Biais de survie

Le biais de survie apparaît lorsqu’une analyse porte uniquement sur les personnes, événements ou objets qui ont « survécu » à un processus de sélection, tandis que ceux qui ont disparu, échoué ou été perdus en cours de route ne sont plus observés.

Le problème est que les survivants ne constituent pas toujours un échantillon représentatif de la population initiale.

On peut alors conclure à tort qu’une exposition est peu dangereuse, qu’un traitement est efficace ou qu’un comportement est protecteur simplement parce que les personnes les plus vulnérables ont déjà disparu de l’échantillon.

Observer seulement ceux qui restent

Supposons qu’on souhaite étudier les conséquences à long terme d’une exposition professionnelle toxique.

On interroge aujourd’hui les travailleurs encore employés dans l’entreprise.

Mais les personnes les plus gravement atteintes ont peut-être :

  • quitté leur emploi ;
  • pris une retraite anticipée ;
  • changé de métier ;
  • été hospitalisées ;
  • ou sont décédées.

Les travailleurs encore présents peuvent donc apparaître étonnamment en bonne santé.

Ce n’est pas nécessairement parce que l’exposition était sans danger, mais parce que les personnes qui la supportaient le moins ne sont plus observées.

Exemple simple

Imaginons 1 000 personnes exposées à une substance.

Après vingt ans :

  • 300 ont développé une maladie grave et ont quitté l’entreprise ;
  • 700 sont encore en poste.

Si l’on étudie uniquement les 700 travailleurs restants, on peut constater qu’ils sont relativement en bonne santé.

Mais on a supprimé de l’analyse précisément les personnes chez qui l’exposition a eu les conséquences les plus graves.

La population survivante n’est plus équivalente à la population initiale.

L’exemple célèbre des avions

L’exemple classique du biais de survie vient de la Seconde Guerre mondiale.

Les militaires étudiaient les impacts de balles sur les avions revenant de mission afin de déterminer où renforcer le blindage.

On observait beaucoup d’impacts sur certaines parties de l’appareil.

L’intuition pouvait être de renforcer précisément ces zones.

Le statisticien Abraham Wald fit remarquer qu’il fallait surtout s’intéresser aux endroits où les avions revenus n’avaient pas été touchés.

Pourquoi ?

Parce que les avions touchés à ces endroits critiques ne revenaient probablement pas.

L’échantillon visible était constitué uniquement des survivants.

Ce qui manque peut être plus informatif que ce qui reste

Cet exemple illustre une règle générale :

l’absence d’observation n’est pas nécessairement absence d’événement.

Une catégorie peut être peu représentée parce qu’elle survit mal au processus qui produit l’échantillon.

La bonne question n’est donc pas seulement :

« Quelles caractéristiques possèdent les survivants ? »

mais aussi :

« Quelles caractéristiques avaient ceux qui ne sont plus là ? »

Biais de survie et maladies

Supposons qu’on réalise une étude transversale sur les personnes vivant actuellement avec une maladie.

Les cas observés sont nécessairement des personnes qui ont :

  • développé la maladie ;
  • puis survécu suffisamment longtemps pour être incluses.

Les formes rapidement mortelles seront sous-représentées.

La population des cas présents reflète donc à la fois :

le risque de développer la maladie

et

la capacité à survivre avec elle.

Cas incidents et cas prévalents

Cette distinction est importante.

Les cas incidents sont les nouveaux cas apparaissant pendant une période.

Les cas prévalents sont les personnes vivant actuellement avec la maladie.

Utiliser des cas prévalents pour rechercher les causes peut produire un biais si l’exposition influence également la survie.

Exemple

Supposons qu’une exposition X :

  • double le risque de développer une maladie ;
  • mais rende aussi cette maladie beaucoup plus mortelle.

Si l’on recrute uniquement les survivants plusieurs années après le diagnostic, beaucoup de personnes exposées sont déjà décédées.

L’exposition peut sembler moins fréquente parmi les cas survivants.

On pourrait alors sous-estimer, voire manquer, son rôle dans l’apparition de la maladie.

Une exposition peut sembler protectrice parmi les survivants

Dans certaines situations, le biais peut même inverser l’association.

Supposons que les personnes exposées ayant développé la maladie meurent rapidement.

Parmi les personnes encore vivantes avec la maladie, les non-exposées dominent.

Une analyse limitée aux survivants peut donner l’impression que l’exposition était rare chez les malades et donc possiblement « protectrice ».

Ce résultat serait entièrement artificiel.

Biais de Neyman

Cette situation est parfois appelée biais de prévalence-incidence ou biais de Neyman.

