Biais d’information et de mesure

Le biais d’information apparaît lorsque l’exposition, la maladie ou une autre variable importante est mesurée, enregistrée ou classée de manière incorrecte.

Même si l’échantillon a été parfaitement sélectionné, une étude peut donc produire une conclusion erronée si les informations recueillies sur les participants sont systématiquement fausses.

On parle souvent également de biais de mesure ou de biais de classification.

La question centrale devient alors :

« Mesurons-nous réellement la variable que nous croyons mesurer, et la mesurons-nous de la même manière dans tous les groupes ? »

Mesurer n’est jamais parfaitement neutre

En épidémiologie, de nombreuses variables ne sont pas directement accessibles.

On cherche par exemple à mesurer :

  • tabagisme ;
  • consommation d’alcool ;
  • activité physique ;
  • exposition professionnelle ;
  • diagnostic ;
  • douleur ;
  • qualité de vie ;
  • cause du décès.

Mais la valeur réellement enregistrée dépend souvent d’un instrument :

  • questionnaire ;
  • dossier médical ;
  • test biologique ;
  • appareil ;
  • code administratif.

La donnée observée est donc une représentation du phénomène réel.

Variable réelle et variable observée

On peut distinguer conceptuellement :

exposition réelle → processus de mesure → exposition enregistrée.

Si le processus de mesure est imparfait, les deux peuvent différer.

Par exemple, une personne peut réellement consommer 40 grammes d’alcool par jour mais déclarer seulement 20 grammes.

L’étude analysera alors la valeur déclarée, pas l’exposition réelle.

Erreur aléatoire ou systématique

Toutes les erreurs de mesure ne créent pas nécessairement un biais systématique.

Supposons qu’un appareil mesure le poids avec une erreur aléatoire de ±1 kg.

Sur un grand nombre de participants, ces erreurs peuvent partiellement se compenser.

Mais si l’appareil ajoute systématiquement 4 kg, la mesure est décalée dans une direction particulière.

On retrouve donc la distinction entre :

  • imprécision ;
  • biais systématique.

Mauvais calibrage

Un appareil mal calibré constitue un exemple simple.

Supposons que tous les thermomètres utilisés dans une étude affichent systématiquement 0,5 °C de trop.

Si l’on cherche uniquement à comparer deux groupes mesurés exactement avec les mêmes appareils, certains contrastes peuvent rester relativement préservés.

Mais si le diagnostic de fièvre dépend d’un seuil précis, beaucoup de personnes peuvent être classées à tort comme fébriles.

Le type d’analyse détermine donc l’impact de l’erreur.

Mauvaise classification

Lorsqu’une variable est transformée en catégories, une erreur de mesure peut devenir une erreur de classification.

Par exemple :

  • malade / non-malade ;
  • exposé / non-exposé ;
  • vacciné / non-vacciné.

Une personne réellement exposée peut être classée comme non exposée.

Une personne non malade peut être diagnostiquée à tort comme malade.

Ces erreurs peuvent modifier fortement les estimations.

Exemple pédagogique

Supposons qu’une exposition double réellement le risque d’une maladie.

Dans la réalité :

MaladesNon-malades
Exposés200800
Non-exposés100900

Le risque est :

  • 20 % chez les exposés ;
  • 10 % chez les non-exposés.

Le risque relatif réel est donc 2.

Supposons maintenant qu’un grand nombre de personnes exposées soient classées à tort comme non exposées.

Les deux groupes deviennent plus semblables et l’association observée peut être fortement réduite.

La mauvaise mesure peut donc masquer un effet réel.

Erreur non différentielle

Une erreur est dite non différentielle lorsqu’elle affecte de manière comparable les groupes étudiés.

Par exemple, un questionnaire imparfait sous-estime dans les mêmes proportions la consommation d’alcool chez les malades et les non-malades.

Pour certaines variables binaires et dans certaines conditions, cette erreur tend souvent à rapprocher l’association de l’absence d’effet.

Mais cette règle n’est pas universelle.

Il faut rester prudent avec les formules simplistes.

Erreur différentielle

Une erreur est dite différentielle lorsqu’elle dépend :

  • du statut de maladie ;
  • de l’exposition ;
  • ou d’une autre caractéristique importante.

Par exemple, si les personnes malades se souviennent beaucoup mieux d’une exposition passée que les témoins, la mesure n’est pas identique dans les deux groupes.

La direction du biais devient alors beaucoup plus difficile à prévoir.

Biais de mémorisation

Le biais de mémorisation est un cas particulier important.

Dans une étude cas-témoins, les malades peuvent rechercher plus activement dans leur passé une cause possible.

