (voir « L’interruption précoce des essais »). Compte tenu de ces principes éthiques, de nombreux traitements établis ne feront probablement jamais l’objet d’un essai comparatif :

• l’appendicectomie pour l’appendicite;
• l’insuline pour le diabète;
• l’anesthésie pour les chirurgies;
• la vaccination pour la variole;
• l’immobilisation pour les os fracturés;
• le parachute pour sauter d’un avion, comme l’a noté le British Medical Journal avec humour.¹⁰

Les phases des études d’intervention

Une fois qu’un nouveau traitement pharmaceutique est au point, il est testé en plusieurs phases successives avant que son utilisation par le public ne soit approuvée par les organismes de réglementation. Les essais aléatoires sont l’une des étapes de cette longue séquence, laquelle commence par des études en laboratoire sur des modèles animaux, puis sur des humains :

Phase I : Le nouveau médicament ou traitement est mis à l’essai pour la première fois dans un petit groupe de personnes afin d’en déterminer la posologie sécuritaire et les effets secondaires possibles.
Phase II : Le médicament ou traitement est administré à un groupe plus nombreux, à la dose recommandée, pour déterminer son efficacité dans des conditions contrôlées et pour évaluer son innocuité. Il ne s’agit généralement pas d’une étude aléatoire.
Phase III : Le médicament ou traitement est mis à l’essai dans des groupes de grande taille afin d’en confirmer l’efficacité, d’en surveiller les effets secondaires, de le comparer aux traitements couramment utilisés et de recueillir des renseignements en vue de son utilisation sécuritaire. Les études de phase III comprennent normalement une série d’essais randomisés. À la fin de cette phase, il est possible que l’utilisation publique du médicament soit approuvée. L’approbation peut limiter l’utilisation du médicament, par exemple à des maladies spécifiques ou à certains groupes d’âge.
Phase IV : Après la mise sur le marché du traitement, on continue de recueillir de l’information pour décrire son efficacité sur différentes populations, mais surtout pour déceler les effets secondaires ou les effets indésirables possibles. Il ne s’agit pas d’un ECA, mais d’une surveillance post-commercialisation. L’information provient de plusieurs sources, comme les rapports des médecins (et des patients) sur les effets secondaires ou les données sur les résultats, comme les réadmissions à l’hôpital obtenues à partir de systèmes d’information informatisés. Un grand nombre peut être nécessaire pour détecter des effets secondaires rares ou à évolution lente.

Les études analytiques par observation

Dans une étude analytique par observation, le chercheur observe ce qui arrive aux personnes dans des conditions d’exposition choisies par la personne elle-même (comme l’exercice ou l’alimentation) ou qui échappent à leur contrôle (comme la plupart des déterminants sociaux de la santé). Il y a souvent un groupe témoin de personnes qui n’ont pas été exposées. La distinction clé avec une étude expérimentale est que le chercheur peut choisir les populations et les expositions à étudier, mais ne les influence pas. Comme il n’y a pas d’attribution aléatoire des expositions, le problème majeur dans l’inférence de causalité est que les groupes exposés et non exposés peuvent différer sur d’autres facteurs clés qui peuvent eux-mêmes être de véritables causes du résultat, plutôt que les caractéristiques à l’étude. Ces facteurs sont connus sous le nom de facteurs de confusion.

La distinction critique entre une étude purement descriptive et une étude analytique est que cette dernière est conçue pour tester une hypothèse, généralement dans le but d’identifier une relation de cause à effet. Lorsqu’une variable de résultat, telle qu’une maladie cardiaque, est étudiée en relation avec une variable d’exposition telle que le poids corporel, l’étude fait plus que compter : elle teste une hypothèse prédisant une association entre les deux. L’intérêt n’est plus purement local, comme dans le cas d’une étude descriptive, mais pour en tirer une conclusion plus générale qui s’appliquera à une population plus large. Par conséquent, la représentativité de l’échantillon de l’étude est d’une importance cruciale, introduisant le concept de validité externe ou de généralisabilité des résultats de l’échantillon. Pour décrire le niveau de confiance avec lequel nous pouvons tirer des conclusions générales à partir d’un échantillon, nous utilisons des statistiques d’inférence (voir la section sur les erreurs fortuites dans l’échantillonnage, ci-dessous).

Les études d’observation analytiques varient en termes de procédures d’échantillonnage utilisées pour recueillir des données, et peuvent être de trois types : études transversales, études de cohortes ou études cas-témoins (voir la figure 5.1).

Les études analytiques transversales

Les études transversales utilisent une seule référence temporelle pour les données recueillies (p. ex. les personnes qui ont consulté un médecin au cours des deux dernières semaines). L’une des études transversales les plus courantes est l’enquête analytique, une extension de la conception de l’enquête descriptive. La différence est que l’analyse enregistre les associations entre les variables afin de tester formellement une hypothèse, plutôt que de simplement rapporter la fréquence de leur occurrence. Par  exemple, dans un sondage nationale, un chercheur vise à tester des hypothèses concernant l’association entre les sensations de stress et l’utilisation des services médicaux. Le chercheur peut demander aux personnes si elles ont éprouvé du stress au cours de la dernière année, puis si elles ont consulté un médecin au cours des deux dernières semaines. Supposons que les résultats sont les suivants :

Tableau 5.4 : Stress et visites chez le médecin : calcul de l’association entre deux variables

Notons que ce résultat peut être interprété de deux façons :

1. Parmi les personnes ayant éprouvé du stress au cours de la dernière année, 31 % (1 442/4 651) ont consulté un médecin au cours des deux dernières semaines, contre seulement 19 % (2 633/13 856) des personnes n’ayant pas éprouvé de stress. Ou,
2. Parmi les personnes ayant consulté leur médecin au cours des deux dernières semaines, 35 % (1 442/4 075) ont éprouvé du stress au cours de la dernière année, contre 22 % (3 209/14 432) des personnes n’ayant pas consulté.

