Les biais en médecine : la régression à la moyenne.

Ce petit article inaugure une série sur le sujet des biais en médecine, et notamment dans la recherche médicale.

Lorsque l’on évalue un traitement, il est important de bien connaître les biais méthodologiques qui peuvent mener à surestimer l’effet de ce traitement. Il existe de nombreux biais statistiques qui, si on ne fait pas attention, peuvent complétement fausser les données, améliorant voire créant des résultats en apparence solides.

Ce premier article a pour sujet la régression à la moyenne, qui est un effet qui peut mener à croire en la forte efficacité d’un médicament qui n’en a pourtant peu voire aucun.

 

Exemple de protocole.

Prenons un exemple fictif où nous voulons tester un médicament contre l’hypertension artérielle.

Le protocole est simple :

• Parmi un groupe de volontaires, on mesure la tension artérielle.
• Ceux qui ont une tension supérieure au seuil fixé sont retenus pour l’étude.
• On donne le médicament à ces sujets, puis on recontrôle la tension après quelques semaines.
• Si la moyenne de tension a baissé parmi les sujets, c’est que le médicament est efficace.

Cela paraît simple et pertinent.

Mais cela ne l’est pas.

 

La régression à la moyenne.

Voyons plus en détail ce biais, avec une petite image.

Les barres verticales correspondent à la fourchette de valeurs de tension artérielle de chaque patient (puisque celle-ci varie selon les conditions). La croix représente la tension artérielle au moment de la mesure effectuée pour l’étude. La ligne pointillée correspond au seuil fixé pour sélectionner les patients hypertendus.

La barre grise horizontale représente la tension moyenne des sujets au moment de la mesure.

En rouge, les patients hypertendus (leur TA est globalement haute), en bleu les sujets non hypertendus (leur TA est globalement normale). En mettant un seuil au moment de la prise de TA, on se rend compte que l’on sélectionne mal les patients : sont inclus deux patients normotendus ayant eu une tension particulièrement haute à ce moment précis, et est exclu un patient hypertendu ayant eu une tension particulièrement basse à ce moment précis.

En somme, l’échantillon n’est pas bon.

On voit qu’ensuite, lorsque l’on reprend la TA plus tard (sans avoir rien fait), les nouvelles valeurs, pourtant incluses dans la fourchette de chaque sujet, forment une moyenne plus basse qu’initialement.

Inversement, la TA moyenne des sujets exclus serait plus haute si l’on faisait le schéma correspondant.

À quoi cela est-il dû ?

Simplement à la façon dont on sélectionne les patients : en sélectionnant les valeurs supérieures à un seuil, la probabilité est forte que lors d’une prochaine mesure, la valeur soit plus basse (par exemple, les deux patients normotendus sélectionnés à tort vont forcément avoir une tension plus basse lors de la mesure suivante, puisqu’ils étaient au maximum de leur tension). Et inversement avec un seuil bas, les mesures seront statistiquement plus haute lors de la mesure suivante.

C’est ça, la régression à la moyenne.

En fait, elle consiste en un rapprochement vers la valeur moyenne initiale des variables d’un échantillon sélectionné parmi le groupe initial sur la base d’un seuil.

Avec un tel effet, on comprend bien qu’on peut (à tort) croire qu’un médicament peut faire diminuer la tension des sujets sélectionnés : sans rien leur donner, la tension moyenne du groupe baisserait toute seule quand même !

 

Comment s’en affranchir ?

Il faut utiliser un groupe témoin et comparer les résultats obtenus dans le groupe traité à ce groupe témoin et non pas au groupe initial. Cette comparaison permet d’éviter également d’autres phénomènes (évolution naturelle de la maladie, effets d’autres traitements, etc.).

Ainsi, on considère seulement l’effet du médicament, et on s’affranchi du biais.

Le fait de comparer deux groupes de sujets, dont la seule différence de prise en charge est le traitement testé, est une des bases de la recherche médicale moderne. Et dans l’idéal, il faut le faire à l’aveugle, et donc avec un placebo (ou un autre traitement pour comparer les efficacités des deux).

Il faut se méfier, cependant : une présentation publicitaire peut ne pas parler du groupe témoin, et simplement mettre en avance la diminution de la PA avant-après traitement (ce qui n’a pas de sens), au lieu montrer la différence traités-pas traités (qui a du sens).

Ce qui est vrai pour la tension l’est pour toute variable : dès que l’on sélectionne des malades à l’aide d’un seuil, il n’est plus possible de faire une comparaison avant-après. Il faut absolument comparer avec un autre groupe identique.

 

Conclusion.

Il est important de connaître les biais de la recherche médicale pour éviter d’être complètement abusé par ce qui paraît pourtant être une preuve solide.

Ici, nous avons vu qu’un médicament sans effet peut montrer des résultats pourtant frappant, simplement par un effet statistique.

J’aimerais aussi attirer votre attention sur un autre point essentiel : ici l’exemple est l’hypertension artérielle, qui est un problème de santé puisqu’elle favorise les accidents cardiaques et cérébrovasculaires. Pourtant, traiter la tension n’est pas forcément une bonne chose, et après avoir montré l’efficacité d’un médicament contre la tension, il est extrêmement important de prouver qu’il est capable d’empêcher les accidents vasculaires. Car baisser la tension n’est pas un objectif en soi : le but est de réduire la fréquence des maladies et d’allonger la durée de vie. On peut agir sur l’un sans agir sur l’autre si on ne fait pas attention.

Réduire la tension sans réduire ses conséquences n’aurait aucun intérêt. Je reparlerai de cela dans un article à venir sur l’importance de bien choisir ses objectifs lorsque l’on teste un traitement.

Publicité