Ils peuvent donc rapporter davantage :

  • médicaments ;
  • expositions professionnelles ;
  • événements inhabituels.

Les témoins peuvent avoir oublié les mêmes événements.

Une association peut alors apparaître sans différence réelle d’exposition.

Ce biais fera l’objet de la fiche suivante.

Biais de l’enquêteur

L’enquêteur lui-même peut influencer la mesure.

Supposons qu’il connaisse l’hypothèse et sache qui est malade.

Il peut interroger les cas plus longtemps :

« Êtes-vous absolument certain de ne jamais avoir utilisé ce produit ? »

et poser une question plus rapide aux témoins.

Même inconsciemment, l’intensité de la recherche devient différente.

On parle parfois de biais de l’intervieweur.

Standardiser les questionnaires

Une manière de réduire ce problème consiste à utiliser :

  • mêmes questions ;
  • même ordre ;
  • mêmes consignes ;
  • mêmes critères.

Les questionnaires standardisés diminuent la liberté laissée à l’enquêteur et améliorent la comparabilité.

Ils ne suppriment toutefois pas les erreurs liées à la mémoire ou à la compréhension des participants.

Mettre l’évaluateur en aveugle

Dans certaines études, la personne évaluant le résultat peut ignorer le groupe du participant.

Supposons que des radiologues évaluent des images médicales.

S’ils savent quels patients ont reçu le traitement expérimental, cela peut influencer les cas difficiles.

Un évaluateur en aveugle réduit ce risque.

Mesures objectives et subjectives

Une mesure objective est souvent moins vulnérable à certains biais.

Par exemple :

  • décès ;
  • résultat biologique ;
  • fracture radiologiquement confirmée.

Mais « objectif » ne signifie pas parfait.

Une analyse biologique peut être mal calibrée.

Un diagnostic peut dépendre d’un seuil arbitraire.

Et même la cause d’un décès peut être difficile à établir.

Les symptômes subjectifs sont aussi importants

La douleur ou la qualité de vie sont nécessairement rapportées par les patients.

Leur subjectivité ne signifie pas qu’elles soient sans valeur.

Ce sont parfois précisément les résultats qui importent le plus au patient.

Il faut simplement utiliser des outils validés et tenir compte de la possibilité que :

  • attentes ;
  • contexte ;
  • connaissance du traitement

influencent les réponses.

Biais de détection

Le biais de détection apparaît lorsqu’un groupe fait l’objet d’une surveillance médicale plus intense.

Supposons que des travailleurs exposés à un produit industriel reçoivent chaque année :

  • scanner ;
  • examens sanguins ;
  • consultations spécialisées.

Les travailleurs non exposés consultent uniquement lorsqu’ils ont des symptômes.

Davantage de maladies seront probablement diagnostiquées dans le premier groupe, même si une partie de la différence vient simplement de l’intensité du suivi.

Exemple de dépistage

Supposons qu’un pays commence à dépister massivement un cancer.

L’incidence diagnostiquée augmente.

Cela peut refléter :

  • davantage de vrais cancers ;
  • davantage de cancers préexistants détectés ;
  • surdiagnostic.

Un nombre de diagnostics ne mesure donc pas automatiquement une augmentation identique de la maladie biologiquement significative.

Biais de surveillance

Le même phénomène existe lorsque les personnes exposées sont plus attentivement surveillées.

Après la mise sur le marché d’un médicament, les médecins peuvent connaître un effet indésirable potentiel.

Ils le rechercheront alors davantage chez les utilisateurs.

Les diagnostics peuvent augmenter à la suite même de l’alerte.

Ce phénomène ne signifie pas que l’effet est faux, mais il complique l’estimation de sa fréquence réelle.

La médiatisation peut modifier la mesure

Après une forte médiatisation d’un symptôme, davantage de personnes peuvent :

  • le remarquer ;
  • consulter ;
  • le signaler.

Une augmentation dans une base de pharmacovigilance peut donc refléter à la fois :

  • véritable effet indésirable ;
  • sensibilisation accrue au signalement.

C’est pourquoi les signalements spontanés ne peuvent généralement pas être interprétés comme un comptage direct des cas causés.

Biais diagnostique

Le diagnostic peut lui-même dépendre de l’exposition connue.

Supposons qu’un médecin sache qu’un patient a été fortement exposé à une substance connue pour provoquer une maladie.

Devant des symptômes ambigus, il peut rechercher plus activement cette maladie.

Chez une personne non exposée, la même investigation peut ne jamais être effectuée.

L’exposition influence alors la probabilité que la maladie soit identifiée.

Définition de cas

La manière de définir un cas est donc fondamentale.