Ces deux approches conviennent. Le chercheur est libre de décider comment les résultats seront présentés; le plan d’étude permet les deux types d’analyse. La seule chose que l’on peut conclure est qu’il existe une association entre les deux variables. On peut supposer que le stress prédispose les gens à consulter leur médecin, mais se pourrait-il que la perspective d’une visite chez le médecin engendre du stress, ou qu’autre chose (facteur de confusion tel que la peur d’une maladie sous-jacente) soit à la fois une source de stress et une raison de consulter? Cette étude fournit peu de preuves à l’appui d’une relation de cause à effet –  simplement une association apparente entre le stress et la visite chez le médecin. La principale faiblesse des études transversales est qu’elles ne peuvent pas montrer la séquence temporelle : le facteur (stress) est-il antérieur au résultat (visite chez le médecin)? (voir critères de causalité au tableau 5.3).

Les études descriptives et analytiques portent habituellement sur des échantillons d’individus, mais peuvent également étudier les groupes, p. ex. une comparaison entre villes. Empruntant leurs données des sources gouvernementales, ces études sont faciles à mener. Voir l’encadré  « Études écologiques ».

Les études de cohortes

Une cohorte est un groupe de personnes faisant partie d’un échantillon quantifiable qui partagent une certaine caractéristique et auprès desquelles on peut effectuer un suivi sur une période déterminée : par exemple, les membres d’une cohorte de naissance ont tous la même année de naissance (voir Pour les mordus, « Cohorte »). Dans le domaine de la santé, les études de cohortes portent souvent sur des facteurs causaux; la caractéristique d’intérêt est habituellement un type d’exposition qui, selon l’hypothèse à tester, semble augmenter la probabilité d’un résultat clinique. Typiquement, une étude de cohorte porte d’abord sur un échantillon de personnes n’ayant pas la maladie d’intérêt; elle recueille des renseignements sur l’exposition au facteur à l’étude, et effectue un suivi auprès de personnes exposées et non exposées sur une certaine période (figure 5.3). Pour cette raison, les études de cohortes sont également appelées études longitudinales ou de suivi. Le nombre de nouveaux cas (l’incidence) de la maladie est consigné et comparé entre les groupes d’exposition. L’hypothèse à tester est généralement que plus de maladies apparaîtront dans le groupe exposé (indiqué par les tailles relatives des rectangles à droite de la figure.

Dans les études de cohortes simples, les résultats peuvent être présentés dans un tableau « 2 fois 2 » (deux rangées et deux colonnes, sans compter la colonne des totaux).

Tableau 5.5 : Modèle type de tableau 2 x 2 établissant un lien entre une exposition et un résultat

L’incidence (le risque) de maladie dans le groupe exposé est calculée à l’aide de la formule a/(a + b). De même, le risque des personnes non exposées est égal à c/(c + d). On peut comparer ces risques pour obtenir un rapport de risque (souvent appelé RISQUE RELATIF ou RR) : [a/(a + b) divisé par c/(c + d)]. Ce statistique donne une indication de la force de l’association entre l’exposition et le résultat : dans quelle mesure la maladie est-elle plus probable chez les personnes exposées ? Un risque relatif de 1,0 indique que la probabilité de contracter la maladie est la même chez les personnes exposées et non exposées : il n’existe aucune association entre l’exposition et la maladie. Un risque relatif supérieur à 1,0 implique qu’il est plus probable qu’une personne ayant été exposée au facteur devienne malade, comparativement à une personne non exposée. Un risque relatif inférieur à 1,0 implique un effet protecteur (p. ex., un risque réduit de COVID-19 chez des personnes immunisées).

Le principal avantage des études de cohortes est que l’exposition est consignée avant les résultats; le critère causal d’une séquence temporelle entre l’exposition et le résultat peut être clairement établi si les participants n’étaient pas atteints de la maladie au début de l’étude. En outre, comme on prévoit la manière de consigner les expositions et les résultats dès le début de la période d’étude, les données peuvent être consignées de manière standardisée. Il est à noter que les essais randomisés sont une version expérimentale d’une étude de cohorte dans laquelle l’expérimentateur attribue au hasard l’exposition à des sujets expérimentaux ou témoins.

La définition des groupes d’exposition

Imaginez une étude de cohorte conçue pour tester l’hypothèse que l’exposition aux vapeurs de soudage cause des maladies des voies respiratoires. On pourrait choisir l’échantillon en fonction d’un indicateur brut d’exposition, par exemple considérer la profession comme un substitut (on suppose ainsi que les soudeurs sont exposés et que les autres travailleurs ne le sont pas). On a souvent recours à cette approche en épidémiologie professionnelle et militaire. Une autre solution, plus précise, serait de quantifier les niveaux d’exposition (p. ex., selon l’histoire de travail de la personne); cela exige plus d’information, mais permet d’estimer la réponse à la dose — un des critères pour inférer une cause (voir le tableau 5.3).

On peut pousser la quantification encore plus loin, dans une étude de cohorte, non pas en suivant un groupe non exposé, mais en choisissant un échantillon de personnes dont l’exposition est assez variée pour permettre des comparaisons entre tous les niveaux d’exposition, ou pour établir un modèle mathématique de l’exposition. Les études de cohortes portant sur l’alimentation, l’activité physique ou l’usage du tabac ont souvent recours à cette approche, puisant des renseignements dans un questionnaire initial. Les études de cohortes communautaires comme l’étude coronarienne de Framingham utilisent cette approche. (Voir documents supplémentaires : L’étude de Framingham). Les études de cohortes offrent un moyen puissant d’évaluer les influences causales, mais elles peuvent prendre beaucoup de temps à compléter et donc être coûteuses. Une alternative moins coûteuse est le plan d’étude cas-témoin.

Les études cas-témoins

Les études cas-témoins comparent un groupe de patients présentant un résultat particulier (p. ex. des cas de cancer pancréatique confirmés par un pathologiste) à un groupe semblable par ailleurs, mais n’ayant pas la maladie (les témoins). Comme le montre la figure 5.4, les antécédents d’exposition (p. ex. la consommation d’alcool) avant l’apparition de la maladie sont ensuite comparés entre les groupes. Le nom du plan d’étude sert de rappel que les groupes à comparer sont définis en fonction du résultat d’intérêt : sa présence (chez les cas) ou son absence (chez les témoins). L’hypothèse à vérifier est que l’exposition soit plus fréquente chez les cas que chez les témoins, comme l’indique la taille relative des cercles à gauche de la figure.

