Biais de sélection

Le biais de sélection apparaît lorsque la manière dont les participants entrent dans une étude, y restent ou en sont exclus crée une différence systématique entre les groupes comparés.

Il ne s’agit pas simplement d’avoir un échantillon « peu représentatif ». Le problème devient particulièrement important lorsque la probabilité d’être inclus dans l’analyse dépend à la fois de l’exposition et du résultat de santé.

Une association peut alors être créée, amplifiée, réduite ou même inversée sans correspondre à la relation réelle dans la population.

Un problème de construction de la comparaison

Supposons que l’on cherche à savoir si une exposition X augmente le risque d’une maladie Y.

Dans la population réelle, exposés et non-exposés peuvent être correctement comparés.

Mais si l’étude recrute préférentiellement certaines catégories de personnes, la population effectivement analysée peut présenter une relation différente.

Le biais apparaît donc parfois avant même le premier calcul statistique.

La question centrale devient :

« Pourquoi cette personne se retrouve-t-elle dans l’étude alors qu’une autre n’y est pas ? »

Exemple très simple

Imaginons une population fictive dans laquelle l’exposition X n’a aucun effet sur la maladie.

Dans la population :

MaladesNon-malades
Exposés100900
Non-exposés100900

Le risque est exactement le même : 10 % dans les deux groupes.

Supposons maintenant que les personnes malades et exposées aient beaucoup plus de chances d’être recrutées dans une clinique spécialisée.

L’échantillon observé pourrait devenir :

MaladesNon-malades
Exposés90200
Non-exposés30200

L’exposition paraît alors fortement associée à la maladie, alors qu’elle ne l’était pas dans la population initiale.

La sélection a créé l’association.

Échantillon non représentatif et biais de sélection

Ces deux notions sont proches mais ne sont pas totalement équivalentes.

Un échantillon peut être non représentatif sans fausser nécessairement l’association étudiée.

Supposons qu’une étude sur l’effet biologique d’un médicament recrute beaucoup plus de femmes que d’hommes.

Cela limite éventuellement la généralisation aux hommes.

Mais si la comparaison entre traitement et contrôle reste valide à l’intérieur de l’échantillon, l’estimation interne peut rester correcte.

Le problème de validité externe ne doit donc pas être confondu automatiquement avec le biais de sélection qui fausse l’association à l’intérieur même de l’étude.

Le recrutement des volontaires

Les volontaires diffèrent souvent de ceux qui refusent de participer.

Ils peuvent être :

  • plus intéressés par leur santé ;
  • plus disponibles ;
  • plus diplômés ;
  • plus malades ;
  • ou au contraire en meilleure santé.

Une enquête basée uniquement sur le volontariat peut donc décrire une population particulière.

Ce phénomène est appelé biais de volontariat ou volunteer bias.

Exemple : enquête de nutrition

Supposons qu’un site internet propose :

« Participez à une grande étude sur alimentation et santé. »

Les personnes très intéressées par la nutrition sont probablement surreprésentées.

Elles peuvent :

  • manger différemment ;
  • faire davantage d’exercice ;
  • consulter davantage.

La prévalence de certains comportements observée dans l’étude ne sera pas nécessairement celle de la population générale.

Une grande taille ne règle pas le problème

Si 1 million de volontaires issus d’une population particulière participent, la précision statistique devient extraordinaire.

Mais l’échantillon reste sélectionné.

Encore une fois :

augmenter le nombre de personnes réduit l’erreur aléatoire, pas nécessairement le biais de sélection.

Le biais de non-réponse

Une enquête peut commencer par un échantillon parfaitement tiré au sort, puis devenir biaisée parce qu’une partie importante des personnes ne répond pas.

Supposons que 10 000 personnes soient sélectionnées mais seulement 4 000 répondent.

Si la probabilité de répondre dépend du phénomène étudié, l’estimation peut être faussée.

Exemple : santé mentale

Supposons qu’une enquête cherche à mesurer la prévalence de symptômes dépressifs.

Les personnes souffrant des formes les plus sévères peuvent être moins susceptibles de répondre parce qu’elles :

  • manquent d’énergie ;
  • sont hospitalisées ;
  • sont socialement isolées.

La prévalence observée peut alors être sous-estimée.

Mais le biais pourrait aussi fonctionner dans l’autre direction si les personnes concernées sont davantage motivées à participer.

Le mécanisme doit être compris avant de prévoir la direction du biais.

La sélection dans les études cas-témoins

Le choix des témoins est particulièrement critique.

Les témoins doivent représenter la population qui a donné naissance aux cas.