Elle apparaît notamment lorsqu’on utilise des cas prévalents plutôt que des cas incidents.

Les cas observés ont été sélectionnés à la fois par :

  • apparition de la maladie ;
  • survie jusqu’au moment de l’étude.

Cette double sélection peut déformer les associations avec les facteurs de risque.

Pourquoi les nouveaux cas sont souvent préférables

Pour étudier les facteurs de risque d’une maladie, recruter les cas au moment où ils apparaissent limite ce problème.

Les personnes n’ont pas encore été fortement sélectionnées par leur durée de survie.

Cela ne supprime pas tous les biais, mais réduit l’influence de la survie après diagnostic.

Biais de survie dans les cohortes

Une cohorte peut aussi être touchée si l’on commence à observer une population longtemps après le début réel de l’exposition.

Supposons qu’une exposition professionnelle existe depuis quinze ans avant le début de l’étude.

Les travailleurs encore présents sont ceux qui ont :

  • supporté l’exposition ;
  • continué à travailler.

Les plus vulnérables ont peut-être quitté l’entreprise.

On parle parfois de depletion of susceptibles, ou épuisement progressif des sujets susceptibles.

Épuisement des susceptibles

Lorsqu’une exposition provoque surtout des événements chez les personnes les plus fragiles au début, le groupe restant devient progressivement composé de personnes plus résistantes.

Le risque apparent peut donc diminuer avec la durée d’exposition.

On pourrait conclure :

« plus on est exposé longtemps, moins c’est dangereux »,

alors que la population exposée s’est simplement sélectionnée elle-même au fil du temps.

Effet du travailleur survivant

Dans les études professionnelles, on peut observer un healthy worker survivor effect.

Les personnes qui restent longtemps dans un emploi exposé sont souvent celles qui sont suffisamment en bonne santé pour continuer.

Celles qui développent des problèmes peuvent :

  • changer de poste ;
  • réduire leur exposition ;
  • arrêter de travailler.

Les travailleurs les plus longtemps exposés peuvent alors paraître paradoxalement en meilleure santé.

Quand la maladie modifie l’exposition

Le problème devient encore plus complexe lorsque les premiers symptômes poussent les personnes à réduire leur exposition.

Par exemple, un travailleur développe une gêne respiratoire et quitte le poste le plus exposé.

Des années plus tard, il est diagnostiqué.

Si l’on regarde seulement son exposition récente, il peut être classé comme faiblement exposé, alors que la maladie elle-même a contribué à réduire son exposition.

On combine alors sélection, causalité inverse et mauvaise mesure du parcours d’exposition.

Biais de survie dans les essais cliniques

Les essais randomisés peuvent également être affectés si l’analyse porte uniquement sur les participants qui terminent le traitement.

Supposons qu’un médicament provoque des effets indésirables sévères chez certaines personnes.

Elles arrêtent rapidement et sont exclues de l’analyse finale.

On compare ensuite uniquement :

les personnes ayant terminé le traitement

aux participants du groupe contrôle.

Le groupe traité restant est constitué de personnes ayant particulièrement bien toléré l’intervention.

L’efficacité ou la sécurité peut être surestimée.

« Completers only »

Une analyse limitée aux completers, c’est-à-dire aux participants ayant terminé l’étude, peut donc être très trompeuse.

Les personnes qui abandonnent ne constituent pas nécessairement un échantillon aléatoire.

Elles peuvent avoir quitté l’étude précisément parce que :

  • traitement inefficace ;
  • effets indésirables ;
  • aggravation de la maladie.

Les exclure efface une partie essentielle de l’information.

Pourquoi l’intention de traiter aide

Dans un essai randomisé, l’analyse en intention de traiter conserve les participants dans leur groupe initial autant que possible.

Elle évite de reconstruire après coup un groupe composé uniquement de ceux qui ont suffisamment bien répondu ou toléré le traitement.

Cette stratégie protège en partie contre les biais liés à la sélection post-randomisation.

Les perdus de vue

Le biais de survie est étroitement lié au problème des perdus de vue.

Si les personnes qui disparaissent du suivi ont un pronostic différent des personnes restantes, l’analyse peut devenir biaisée.

Supposons qu’une cohorte de 10 000 personnes perde 30 % des participants.

Si les personnes les plus malades sont surreprésentées parmi les absents, la santé de la population restante semblera artificiellement meilleure.

Survie dans les bases de données

Une base médicale peut inclure uniquement les personnes encore affiliées à un système donné.

Les individus qui :

  • déménagent ;
  • changent d’assurance ;
  • quittent un réseau de soins ;

peuvent disparaître.