Remarquez qu’une étude cas-témoin ne permet pas de calculer l’incidence ou le risque d’une maladie, étant donné qu’elle commence avec un nombre prédéterminé de personnes atteintes de la maladie et un nombre prédéterminé de personnes qui n’en sont pas atteintes. Il n’est donc pas possible de calculer un rapport de risque. Mais ne désespérez-vous pas :  les renseignements permettent de calculer la probabilité qu’une personne ait été exposée à la maladie — le rapport a:c dans le tableau 2 x 2 (tableau 5.6). On peut la comparer à la probabilité qu’un témoin ait été exposé — le rapport b:d. Le résultat de l’étude cas-témoin est ensuite exprimé comme étant le rapport de ces deux probabilités, ou RAPPORT DE COTES (RC) : a/c divisé par b/d. Afin de simplifier le calcul, on a habituellement recours à la formule algébrique ad/bc.

Tableau 5.6 : Tableau générique 2 x 2 pour calculer le rapport de cotes

Le RC calculé à l’aide d’une étude cas-témoin peut s’approcher du risque relatif, mais uniquement lorsque la maladie est rare (disons jusqu’à environ 5 % de la population, comme c’est le cas pour de nombreux états chroniques — voir l’encadré « Probabilités et cotes »). L’interprétation d’un RC est comparable à celle d’un RR. Comme pour le risque relatif, un RC de 1,0 implique qu’il n’y a aucune association entre l’exposition et la maladie. Une valeur supérieure à 1,0 implique qu’il est plus probable que les personnes malades aient été exposées comparativement aux témoins. Une valeur inférieure à 1,0 implique que le facteur est protecteur. Cela peut survenir, par exemple, lorsqu’une étude cas-témoin montre qu’une alimentation à faible teneur en lipides offre une protection contre les coronaropathies.

Principale différence entre une étude de cohorte et une étude cas-témoin

Dans une étude de cohorte, les groupes de participants sont classés en fonction de leur état d’exposition (selon qu’ils présentent ou non le facteur de risque).

Dans une étude cas-témoins, les différents groupes sont sélectionnés en fonction de leurs résultats cliniques (selon qu’ils ont ou non la maladie).

Les mesures du risque absolu : risque attribuable et nombre nécessaire pour traiter

Le RR et le RC indiquent dans quelle mesure le risque de contracter une maladie augmente en fonction de l’exposition à un facteur causal, en termes relatifs. Les deux statistiques offrent une réponse à un fumeur qui vous demande « Comparativement à mon frère qui n’a jamais fumé de cigarette, dans quelle mesure suis-je plus susceptible de contracter la maladie? ». La réponse prend la forme suivante : « Il est deux fois plus probable que vous contractiez la maladie » ou « Vos probabilités de contracter la maladie sont plus élevées de 10 %. » La réponse attendue par le patient, cependant, a souvent trait au risque absolu, lequel fait référence à l’incidence d’une maladie et répond à la question « Quelle est ma probabilité d’être atteint de la maladie (dans la prochaine année, dans les dix prochaines années, au cours de ma vie)? » La réponse est une proportion absolue, comme 1 pour 10, ou 1 pour 100. Lors d’un entretien avec un patient, il est important de garder à l’esprit que si la maladie est rare, citer un RR de 2 ou 3 peut sembler assez inquiétant même si le risque absolu est petit. Si le risque absolu est d’un pour un million, une augmentation relative de 100 % ne représente que deux pour un million.

La plupart des maladies ont des causes multiples, il est donc pratique d’avoir un moyen d’exprimer le risque dû à une cause particulière. Cela introduit le concept de risque attribuable, qui indique le nombre de cas d’une maladie parmi les personnes exposées qui peuvent être attribués à cette exposition :

Risque attribuable = Incidence dans le groupe exposé − Incidence dans le groupe non exposé

Cela nous indique combien de cas supplémentaires de la maladie ont été causés par cette exposition, en termes absolus : un cas par million de personnes dans l’exemple ci-dessus. S’il s’agit d’un facteur qui protège contre la maladie, comme une vaccination, cela nous indique combien de cas on peut prévenir.

La notion de risque attribuable est parfois exprimée en termes relatifs : la proportion de l’incidence parmi les personnes exposées, ce qui donne la fraction attribuable du risque chez les sujets exposés, FAR_e:

FAR_e = [Incidence _{(sujets exposés)} – Incidence _{(sujets non exposés)}] / Incidence _{(sujets exposés)}

Cette statistique peut s’avérer utile quand on donne des conseils à un patient exposé : « Non seulement vous présentez un risque élevé de cancer du poumon, mais 89 % de votre risque est attribuable à votre usage du tabac. Cesser de fumer pourrait vous être très bénéfique. »

Dans l’élaboration des politiques de santé, nous pouvons également appliquer la notion de risque attribuable à la description de l’impact des facteurs de risque sur l’ensemble de la population. Cela donne lieu à deux mesures : le risque attribuable dans la population (RAP) et la fraction attribuable dans la population (FAP). Ces statistiques évaluent l’impact d’un facteur causal en substituant l’incidence dans l’ensemble de la population à l’incidence chez les sujets exposés (voir Pour les mordus).

Une application utile du risque attribuable est le concept du « nombre nécessaire pour traiter » (NNT). Ce nombre résume l’efficacité d’un traitement ou d’une mesure préventive pour obtenir un résultat souhaité. On sait qu’aucun traitement n’est infaillible. Par conséquent, le nombre nécessaire pour traiter est le nombre de patients atteints d’un trouble qui doivent suivre un schéma thérapeutique pendant une période donnée pour qu’une seule personne obtienne le résultat souhaité. Le NNT est calculé en tant que valeur réciproque de l’amélioration absolue qui résulte de la thérapie. Ainsi, si un médicament guérit 35 % des personnes qui le prennent, alors que 20 % guérissent spontanément, l’amélioration absolue est de 15 %. La valeur réciproque = 1 ÷ 0,15 = 7. Donc, en moyenne, il faudrait traiter sept personnes pour en guérir une (au cours de la période donnée). Le NNT peut aussi servir à décrire l’utilité d’une mesure préventive pour prévenir un résultat indésirable. De même, il peut servir à calculer le danger d’un traitement, comme les réactions indésirables à un médicament. Le cas échéant, on utilise l’expression « nombre nécessaire pour nuire. » Ce qui indique le nombre moyen de personnes traitées avec le médicament qui générerait un événement indésirable.