Supposons trois définitions :

Définition A : symptômes compatibles.

Définition B : symptômes + test biologique.

Définition C : hospitalisation + test biologique.

Ces définitions ne sélectionnent pas les mêmes personnes.

Une étude doit préciser exactement ce qu’elle considère comme un cas.

Sensibilité de la définition

Une définition très sensible cherche à identifier presque tous les véritables cas.

Elle accepte parfois davantage de faux positifs.

Une définition très spécifique cherche à éviter les faux positifs, au risque de manquer certains cas.

Le choix dépend de l’objectif.

Pour détecter rapidement une épidémie, une définition sensible peut être utile.

Pour confirmer une relation causale, une définition plus spécifique peut être préférable.

Changement de définition au cours du temps

Une modification de la définition peut créer une rupture artificielle.

Supposons qu’en 2020 une maladie nécessite un test biologique positif.

En 2022, les cas cliniques probables sont également inclus.

Le nombre de cas enregistré augmente.

Comparer directement les deux années sans tenir compte du changement serait trompeur.

Modification de la technologie diagnostique

L’amélioration des outils peut aussi modifier l’incidence apparente.

Un scanner plus performant peut détecter des lésions auparavant invisibles.

Une partie de l’augmentation des diagnostics provient alors de la technologie.

Ce phénomène est très important dans l’interprétation des tendances historiques.

Mesurer l’exposition une seule fois

Supposons qu’une cohorte mesure l’alimentation au début du suivi puis observe les participants pendant trente ans.

L’alimentation peut changer considérablement.

La valeur initiale devient progressivement une approximation imparfaite de l’exposition réelle.

Cette erreur tend à rendre plus difficile l’étude des effets à long terme.

Répéter les mesures

Répéter les questionnaires ou analyses permet de mieux suivre les changements.

Par exemple :

  • tabagisme tous les deux ans ;
  • activité physique tous les cinq ans ;
  • pression artérielle à chaque visite.

La qualité de la mesure augmente, mais les coûts et la complexité aussi.

Mesurer un substitut

On utilise parfois une variable facile à mesurer comme substitut d’une exposition difficile.

Par exemple :

code postal comme approximation de pollution individuelle.

Mais toutes les personnes d’un même quartier n’ont pas la même exposition :

  • durée passée à domicile ;
  • travail ;
  • transports ;
  • qualité du logement.

Cette erreur d’exposition peut affaiblir les associations.

Exposure misclassification

En épidémiologie environnementale, la classification de l’exposition constitue souvent l’un des problèmes majeurs.

On peut estimer la pollution à partir :

  • station de mesure ;
  • modèle spatial ;
  • adresse.

Mais l’exposition biologique réelle dépend aussi :

  • respiration ;
  • temps passé dehors ;
  • profession ;
  • mobilité.

La variable mesurée reste une approximation.

Erreur écologique de mesure

Utiliser la consommation moyenne d’un pays comme exposition individuelle constitue un problème encore plus important.

On ignore combien chaque personne consomme réellement.

Les individus sont alors affectés à une valeur agrégée qui peut être très différente de leur propre exposition.

Cela rapproche le problème du sophisme écologique étudié précédemment.

Mesure des comportements

Les comportements sont particulièrement difficiles à mesurer.

Pour le tabagisme, il faut parfois connaître :

  • nombre de cigarettes ;
  • durée ;
  • âge de début ;
  • périodes d’arrêt.

Réduire tout cela à :

fumeur / non-fumeur

peut perdre beaucoup d’information.

Le même problème existe pour :

  • alcool ;
  • activité physique ;
  • alimentation.

Variables continues transformées en catégories

Supposons que la pression artérielle soit transformée en :

normale / élevée.

Une personne à 139 et une autre à 120 peuvent être classées dans le même groupe, tandis que 139 et 141 appartiennent à deux catégories différentes.

La catégorisation simplifie l’analyse mais perd une partie de l’information.

Elle peut également créer une dépendance excessive à un seuil arbitraire.

Mesure de l’alimentation

Les études nutritionnelles rencontrent des difficultés particulières.

On demande parfois aux participants :

« À quelle fréquence avez-vous mangé tel aliment pendant l’année précédente ? »

Cette question exige une reconstruction complexe de la mémoire.

Les portions sont difficiles à évaluer.

Les recettes varient.

L’alimentation change au cours du temps.

Les associations modestes doivent donc être interprétées avec prudence lorsque la mesure est très imprécise.

Biomarqueurs

Les biomarqueurs peuvent parfois améliorer la mesure.