Supposons que l’on étudie le lien entre tabagisme et cancer.

Si les cas proviennent de la population générale mais que les témoins sont recrutés dans un service où beaucoup de patients souffrent de maladies liées au tabac, le tabagisme sera artificiellement fréquent chez les témoins.

L’association entre tabac et cancer sera sous-estimée.

Le principe de la population source

Une manière utile de juger les témoins est de demander :

« Si cette personne avait développé la maladie, aurait-elle pu être recrutée comme cas ? »

Si la réponse est non, le témoin ne représente peut-être pas correctement la population source.

Cette règle simple permet de comprendre beaucoup de biais de sélection dans les études cas-témoins.

Le biais de Berkson

Un exemple classique est le biais de Berkson, qui peut apparaître lorsque cas et témoins sont recrutés dans un hôpital.

Supposons que deux maladies différentes augmentent chacune la probabilité d’être hospitalisé.

Parmi les patients hospitalisés, elles peuvent sembler artificiellement associées, même si elles sont indépendantes dans la population générale.

Le fait de conditionner sur l’hospitalisation crée la relation.

Exemple conceptuel

Imaginons deux facteurs indépendants :

  • exposition A ;
  • maladie B.

A augmente la probabilité d’hospitalisation.

B augmente également la probabilité d’hospitalisation.

Si l’on étudie uniquement les patients hospitalisés, ceux qui n’ont pas A auront davantage besoin d’avoir B pour se retrouver dans l’échantillon, et inversement.

A et B deviennent alors artificiellement liés.

C’est un exemple fondamental de biais de collision, que l’on retrouvera plus loin avec les graphes causaux.

Le biais de sélection dans les cohortes

Les cohortes peuvent également être touchées.

Supposons qu’une cohorte professionnelle recrute uniquement les travailleurs encore en poste.

Les personnes les plus malades peuvent avoir déjà quitté leur emploi.

L’échantillon présent au début de l’étude est donc sélectionné selon la survie professionnelle.

Cela peut sous-estimer les risques associés au travail.

L’effet du travailleur sain

Les travailleurs sont souvent globalement en meilleure santé que la population générale parce que les personnes gravement malades ont moins de chances d’être employées.

Comparer directement :

travailleurs d’une industrie

à

population générale

peut donc donner l’impression que le travail protège contre la mortalité.

Ce phénomène est appelé effet du travailleur sain.

Il faut souvent comparer des travailleurs à d’autres travailleurs

Pour étudier un risque professionnel, un meilleur groupe de comparaison peut être constitué de personnes :

  • employées dans le même secteur ;
  • mais moins exposées.

On réduit ainsi une partie du biais créé par le simple fait d’être suffisamment en bonne santé pour travailler.

Le biais du survivant

Supposons qu’une exposition soit très dangereuse et provoque une mortalité rapide.

Si l’étude recrute uniquement les personnes encore vivantes plusieurs années après l’exposition, les individus les plus vulnérables ont disparu.

Les survivants observés peuvent sembler étonnamment résistants.

On risque alors de sous-estimer le danger réel.

C’est une forme de biais de survie liée à la sélection.

Une fiche spécifique lui sera consacrée.

Les perdus de vue

Une cohorte peut être correctement constituée au départ mais devenir biaisée si les participants quittent l’étude de manière non aléatoire.

Supposons que les personnes exposées développant les premiers symptômes aient davantage tendance à arrêter le suivi.

Les cas futurs sont alors perdus préférentiellement dans le groupe exposé.

L’exposition peut sembler artificiellement plus sûre.

Exemple inverse

Supposons au contraire que les personnes exposées en bonne santé cessent de répondre parce qu’elles ne voient plus l’intérêt de l’étude, tandis que les personnes malades restent sous suivi médical.

Le groupe exposé restant contient proportionnellement davantage de malades.

Le risque peut être surestimé.

Encore une fois, la direction du biais dépend du mécanisme de sélection.

Sélection et traitement

Dans une étude observationnelle sur un médicament, les personnes recevant le traitement peuvent être sélectionnées selon leur état de santé.

Par exemple, les médecins peuvent réserver un traitement :

  • aux patients les plus sévères ;
  • ou au contraire aux patients suffisamment robustes pour le tolérer.

La comparaison avec les non-traités peut alors être profondément déséquilibrée.

Une partie de ce problème relève de la confusion par indication, mais le processus de sélection des patients peut également intervenir.

Sélection après le début de l’étude

Un principe particulièrement important est qu’il faut être prudent lorsqu’on sélectionne les participants selon une variable survenue après l’exposition.