Les statistiques d’inférence

L’édifice de la recherche médicale vise à appliquer l’information tirée d’un échantillon particulier  à une population plus large, par exemple pour estimer le poids moyen des bébés à la naissance. Cette valeur dans la population s’appelle un « paramètre ». L’incertitude liée à l’estimation d’un paramètre global à partir d’un échantillon restreint nous amène à une discussion des statistiques d’inférence ou inférentielles.

L’échantillonnage

Pour fournir une estimation précise d’un paramètre, un échantillon devrait évidemment être représentatif de la population ; un échantillon aléatoire offre une bonne approche. Mais parce que les gens varient, des échantillons différents prélevés au hasard dans la même population sont susceptibles de donner des résultats légèrement différents en raison d’une variation purement fortuite dans le choix des personnes sélectionnées. L’échantillonnage aléatoire d’une population garantit seulement qu’en moyenne, les résultats des échantillons successifs refléteront le véritable paramètre de population, mais les résultats d’un échantillon particulier peuvent différer de ceux de la population d’origine, parfois substantiellement, et surtout si l’échantillon est petite. Ces différences involontaires sont connus sous le nom d’ « erreur d’échantillonnage », de « variation aléatoire » ou d’ « erreur aléatoire ». Mais nous pouvons au moins estimer l’exactitude de l’extrapolation ou de la généralisation d’un échantillon à l’ensemble de la population en utilisant des statistiques inférentielles comme les valeurs p et les intervalles de confiance (voir matériel supplémentaire : Les statistiques).

Estimer un paramètre

L’intervalle de confiance (ou IC) est une statistique qui sert à indiquer le degré probable d’erreur dans l’estimation d’un paramètre d’après un échantillon dans une étude descriptive. Une phrase comme « une tension artérielle systolique moyenne de 120 mm Hg [I.C. 95%=114 à 126 mm Hg] » signifie que la tension artérielle systolique moyenne dans l’échantillon était de 120 mm Hg et que, selon la taille de l’échantillon et la variabilité des lectures de la TA, il y a une probabilité de 95 % que la moyenne réelle dans l’ensemble de la population se situe entre 114 et 126 mm Hg. On peut représenter l’intervalle de confiance à l’aide d’un graphique à ligne ou à barre d’erreur, comme dans la figure 5.8.

Comme les valeurs moyennes, les rapports de cotes et les risques relatifs sont aussi exprimés par des intervalles de confiance. L’intervalle de confiance d’un rapport de cotes indique si l’association est statistiquement significative ou non, ainsi que la plage probable des valeurs. Si l’intervalle de confiance des rapports de cotes ou des risques relatifs inclut 1,0, on présume qu’il n’existe aucune différence statistiquement significative entre les deux groupes, étant donné qu’un rapport de cotes ou un risque relatif de 1,0 indique qu’il n’existe aucune différence entre les deux groupes. Par exemple, un risque relatif de 1,4 (I.C. 95% = 0,8 à 2,1) signifie que l’on peut être sûr à 95 % que le risque relatif réel se situe entre 0,8 et 2,1. De plus, comme cette plage comprend la valeur de 1,0, il est bien possible qu’il n’existe aucune association dans la population (voir les encadrés sur la signification statistique).

Signification statistique des différences

Imaginons un ECA qui compare les tensions artérielles moyennes de patients hypertensifs répartis au hasard soit dans un groupe de traitement (ou d’intervention), soit dans un groupe témoin. L’hypothèse d’étude prédit une différence en PA entre les deux groupes, attribuable à l’intervention. Cependant, en tant que médecin vous ne vous intéressez pas tant à cet échantillon particulier de l’étude, mais à savoir si les résultats s’appliqueraient également ailleurs, par exemple aux patients de votre cabinet. Évidemment, si les résultats de l’étude constituent une anomalie fortuite dans cet échantillon particulier, vous n’allez pas baser votre pratique sur ces résultats ! Nous devons alors choisir entre deux possibilités : soutenir l’hypothèse de l’étude selon laquelle il existe une vraie différence et l’hypothèse alternative, « l’hypothèse nulle », selon laquelle qu’il n’y a pas de différence de tension artérielle entre ces groupes dans la population plus large et que le résultat de l’étude était une anomalie.

Les méthodes de la biostatistique nous aident à évaluer ces deux options. Intuitivement, plus l’échantillon est grand et plus la différence de pression artérielle moyenne est large, plus nous sommes confiants que la différence serait vraie si l’étude ait été répétée sur d’autres échantillons, p. ex. sur vos patients. En premier lieu, le chercheur doit choisir un seuil de probabilité qui sera utilisé pour différencier un résultat (ici la contraste en pression artérielle moyenne) qui peut être attribué au hasard dans cet échantillon particulier, versus une différence considérée comme « statistiquement significative ». Le seuil choisi est habituellement de 5 %, ou p < 0,05 – arbitraire mais couramment utilisé. Un p < 0,05 signifie que la probabilité préalable d’obtenir un contraste de TA aussi grand que le résultat observé (ou même supérieur) est inférieure à 5 % si, en réalité, l’hypothèse nulle est vraie (c’est-à-dire que ce traitement n’aura aucun impact réel sur la tension artérielle dans la population d’intérêt). Lorsqu’une analyse statistique montre une valeur p inférieure à 0,05, la différence serait considérée comme statistiquement significative, et le chercheur soutiendrait généralement l’hypothèse de l’étude selon laquelle il existe une véritable différence, toutefois en attendant des études ultérieures pour confirmer ce résultat (voir ici les cases Anguille sous roche et Limitations statistiques significatives). La formule choisie pour calculer une valeur p dépend des éléments de la conception de l’étude; des conseils se trouvent dans un manuel de biostatistique, ou peut-être auprès de votre collègue titulaire d’une maîtrise en épidémiologie.

Les limites des statistiques inférentielles

Un point crucial à reconnaître est que les statistiques inférentielles suggèrent le niveau de confiance dans la généralisation d’un échantillon aléatoire à la population dans laquelle il a été tiré. Mais pour la médecine factuelle, nous souhaitons souvent généraliser à d’autres populations, même d’autres pays, comme l’illustre la figure 5.5. L’évaluation de la validité de cette extrapolation plus éloignée nécessite des informations supplémentaires sur la comparabilité des populations et la nature du sujet à l’étude. Cette information ne peut être fournie par les statistiques, mais elle constitue un élément essentiel de la médecine factuelle et introduit le problème des biais. Pour juger de l’applicabilité des résultats de l’étude à vos patients, vous devez être conscient de la comparabilité de vos propres patients à l’échantillon de l’étude. Ceci introduit la notion de VALIDITÉ EXTERNE et de biais d’échantillonnage. Les sections suivantes présentent les compétences en matière d’évaluation critique pour détecter les biais dans l’information.