Par exemple, certaines analyses biologiques peuvent confirmer :

  • exposition au tabac ;
  • consommation récente d’un nutriment ;
  • infection passée.

Mais les biomarqueurs ont également leurs limites :

  • demi-vie biologique ;
  • variabilité individuelle ;
  • coût ;
  • interprétation.

Ils ne constituent pas toujours une mesure parfaite de l’exposition à long terme.

Mesure de l’observance

Dans un essai médicamenteux, savoir qu’un médicament a été prescrit ne signifie pas qu’il a été pris.

Même une boîte délivrée en pharmacie ne garantit pas la consommation réelle.

On peut mesurer l’observance par :

  • déclaration ;
  • comptage des comprimés ;
  • données électroniques ;
  • concentration biologique.

Chaque méthode mesure une partie différente du comportement.

Prescription, délivrance, ingestion

Ces trois niveaux doivent être distingués :

prescrit ≠ délivré

et

délivré ≠ pris réellement.

Une étude basée uniquement sur les prescriptions peut donc mal classer l’exposition réelle.

Cause de décès

Même la mortalité comporte des problèmes de mesure lorsqu’on s’intéresse à sa cause.

Une personne peut présenter :

  • cancer ;
  • insuffisance cardiaque ;
  • infection.

Quelle cause doit être considérée comme principale ?

Les règles de certification et de codage cherchent à standardiser cette attribution, mais une part de jugement subsiste.

C’est l’une des raisons pour lesquelles la mortalité toutes causes est parfois plus robuste.

Diagnostic automatisé et codes administratifs

Les grandes bases de données utilisent souvent des codes diagnostiques.

Mais un code peut être :

  • diagnostic confirmé ;
  • suspicion ;
  • raison administrative ;
  • antécédent.

Les chercheurs doivent parfois valider ces algorithmes contre des dossiers médicaux détaillés.

Une base immense n’est utile que si ses codes représentent suffisamment bien les maladies étudiées.

Validation d’un outil de mesure

Avant d’utiliser un questionnaire ou un algorithme, il est utile d’évaluer sa validité.

On peut le comparer à une méthode de référence.

Par exemple, un questionnaire de tabagisme peut être comparé à un biomarqueur.

On mesure alors sa capacité à correctement classer les participants.

Fiabilité et validité

Deux qualités doivent être distinguées.

Fiabilité : obtient-on à peu près la même mesure lorsqu’on répète l’évaluation ?

Validité : cette mesure correspond-elle réellement au phénomène que l’on souhaite mesurer ?

Un appareil peut être très fiable mais mal calibré.

Il donnera toujours la même mauvaise valeur.

Reproductibilité inter-observateurs

Pour certains diagnostics, plusieurs évaluateurs peuvent examiner indépendamment le même dossier.

S’ils obtiennent souvent des conclusions différentes, la mesure manque de reproductibilité.

Des critères standardisés et une formation peuvent améliorer l’accord.

Accord ne signifie pas vérité

Deux médecins peuvent être parfaitement d’accord et tous deux utiliser un critère incorrect.

La reproductibilité n’est donc pas équivalente à la validité.

On retrouve encore la distinction :

mesure stable versus mesure exacte.

Biais de classification et effet vers le nul

On entend souvent :

« une mauvaise mesure rapproche toujours le résultat de zéro ».

C’est parfois vrai dans des situations simples d’erreur non différentielle d’une variable binaire.

Mais ce n’est pas une loi générale.

Selon :

  • nombre de catégories ;
  • structure de l’erreur ;
  • dépendance aux autres variables,

le biais peut aller dans plusieurs directions.

Il faut éviter d’utiliser cette règle sans examiner le mécanisme.

Mesure du résultat différente selon l’exposition

Supposons que les personnes traitées bénéficient d’un suivi beaucoup plus intensif que les non-traitées.

Les effets indésirables mineurs seront davantage détectés chez elles.

Le traitement peut alors sembler provoquer beaucoup plus d’événements simplement parce que la surveillance est différente.

C’est un exemple classique d’erreur différentielle sur le résultat.

Mesure de l’exposition différente selon la maladie

Dans une étude cas-témoins, c’est souvent l’inverse.

Les malades peuvent faire davantage d’efforts pour identifier une exposition passée.

L’exposition est alors mesurée différemment selon le résultat.

Ces deux mécanismes peuvent produire des associations artificielles.

Comment réduire les biais d’information ?

Plusieurs stratégies existent :

  • instruments validés ;
  • définitions standardisées ;
  • formation des évaluateurs ;
  • mêmes procédures dans tous les groupes ;
  • aveugle lorsque possible ;
  • plusieurs mesures ;
  • données enregistrées avant le résultat.