Supposons que l’on étudie l’effet d’un traitement sur la mortalité uniquement chez les patients qui survivent assez longtemps pour atteindre un contrôle médical à six mois.

On a exclu tous ceux qui meurent avant six mois.

Si le traitement influence la survie précoce, cette sélection peut déformer complètement la comparaison.

Conditionner sur un événement intermédiaire

Supposons :

traitement → survie jusqu’à six mois → résultat ultérieur.

Analyser uniquement les survivants à six mois signifie conditionner sur une variable influencée par le traitement.

Cela peut ouvrir des relations artificielles avec d’autres facteurs influençant eux aussi la survie.

C’est une forme de biais de collision.

Le biais de collision

En raisonnement causal, un collider est une variable influencée par deux autres variables.

Supposons :

Exposition → Hospitalisation ← Gravité

Si l’on analyse seulement les personnes hospitalisées, on conditionne sur l’hospitalisation.

Même si exposition et gravité étaient initialement indépendantes, elles peuvent devenir statistiquement associées parmi les personnes hospitalisées.

Ce phénomène est contre-intuitif mais extrêmement important.

Exemple intuitif : université très sélective

Une analogie classique aide à comprendre.

Supposons qu’une université accepte les étudiants selon deux qualités :

  • excellence scolaire ;
  • excellence sportive.

Dans la population générale, les deux peuvent être indépendantes.

Mais parmi les étudiants admis, une personne moins forte scolairement devra généralement être très forte sportivement pour entrer.

On observe alors une association négative entre niveau scolaire et niveau sportif parmi les admis.

L’université a sélectionné sur une conséquence commune des deux variables.

Sélectionner un collider peut créer une fausse corrélation

C’est pourquoi :

« contrôler davantage de variables »

n’est pas toujours une bonne stratégie.

Si l’on ajuste statistiquement sur une variable qui est un collider, on peut introduire un biais qui n’existait pas auparavant.

Ce principe sera approfondi dans le chapitre consacré aux facteurs de confusion et aux DAG.

Étudier uniquement les personnes infectées

Un exemple intéressant survient dans les maladies infectieuses.

Supposons qu’un facteur X influence la probabilité d’être infecté et qu’un autre facteur Y influence également l’infection.

Si l’on étudie la gravité uniquement parmi les personnes infectées, le fait de conditionner sur l’infection peut créer des associations artificielles entre X et Y.

Cela peut compliquer l’étude des facteurs de gravité.

Exemple vaccinal

Supposons, de manière simplifiée, que vaccination et certaines caractéristiques comportementales influencent toutes deux la probabilité d’infection.

Si l’on analyse uniquement les personnes infectées, vaccinés et non-vaccinés présents dans cet échantillon peuvent être très différents sur ces autres caractéristiques.

Comparer ensuite leur gravité peut nécessiter beaucoup de prudence.

Cela ne signifie pas que toute analyse conditionnelle est impossible, mais que le mécanisme de sélection doit être modélisé.

Le biais d’admission en soins intensifs

On peut rencontrer un phénomène similaire en réanimation.

Supposons que :

  • âge ;
  • gravité de la maladie ;

influencent tous deux l’admission en réanimation.

Si l’on étudie uniquement les patients de réanimation, âge et gravité peuvent être artificiellement associés par le processus d’admission.

Les données d’un service spécialisé ne représentent donc pas nécessairement directement les relations présentes dans toute la population malade.

Les bases hospitalières sont sélectionnées

Les données hospitalières sont riches mais elles concernent des personnes ayant franchi plusieurs étapes :

être malade → consulter → être orienté → être hospitalisé → être enregistré.

Chacune de ces étapes peut dépendre :

  • de la gravité ;
  • du revenu ;
  • de l’âge ;
  • de l’accès aux soins ;
  • du comportement.

Le groupe hospitalisé est donc rarement un échantillon aléatoire de tous les malades.

Dépistage et sélection

Les personnes qui participent à un programme de dépistage peuvent également différer des autres.

Elles sont parfois :

  • davantage sensibilisées à leur santé ;
  • plus observantes ;
  • de niveau socio-économique différent.

Comparer directement mortalité des dépistés et non-dépistés peut donc surestimer le bénéfice du dépistage même avant de considérer les biais propres au dépistage.

Les essais randomisés sont particulièrement utiles pour cette raison.

Biais de l’adhérent sain

Dans certaines études, les personnes qui suivent correctement un traitement préventif présentent de meilleurs résultats même lorsque le traitement lui-même n’est pas responsable de tout le bénéfice.