Les sources d’erreur dans les études

Le biais

Le biais, ou l’écart systématique de résultats ou d’inférences par rapport à la réalité, représente un danger dans tous les plans d’étude.⁴ Les chercheurs doivent prendre les précautions nécessaires pour éviter (ou du moins contrôler) les nombreux types de biais que l’on a identifiés.¹¹ Ces biais se divisent en deux grandes catégories : les biais d’échantillonnage (dus à la manière dont on a sélectionné les participants à l’étude) et les biais de mesure (dus aux erreurs dans la mesure des expositions ou des résultats).

Le biais d’échantillonnage (ou de sélection)

L’échantillonnage aléatoire vise à sélectionner un échantillon véritablement représentatif d’une population; à strictement parler, toute personne dans la population doit avoir une chance égale (et non nulle) d’être sélectionnée. C’est particulièrement important dans les études descriptives telles que les études de prévalence. Cela peut avoir moins d’importance dans les études analytiques qui visent à dégager des vérités scientifiques abstraites.¹² Par exemple, un chercheur qui souhaite étudier l’association entre l’arthrite et l’obésité pourrait avoir de bonnes raisons de choisir son échantillon à partir d’une population présentant un risque anormalement élevé d’obésité afin d’obtenir une quantité suffisante de personnes obèses et très obèses pour son étude.

Pour des raisons pratiques, très peu d’études peuvent choisir un échantillon aléatoire à partir de l’ensemble de la population cible; le chercheur définit habituellement un « cadre d’échantillonnage » qu’il considère comme étant semblable à l’ensemble de la population. Il choisit ensuite un échantillon à partir de ce cadre. Ainsi, un chercheur pourrait choisir son échantillon à partir de patients se présentant à l’Hôpital général de Weenigo pour tirer des inférences au sujet de tous les patients fréquentant les autres hôpitaux comparables. Faisant référence à la figure 5.5, un biais d’échantillonnage peut donc survenir à deux étapes : d’abord lors du choix du cadre d’échantillonnage, étant donné que les patients qui se présentent à l’Hôpital général ne sont pas nécessairement les mêmes que ceux qui se présentent aux autres hôpitaux locaux; et ensuite, lors du choix de la méthode d’échantillonnage des patients se présentant à l’hôpital.

Un biais d’échantillonnage survient surtout lorsque l’échantillon n’est pas choisi aléatoirement (de sorte que tous les membres de la population n’ont pas la même probabilité d’être sélectionnés). Par exemple, une annonce dans un journal « Nous sommes à la recherche de participants pour une étude sur la tension artérielle » pourrait attirer des personnes à la retraite ou sans emploi qui ont le temps de se porter bénévoles, surtout celles avec un intérêt particulier dans le sujet (p. ex. elles pourraient avoir des antécédents familiaux d’hypertension). Si ces caractéristiques sont, à leur tour, associées à la tension artérielle, l’estimation de la TA moyenne dans la population d’après cet échantillon sera biaisée. Notons que la plupart des recherches sont menées dans des hôpitaux d’enseignement, mais les patients qui fréquentent ces centres varient systématiquement des patients atteints de la même maladie qui se présentent dans des hôpitaux ruraux. On les a souvent aiguillés vers des centres de soins tertiaires parce que leur maladie a tendance à être plus grave, qu’ils ont davantage de comorbidités et que, souvent, le traitement classique n’a pas été efficace dans leur cas. Si les échantillons des études en milieux de soins tertiaires donnent des résultats différents de ceux observés dans l’ensemble de la population atteinte d’une maladie, les résultats reflètent un biais spécifique appelé biais d’aiguillage.

Le biais de non-réponse

Même si la méthode d’échantillonnage n’est pas biaisée, on ne peut prendre pour acquis que toutes les personnes sélectionnées participeront à l’étude. Si certains types de personnes ont choisi de ne pas participer, cette non-réponse pourrait biaiser les résultats. Une façon de déceler un éventuel biais de non-réponse est de comparer les caractéristiques des participants, comme leur âge, leur sexe et leur lieu de résidence, avec celles des personnes qui ont choisi de ne pas participer. Notons cependant que même si ces caractéristiques sont pareilles, un biais lié à d’autres caractéristiques, non consignées, est toujours possible. Il est extrêmement difficile d’ajuster les estimations pour la non-réponse, car même si vous savez quel groupe est sous-représenté, ceux qui ont refusé de répondre sont probablement différents de ceux qui l’ont fait, et vous ne saurez pas en quoi leurs réponses seraient différentes.

Le biais d’information : les erreurs systématiques de mesure

L’erreur de mesure désigne les écarts entre les valeurs consignées à l’aide d’une mesure et les valeurs réelles chez les participants de l’étude. Comme pour les erreurs d’échantillonnage, les erreurs de mesure peuvent être aléatoires ou systématiques. Le biais de désirabilité sociale désigne les erreurs systématiques dans la réponse qui semblent rendre le répondant plus acceptable sur le plan social. Par exemple, la plupart des gens disent être plus actifs physiquement que la moyenne, ce qui est illogique. Les hommes ont tendance à exagérer leur taille et à sous-estimer leur poids.¹³

D’autres biais découlent de problèmes dans le plan du questionnaire : par exemple, si on interroge les gens en février au sujet de leur activité physique, cela peut biaiser l’estimation de leur niveau annuel d’activité, étant donné que beaucoup de personnes sont moins actives durant les périodes de grandes chaleurs ou de grands froids. Le biais de rappel survient souvent dans les sondages, notamment dans les études cas-témoins. La mémoire des gens est peu fiable. Par exemple, selon des sondages par questionnaire portant sur la période écoulée depuis la dernière mammographie, beaucoup plus de femmes auraient subi une mammographie au cours des deux dernières années que ce que révèlent les dossiers de facturation des mammographies.