L’objectif est surtout d’éviter que la qualité de la mesure dépende du groupe auquel appartient la personne.

Automatisation

Une mesure automatisée peut réduire certaines influences humaines.

Par exemple, un laboratoire automatisé applique le même algorithme à tous les échantillons.

Mais l’automatisation ne supprime pas toutes les erreurs.

Le système peut lui-même être :

  • mal calibré ;
  • conçu avec un mauvais seuil ;
  • sensible à certaines conditions.

L’automatisation déplace parfois l’erreur plutôt qu’elle ne la supprime.

L’importance de la chronologie

Les informations recueillies avant l’apparition de la maladie sont particulièrement précieuses.

Supposons qu’une cohorte ait enregistré les traitements dix ans avant le diagnostic.

Le futur diagnostic ne peut pas influencer la manière dont ces prescriptions avaient été enregistrées.

Cela limite beaucoup le biais de mémorisation.

Les bases prospectives comme avantage

C’est l’une des forces des cohortes prospectives.

Elles permettent de mesurer l’exposition avant de connaître le résultat.

Elles n’éliminent pas les erreurs de mesure, mais réduisent certains biais différentiels.

La mesure parfaite n’existe pas

Exiger l’absence totale d’erreur rendrait la recherche impossible.

La bonne question est plutôt :

« Cette erreur est-elle suffisamment faible, et surtout suffisamment comparable entre les groupes, pour que la conclusion reste crédible ? »

Les chercheurs doivent donc caractériser les limites plutôt que prétendre les éliminer complètement.

Analyse de sensibilité

On peut parfois simuler l’effet d’une mauvaise classification.

Par exemple :

Si 10 % des exposés ont été classés comme non exposés, que devient le risque relatif ?

Si la conclusion reste similaire sous plusieurs scénarios raisonnables, elle est plus robuste.

Si elle s’inverse facilement, la prudence augmente.

Validation sur sous-échantillon

Une stratégie consiste à mesurer très précisément l’exposition chez un sous-échantillon.

Par exemple :

  • questionnaire chez 50 000 personnes ;
  • biomarqueur chez 2 000.

On peut alors estimer l’erreur moyenne du questionnaire et améliorer l’interprétation de toute la cohorte.

Corriger statistiquement l’erreur de mesure

Des méthodes statistiques permettent parfois de tenir compte de la mauvaise mesure.

Mais elles nécessitent de connaître ou d’estimer le mécanisme d’erreur.

Une correction basée sur de mauvaises hypothèses peut elle-même introduire de nouvelles erreurs.

La meilleure solution reste souvent une bonne mesure dès le départ.

Une leçon d’esprit critique

Quand une étude annonce :

« les personnes exposées ont deux fois plus de maladies »,

il faut demander :

Comment l’exposition a-t-elle été mesurée ?

Comment la maladie a-t-elle été diagnostiquée ?

Les mêmes méthodes ont-elles été utilisées dans les deux groupes ?

Un groupe a-t-il été davantage surveillé ?

Les participants connaissaient-ils l’hypothèse ?

Les chercheurs connaissaient-ils l’exposition lorsqu’ils évaluaient le résultat ?

Une association peut être très nette mathématiquement tout en étant créée par une manière différente de regarder les groupes.

À retenir

Le biais d’information apparaît lorsque l’exposition, la maladie ou une autre variable importante est mesurée ou classée incorrectement.

Il peut prendre différentes formes :

  • erreur de classification ;
  • biais de détection ;
  • biais de surveillance ;
  • biais diagnostique ;
  • biais de l’enquêteur ;
  • mesure imparfaite de l’exposition.

Une erreur identique dans les groupes peut surtout réduire la précision ou atténuer certaines associations.

Une erreur différentielle peut créer, amplifier, réduire ou inverser une association.

La question essentielle est donc :

« Est-ce que l’exposition et le résultat ont été mesurés avec la même qualité et selon les mêmes règles chez toutes les personnes comparées ? »

La validité d’une étude dépend non seulement de qui elle observe, mais aussi de la qualité du regard qu’elle porte sur ces personnes.

Pour aller plus loin

Kenneth J. Rothman, Sander Greenland et Timothy L. Lash — Modern Epidemiology. Une référence majeure pour comprendre les erreurs de mesure, la classification différentielle et leurs effets sur les estimations.

Leon Gordis — Epidemiology. Une introduction accessible aux biais d’information, au biais de détection et à l’importance des définitions standardisées.

Douglas G. Altman — Practical Statistics for Medical Research. Une référence utile pour comprendre la fiabilité, la validité et les conséquences statistiques de mesures imparfaites.