L’observance peut être associée à :

  • alimentation ;
  • exercice ;
  • suivi médical ;
  • comportements de prévention.

Comparer les « bons observants » aux autres sélectionne donc des personnes ayant des caractéristiques différentes.

Base de données et sélection invisible

Une base administrative peut sembler couvrir toute la population.

Mais une sélection existe parfois malgré tout.

Par exemple, une base d’assurance ne contient que :

  • personnes affiliées ;
  • actes remboursés ;
  • soins réalisés dans certains circuits.

Les personnes sans recours aux soins peuvent être invisibles pour certaines variables.

La question « qui peut apparaître dans cette base ? » reste toujours pertinente.

Smartphone et objets connectés

Supposons qu’on estime l’activité physique moyenne à partir de montres connectées.

Les utilisateurs de ces appareils sont probablement différents de la population générale :

  • âge ;
  • revenu ;
  • intérêt pour la santé ;
  • activité.

Même plusieurs millions d’utilisateurs peuvent donc donner une estimation biaisée de l’activité générale.

Sélection par disponibilité des données

Un biais peut apparaître lorsqu’on inclut uniquement les personnes possédant des informations complètes.

Supposons qu’une variable biologique manque chez 40 % des participants.

Si l’analyse conserve seulement ceux ayant toutes les données, elle sélectionne potentiellement une population particulière.

La complete-case analysis peut donc devenir biaisée si la disponibilité des données dépend de facteurs liés à l’exposition ou au résultat.

« Missingness » comme mécanisme de sélection

Les données manquantes peuvent être considérées comme une sélection :

être inclus dans l’analyse finale dépend du fait d’avoir toutes les informations nécessaires.

Si les personnes très malades ont davantage de données manquantes, les exclure sélectionne les individus en meilleure santé.

Le traitement des données manquantes est donc directement lié au problème de sélection.

Sélection par diagnostic

Supposons qu’une maladie soit plus facilement diagnostiquée chez les personnes exposées parce que les médecins savent qu’elles présentent un risque potentiel.

L’étude peut alors inclure davantage de cas chez les exposés simplement parce qu’ils sont recherchés plus intensément.

Ce phénomène se rapproche du biais de détection, mais il produit également une sélection différentielle des cas identifiés.

Exemple : surveillance médicale professionnelle

Les travailleurs exposés à une substance peuvent bénéficier d’un suivi médical renforcé.

Une maladie précoce sera plus souvent diagnostiquée chez eux que chez les travailleurs non exposés.

Le nombre de cas observés augmente sans que l’incidence biologique soit nécessairement aussi différente.

Restriction de l’échantillon

La sélection peut parfois être volontaire et utile.

Supposons que l’on étudie uniquement les personnes âgées de 40 à 50 ans afin de réduire les différences d’âge.

Cette restriction peut aider à limiter la confusion.

Toute sélection n’est donc pas un biais.

Elle devient problématique lorsqu’elle déforme la relation que l’on souhaite estimer.

Inclusion et exclusion ne sont pas suspectes en soi

Les essais cliniques utilisent toujours des critères d’inclusion et d’exclusion.

Cela peut améliorer :

  • sécurité ;
  • validité interne ;
  • homogénéité.

Mais ces critères peuvent limiter la généralisabilité.

Il faut donc distinguer :

sélection méthodologiquement contrôlée

et

sélection créant une association artificielle.

Diagrammes de flux

Un bon article devrait permettre de suivre le parcours des participants :

  • personnes éligibles ;
  • personnes contactées ;
  • refus ;
  • inclusions ;
  • pertes de suivi ;
  • analyse finale.

Ce diagramme peut révéler des problèmes qui ne sont pas visibles dans le résultat statistique final.

Une forte attrition mérite particulièrement d’être examinée.

Taux de participation

Un faible taux de participation n’implique pas automatiquement un biais catastrophique.

Ce qui compte surtout est de savoir si la participation dépend des variables importantes.

Une enquête avec 40 % de participation peut parfois rester relativement valide si répondants et non-répondants diffèrent peu sur le phénomène étudié.

À l’inverse, une participation de 80 % peut encore produire un biais si les 20 % manquants sont très particuliers.

Peut-on corriger statistiquement un biais de sélection ?

Parfois partiellement.

On peut utiliser :

  • pondération ;
  • standardisation ;
  • modèles de probabilité de sélection ;
  • imputation.

Mais ces méthodes nécessitent de comprendre pourquoi les personnes ont été sélectionnées.

Si les déterminants importants de la sélection sont inconnus ou non mesurés, la correction reste limitée.