Plus grand, mais tout aussi biaisé

L’augmentation de la taille de l’échantillon peut réduire les erreurs aléatoires de mesure et d’échantillonnage, mais n’aura aucun effet sur les erreurs systématiques; les résultats seront toujours biaisés, peu importe le nombre de participants. Une étude biaisée de grande taille peut être plus trompeuse qu’une étude de petite taille!

Dans la figure 5.6, le + indique le paramètre inconnu que nous essayons d’estimer; chaque point rouge représente l’estimation du paramètre d’après un échantillon (ou également d’une mesure). Les deux sections dans la partie supérieure de la figure illustrent la présence d’une erreur systématique; les estimations de l’échantillon sont hors cible ou biaisées. En présence d’une erreur systématique, augmenter la taille de l’échantillon ou utiliser un plus grand nombre de mesures ne rendra pas l’étude plus vraie, mais pourrait donner l’impression que les résultats sont plus précis en réduisant les intervalles de confiance. Dans la partie inférieure de la figure, où il y a peu d’erreurs systématiques, augmenter la taille de l’échantillon ou le nombre d’échantillons réduira l’incertitude de l’estimation.

Les quatre configurations de la figure 5.6 peuvent aussi représenter la validité et la fiabilité des tests et des mesures, comme nous le verrons dans le sixième chapitre. Pour ce faire, remplacez « erreur systématique » par « VALIDITÉ » et « erreur aléatoire » par « FIABILITÉ ».

Le biais d’information : l’objectivité du chercheur

Qu’il s’agisse de textes imprimés ou de renseignements trouvés sur Internet, il est important d’en savoir le plus possible au sujet de leur source, d’en vérifier la crédibilité et de déceler les éventuels conflits d’intérêt. Il est plus probable que les conclusions d’essais publiés par des personnes qui ont un intérêt financier dans le produit à l’étude soient favorables au produit. Il est moins probable que les conclusions de chercheurs sans intérêt financier soient trompeuses. La Food and Drug Agency et la Federal Trade Commission des États-Unis proposent de poser les questions suivantes pour évaluer les sources d’information :

1. Qui a commandé l’étude?
2. Pourquoi publie-t-on cette information?
3. D’où provient l’information du site Web?
4. Y a-t-il des preuves à l’appui de cette information?
5. Qui est responsable de l’information?
6. De quand date l’information?

Cette section n’offre qu’un bref aperçu des nombreux types possibles de biais d’étude. Plusieurs auteurs ont écrit beaucoup plus longuement sur le sujet, comme on peut le constater dans la rubrique Pour les mordus.

La confusion

Selon une étude publiée en 1960, le syndrome de Down serait plus courant chez les quatrièmes de famille et les enfants suivants.¹⁴ Il n’y avait aucun signe de biais d’échantillonnage ou de mesure dans cette étude, et le résultat était statistiquement significatif. Auriez-vous cru au résultat? La réponse peut être « oui » si l’on s’en tient à la présence d’une association, mais doit être « non » si l’on présume une relation causale. Autrement dit, le rang de naissance peut être un marqueur du risque, mais non un facteur de risque (ou causal).

La confusion survient lorsqu’une troisième variable (ou une quatrième, cinquième, etc.) dans un réseau de causes est associée à l’exposition et au résultat à l’étude (voir la figure 5.7). Si l’on ne tient pas compte de cette troisième variable dans l’étude, les conclusions portant sur la relation entre les deux premières variables peuvent être mal interprétées. Dans l’exemple du syndrome de Down, l’âge de la mère est un facteur confusionnel, car le quatrième enfant et les suivants naissent souvent de mères plus âgées, et que l’âge maternel est en soi un facteur de risque pour le syndrome de Down. Dans la plupart des articles scientifiques, le premier tableau compare les groupes d’étude (p. ex. les mères de nourrissons trisomiques et les mères sans enfant trisomique) en fonction de nombreuses variables qui pourraient influer sur le résultat, comme l’âge maternel moyen à la naissance de l’enfant. Cela permet au lecteur de déterminer si l’une de ces variables est associée au résultat et pourrait potentiellement être un facteur confusionnel dont il faut tenir compte lors de l’analyse.

La hiérarchie des preuves

Certains plans fournissent des preuves plus fiables que d’autres, et en 1979 le Groupe d’étude canadien sur l’examen médical périodique a avancé l’idée d’une hiérarchie des preuves, un sous-produit de son travail pour formuler des recommandations sur les interventions de dépistage et de prévention. Cette hiérarchie sous-entend que les cliniciens doivent évaluer la crédibilité des preuves en fonction du type d’étude auquel on a eu recours. La hiérarchie a été modifiée au fil des ans; voici une version générique.¹⁶

Les revues systématiques

Une source commune de biais dans le résumé de la documentation est l’omission de certaines études. Il peut s’agir d’études entreprises dans des pays autres que le sien ou d’études publiées dans des revues moins connues. Bien que cette omission puisse simplifier la tâche de résumer la documentation, elle peut aussi mener à un biais, souvent en omettant les études qui fournissent des points de vue divergents. Les objectifs d’une revue systématique sont d’identifier toutes les études pertinentes liées à un traitement ou à une intervention donnée, d’en évaluer la qualité et de résumer l’ensemble des résultats. Un élément clé est l’exhaustivité de l’analyse documentaire; les conclusions devraient être fondées sur l’ensemble de la littérature, y compris souvent la littérature « grise » des rapports publiés sous forme de documents de travail ou de rapports internes.¹⁸ L’auteur d’une revue systématique formule un résumé verbal des résultats de l’étude combinée (comme on le voit, par exemple, dans les revues Cochrane, voir ci-dessous); mais lorsque les articles examinés sont suffisamment similaires, leurs données peuvent être regroupées dans une méta-analyse combinée.

Les méta-analyses

Une méta-analyse fournit une synthèse statistique de données d’études différentes, mais comparables. On accepte généralement qu’une méta-analyse de plusieurs essais comparatifs aléatoires offre de meilleures preuves qu’un seul essai. L’analyse peut soit regrouper les données de chaque personne dans les différentes études et réanalyser les données ainsi combinées, soit agréger les résultats publiés de chaque étude pour produire une estimation globale et combinée. L’estimation est normalement pondérée en fonction de la taille relative des études, et parfois aussi par un jugement sur leur qualité. Les essais comparatifs aléatoires ou d’autres plans d’étude, y compris les études cas-témoins et les études de cohortes, peuvent faire l’objet de méta-analyses. S’il est impossible de rassembler des données en raison de contrastes entre les plans d’étude, on peut résumer les résultats de différentes études dans un examen narratif ou les présenter à l’aide d’un graphique « en forêt », comme dans la figure 5.8. 

La Collaboration Cochrane

Les examens systématiques et les méta-analyses sont habituellement réalisés par des spécialistes des contenus et de la recherche. Ils travaillent souvent en équipe, comme c’est le cas de la Collaboration Cochrane, une organisation internationale qui aide les scientifiques, les médecins et les décideurs à prendre des décisions éclairées relatives aux soins de santé en coordonnant des examens systématiques portant sur les effets d’interventions cliniques. Les versions électroniques de ces examens se trouvent dans la base de données d’examens systématiques de Cochrane. Un des premiers exemples d’examen systématique est celui portant sur le recours aux corticostéroïdes chez les femmes donnant naissance prématurément afin d’accélérer la maturation des poumons du fœtus et de prévenir le syndrome de détresse respiratoire néonatal. Les bébés très prématurés présentent un risque plus élevé de détresse respiratoire en raison de l’immaturité de leurs poumons. Cela représente une cause importante de morbidité et de mortalité. Selon les résultats de 21 essais aléatoires, le traitement par corticostéroïdes n’augmente pas le risque pour la mère, réduit la mort néonatale de 30 % et offre des bienfaits semblables pour toute une gamme d’autres résultats. On a donc généralisé ce traitement pour les femmes présentant un risque d’accouchement prématuré afin d’accélérer la maturation des poumons de leur fœtus.

On considère aujourd’hui les méta-analyses comme étant la source des meilleures preuves. Il a donc fallu modifier la hiérarchie des preuves initiale du Groupe d’étude canadien; ainsi, le premier niveau de la hiérarchie est maintenant subdivisé comme suit :

1.1 Examens de la Collaboration Cochrane;
1.2 Examens systématiques;
1.3 Directives fondées sur les preuves;
1.4 Résumés de preuves.

L’étape finale : appliquer des résultats d’étude à vos patients

La discussion portant sur les revues systématiques boucle la boucle : nous voilà de retour à l’évaluation critique de la documentation. La première étape consiste à formuler un jugement global de la qualité de l’étude ou des études. Pour ce faire, de nombreuses listes de vérification sont à notre disposition. Les listes originales ont été élaborées à l’Université McMaster et publiées en une série d’articles parus dans le Journal of the American Medical Association en 1993 et 1994. Ces articles traitent de l’évaluation critique de preuves liées à la cause, au pronostic, à la précision du diagnostic et à l’efficacité des traitements. Il existe aujourd’hui de nombreuses listes de vérification pour aider les évaluateurs. Pour illustrer le format général, nous énumérons quelques questions utilisées pour évaluer un article sur l’efficacité d’une thérapie. Une fois que vous êtes convaincu qu’une étude fournit une réponse valide à une question clinique pertinente, vérifiez que les résultats sont applicables à votre population de patients.

Liste de vérification pour évaluer la qualité d’une étude sur l’efficacité d’un traitement

Objectifs de l’étude

• La question de l’étude était-elle clairement énoncée? Par exemple, a-t-elle suivi le format
• ?
• L’exposition était-elle clairement définie ? Le résultat a-t-elle été clairement défini ? (Ou les objectifs et les résultats de l’étude étaient-ils formulés de manière vague, comme dans « Pour décrire les effets sur la santé de la consommation de restauration rapide »)

Les résultats sont-ils valides?

• Le plan d’étude était-il approprié ? Les patients ont-ils été répartis aléatoirement?
• Y avait-il eu des erreurs systématiques (biais) dans l’exécution de l’étude ? Par exemple, la randomisation a-t-elle été dissimulée : les patients étaient-ils au courant de leur affectation de groupe ?
• S’il s’agit d’une étude cas-témoins, y avait-t-il eu une erreur de classification possible du traitement ou de l’évolution de la maladie ?
• Les cliniciens traitant les patients étaient-ils au courant de la répartition des groupes?
• Les évaluateurs des résultats étaient-ils au courant de la répartition des groupes? (La répartition a-t-elle été réalisée à l’insu des évaluateurs?)
• Les patients dans le groupe de traitement et le groupe témoin étaient-ils semblables quant aux variables connues du pronostic? (Par exemple, le nombre de fumeurs était-il semblable dans chaque groupe d’une étude sur un traitement contre l’asthme?)
• Le suivi incluait-il tous les patients?
• Les patients ont-ils été analysés dans les groupes auxquels ils ont été affectés?

Quels sont les résultats?

• Quelle était l’ampleur de l’effet du traitement?
• Quel était le degré de précision de l’estimation de l’efficacité du traitement?

Comment puis-je appliquer les résultats aux soins des patients?

• Les patients de l’étude ressemblent-ils aux miens?
• Les bienfaits probables du traitement l’emportent-ils sur ses risques et ses coûts potentiels?

Comment dois-je traiter ce patient-ci?

• Quels sont les résultats probables dans son cas?
• Ce traitement est-il voulu par le patient?
• Le traitement est-il offert ici?
• Le patient est-il disposé et apte à recevoir le traitement?

La population cible

La population de l’étude ressemble-t-elle à celle de votre cabinet, pour que vous puissiez appliquer les résultats à votre propre pratique (voir la figure 5.5)? Demandez-vous si le sexe, le groupe d’âge, l’origine ethnique, les conditions de vie et les ressources des participants de l’étude sont semblables à ceux de vos patients. Par exemple, une étude sur la prise en charge des cardiopathies peut avoir sélectionné son échantillon dans une clinique de soins cardiovasculaires spécialisés. Il est probable qu’un patient dans un centre de médecine familiale soit moins gravement malade qu’un patient dans un centre de soins spécialisés. Ces deux patients pourraient donc réagir différemment au traitement. Si l’étude utilise des critères d’inclusion restreints et des critères d’exclusion étendus, il est possible que très peu de vos patients ressemblent à ceux de l’étude. En outre, il est probable que les soins complémentaires et les autres ressources disponibles dans un centre de soins spécialisés soient très différents de ceux d’un milieu de soins primaires. Si ces éléments comptent beaucoup dans la prise en charge des patients, leur absence peut éliminer les bienfaits du traitement à l’étude. D’autres aspects de l’environnement peuvent aussi être différents : si l’étude conclut que les conseils en matière d’exercice sont efficaces, mais qu’elle a été réalisée dans une grande ville, vous pourriez ne pas obtenir les mêmes résultats dans un milieu rural où il est plus difficile de faire de l’exercice au quotidien.