Pondération par probabilité inverse

Une méthode consiste à donner davantage de poids aux personnes ayant une faible probabilité d’être observées.

Si certaines catégories sont sous-représentées mais que cette sous-représentation est connue, la pondération peut reconstituer plus fidèlement la population cible.

Cette approche est notamment utilisée dans les enquêtes et certaines analyses causales.

Mais elle dépend d’un modèle correct de la sélection.

Une pondération extrême peut devenir instable

Si certaines personnes ont une probabilité extrêmement faible d’être incluses, elles reçoivent un poids très élevé.

Quelques observations peuvent alors dominer toute l’analyse.

La correction statistique a donc elle aussi ses limites.

Un bon design initial reste préférable lorsqu’il est possible.

Biais de sélection et validité externe

Il faut revenir à cette distinction fondamentale.

Une étude peut être valide pour une population très sélectionnée sans s’appliquer à tout le monde.

Par exemple, un essai réalisé uniquement chez des hommes de 40 à 60 ans peut correctement mesurer l’effet du traitement chez ces hommes.

Son problème principal pour les femmes ou les personnes très âgées est alors la généralisabilité, pas nécessairement le biais interne.

Quand la sélection fausse l’effet lui-même

Le biais de sélection interne apparaît surtout lorsque le mécanisme d’inclusion ou de maintien dans l’étude crée des différences artificielles entre exposition et maladie.

Il ne s’agit donc pas seulement de demander :

« cet échantillon ressemble-t-il à la population nationale ? »

mais :

« le processus de sélection a-t-il modifié l’association étudiée ? »

Le biais ne disparaît pas parce qu’il est invisible

L’un des problèmes du biais de sélection est que les personnes absentes ne sont justement pas disponibles pour être analysées.

On peut parfois comparer les caractéristiques connues des participants et non-participants.

Mais les variables inconnues restent, par définition, difficiles à examiner.

La prévention du biais au moment du design est donc particulièrement importante.

Une étude peut sélectionner une population intéressante

Il ne faut pas non plus tomber dans l’excès inverse.

Une étude portant spécifiquement sur les personnes :

  • âgées ;
  • diabétiques ;
  • hospitalisées ;

peut être extrêmement utile si c’est précisément la population que l’on souhaite comprendre.

La sélection devient un problème seulement lorsqu’on prétend répondre à une question qui nécessite une autre population ou lorsque le mécanisme de sélection crée une fausse comparaison.

Une leçon d’esprit critique

Lorsqu’une étude annonce une forte association, il est utile de ne pas regarder seulement les personnes présentes dans le tableau.

Il faut également penser aux absents.

Demandez :

Qui pouvait entrer dans l’étude ?

Qui ne pouvait pas y entrer ?

Qui a refusé ?

Qui a quitté l’étude ?

L’exposition ou la maladie influençaient-elles ces probabilités ?

A-t-on sélectionné les participants selon une conséquence de l’exposition ou de la maladie ?

Ces questions peuvent parfois être plus importantes que le modèle statistique final.

À retenir

Le biais de sélection apparaît lorsque le processus d’inclusion, d’exclusion ou de maintien dans l’étude déforme la relation entre exposition et résultat.

Il peut survenir lors :

  • du recrutement ;
  • du choix des témoins ;
  • de la non-réponse ;
  • des pertes de suivi ;
  • de la sélection des survivants ;
  • de l’analyse limitée aux données complètes ;
  • du conditionnement sur une variable influencée par l’exposition et d’autres facteurs.

La taille de l’échantillon ne corrige pas ce problème.

Un million de participants mal sélectionnés peut fournir une estimation extrêmement précise mais biaisée.

La question fondamentale est donc :

« Par quel mécanisme les personnes observées sont-elles devenues différentes de celles que nous aurions dû comparer ? »

Comprendre ce mécanisme est indispensable avant d’interpréter l’association observée.

Pour aller plus loin

Kenneth J. Rothman, Sander Greenland et Timothy L. Lash — Modern Epidemiology. Une référence majeure pour comprendre les différents mécanismes de biais de sélection et leur relation avec les plans d’étude.

Miguel Hernán et James Robins — Causal Inference: What If. Une référence particulièrement utile pour comprendre la sélection, les colliders et leur représentation à l’aide de graphes causaux.

Leon Gordis — Epidemiology. Une introduction accessible aux biais de sélection dans les cohortes et les études cas-témoins.

Joseph Berkson — travaux historiques sur les biais liés aux populations hospitalières. À l’origine de l’un des exemples classiques montrant comment le processus d’admission peut créer artificiellement une association.