L’intervention

L’intervention est-elle réalisable au sein de votre pratique? Possédez-vous l’expertise, la formation et les ressources nécessaires pour réaliser l’intervention vous-même? Pouvez-vous orienter votre patient ailleurs, où l’expertise et les ressources sont disponibles? Dans bien des cas, de tels problèmes pratiques indiquent qu’une intervention s’avérant efficace dans un essai ne l’est pas nécessairement en pratique courante. L’enthousiasme et le savoir-faire des pionniers expliquent en partie cette différence; les fonds et les ressources supplémentaires que l’on utilise dans le cadre de projets de recherche peuvent aussi produire un effet.

Quel est le coût?

Le coût comprend la somme nécessaire pour payer l’intervention, le salaire du personnel qui doit l’administrer, la souffrance qu’elle cause au patient, la somme que le patient doit débourser pour recevoir l’intervention, les services médicaux complémentaires, le transport et l’absence du travail. Une intervention qui exige beaucoup de temps, d’argent et de souffrance pourrait ne pas être acceptable en pratique.

L’intervention dans le groupe témoin

Qu’a-t-on fait pour les participants du groupe témoin? S’ils n’ont rien reçu, y compris aucune attention de la part des chercheurs, est-il possible que les personnes dans le groupe d’intervention manifestent, en partie, un effet placébo découlant de l’attention reçue? En général, on doit comparer les nouvelles interventions au traitement classique dans le groupe témoin afin que les bienfaits et les coûts supplémentaires du nouveau traitement puissent être comparés à ceux de l’ancien.

Les préférences de votre patient

En dernier lieu, tous les plans de prise en charge doivent respecter les préférences et les aptitudes des patients. Le clinicien doit expliquer les risques et les avantages de tous les traitements, surtout les nouveaux, en s’assurant que le patient les comprenne, et aider le patient à choisir une ligne de conduite qui réduise les méfaits et qui maximise les bienfaits pour lui ou pour elle.

Les limites de la médecine factuelle

L’objectif central des études de recherche en médecine est de guider la pratique. Un défi fondamental réside dans la variabilité des populations humaines, de sorte qu’une étude entreprise à un autre moment et à un autre endroit peut, ou non, fournir de l’information pertinente pour traiter le patient devant vous. Ce dilemme exige que le médecin n’applique pas sans poser de questions les résultats de la recherche aux soins de ses patients, et qu’il n’ignore pas les résultats de la recherche dans le domaine de la médecine qui évolue rapidement (voir l’encadré Pour les mordus).

Question d’auto-évaluation

Bibliographie

1. National Institutes of Health. Citations added to MEDLINE by fiscal year U.S. National Library of Medicine2017 [source cité en novembre 2017]. Disponible ici : https://www.nlm.nih.gov/bsd/stats/cit_added.html.
2. Ioannidis JP. Contradicted and initially stronger effects in highly cited clinical research. JAMA. 2005;294(2):218-28.
3. Lett J. A field guide to critical thinking. 1990 [source citée en novembre 2017]. Disponible ici : https://www.csicop.org/si/show/field_guide_to_critical_thinking.
4. Porta M, editor. A dictionary of epidemiology. New York (NY): Oxford University Press; 2008.
5. Sackett DL, et al. Evidence-based medicine – how to practice and teach EBM. London: Churchill-Livingstone; 2000.
6. Schwandt TA. Qualitative inquiry: a dictionary of terms. Thousand Oaks (CA): Sage Publications; 1997.
7. Nkwi P, Nyamongo I, Ryan G. Field research into socio-cultural issues: methodological guidelines. Yaounde, Cameroon: International Center for Applied Social Sciences, Research and Training/UNFPA, 2001.
8. Richards I, Morese JM. Read me first for a users’ guide to qualitative methods. Thousand Oaks (CA): Sage Publications; 2007.
9. Cockburn J, Hill D, Irwig L, De Luise T, Turnbull D, Schofield P. Development and validation of an instrument to measure satisfaction of participants at breast cancer screening programmes. Eur J Cancer. 1991;27(7):827-31.
10. Smith GCS, Pell JP. Parachute use to prevent death and major trauma related to gravitational challenge: systematic review of randomised controlled trials. BMJ. 2003;327(7429):1459-91.
11. Sackett DL. Bias in analytic research. J Chron Dis. 1979;32:51.
12. Miettinen OS. Theoretical epidemiology: principles of occurrence research in medicine. New York (NY): John Wiley; 1985.
13. Connor-Gorber S, Shields M, Tremblay MS, McDowell I. The feasibility of establishing correction factors to adjust self-reported estimates of obesity. Health Reports. 2008;19(3):71-82.
14. Renkonen KO, Donner M. Mongoloids: their mothers and sibships. Ann Med Exp Biol Fenn. 1964;42:139-44.
15. Anderson GL, Judd HL, Kaunitz AM, et al. Effects of estrogen plus progestin on gynecologic cancers and associated diagnostic procedures: The Women’s Health Initiative randomized trial. JAMA. 2003;290:1739-48.
16. Evans D. Hierarchy of evidence: a framework for ranking evidence evaluating healthcare interventions. J Clin Nursing. 2003;12(1):77-84.
17. GRADE Working Group. Grading quality of evidence and strength of recommendations. BMJ. 2004;328(7454):1490.
18. Liberati A, Altman DG, Tetzlaff J, et al. The PRISMA statement for reporting systematic reviews and meta-analyses of studies that evaluate health care interventions: explanation and elaboration. Ann Intern Med. 2009;151:W65-W94.
19. Tonnelli MR. Integrating evidence into clinical practice: an alternative to evidence-based approaches. Journal of Evaluation in Clinical Practice. 2006;12(3):248-56.
20. Solomon M. Just a paradigm: evidence-based medicine in epistemological context. European Journal of Philosophical Science. 2011;1:451-66.
21. Worrall J. Evidence in medicine and Evidence-Based Medicine. Philosophy Compass. 2007;2(6):981-1022.