Si ces sorties dépendent de leur état de santé ou de leur exposition, la population observée évolue de manière sélectionnée.

Biais de survie et âge

Chez les personnes très âgées, les individus atteignant 90 ou 100 ans constituent par définition une population fortement sélectionnée.

Ils peuvent présenter :

  • patrimoine génétique particulier ;
  • comportements particuliers ;
  • conditions sociales favorables.

Étudier uniquement les personnes centenaires ne permet donc pas de reconstruire facilement les causes de longévité.

Exemple des centenaires

Supposons que l’on observe que beaucoup de centenaires ont consommé un certain aliment.

On pourrait conclure :

« cet aliment favorise la longévité ».

Mais on ne sait pas :

  • combien de personnes ayant consommé cet aliment sont mortes plus tôt ;
  • quelles autres caractéristiques possédaient les survivants.

Les témoignages de personnes exceptionnellement âgées sont donc particulièrement vulnérables au biais de survie.

« Mon grand-père fumait et a vécu jusqu’à 95 ans »

Cet argument constitue un exemple quotidien du problème.

Le fait qu’une personne ait fumé et vécu très longtemps démontre seulement qu’une longue survie est possible malgré le tabagisme.

Il ne nous renseigne pas sur tous les fumeurs qui :

  • sont morts plus tôt ;
  • ont développé des maladies ;
  • ne sont donc plus disponibles pour témoigner.

Pour estimer le risque, il faut comparer l’ensemble des fumeurs à l’ensemble des non-fumeurs.

Les gagnants sont beaucoup plus visibles que les perdants

Le biais de survie existe bien au-delà de l’épidémiologie.

Supposons que l’on étudie les habitudes des entreprises ayant réussi.

On découvre qu’elles ont toutes pris de grands risques.

On pourrait conclure que prendre de grands risques est une stratégie efficace.

Mais on ne voit pas toutes les entreprises ayant pris exactement les mêmes risques et ayant disparu.

Les survivants sont plus faciles à étudier parce qu’ils existent encore.

Santé et témoignages de traitements

Le même problème apparaît dans les témoignages thérapeutiques.

Sur internet, on peut trouver des personnes déclarant :

« J’ai pris ce traitement alternatif et je suis toujours là dix ans après. »

Mais on ne connaît pas :

  • tous ceux qui ont essayé le traitement ;
  • ceux chez qui il a échoué ;
  • ceux qui sont décédés ;
  • ceux qui n’ont jamais raconté leur expérience.

Une collection de survivants ne permet pas d’estimer l’efficacité d’une intervention.

Groupes de patients en ligne

Les communautés en ligne peuvent également sélectionner certains profils.

Une personne ayant :

  • récupéré rapidement ;
  • complètement quitté la communauté ;

peut devenir invisible.

À l’inverse, les personnes souffrant de symptômes persistants peuvent rester très actives.

Ou le phénomène peut fonctionner dans l’autre sens selon la communauté.

La fréquence des témoignages ne mesure donc pas directement la fréquence dans la population.

Biais de survie et cancer

Les statistiques sur les survivants au cancer doivent être interprétées soigneusement.

Si l’on étudie uniquement des personnes ayant survécu cinq ans après le diagnostic, on sélectionne des cancers :

  • moins agressifs ;
  • mieux détectés ;
  • mieux traités.

Leurs caractéristiques ne sont pas nécessairement celles de tous les cancers diagnostiqués.

Survie conditionnelle

En revanche, il peut être parfaitement pertinent de poser une question conditionnelle :

« Parmi les personnes ayant déjà survécu cinq ans, quelle est leur probabilité de survivre cinq années supplémentaires ? »

La sélection n’est alors pas un biais, car elle fait partie explicitement de la question.

Le problème apparaît lorsque l’on utilise ce groupe pour répondre à une autre question, par exemple sur la gravité initiale de tous les cancers.

Sélection sur le fait d’être vivant

À un instant donné, toute étude réalisée sur des personnes vivantes conditionne évidemment sur la survie jusqu’à cette date.

Cela peut parfois créer des associations surprenantes.

Deux facteurs qui augmentent tous deux la mortalité peuvent devenir statistiquement associés parmi les personnes très âgées simplement parce qu’il faut avoir survécu malgré eux pour être observé.

Ce phénomène rejoint le biais de collision.

Survie comme collider

Imaginons :

Exposition A → Survie ← Facteur B

Si A et B influencent tous deux la probabilité d’être vivant au moment de l’étude, sélectionner uniquement les survivants revient à conditionner sur une conséquence commune.

A et B peuvent alors devenir artificiellement associés.

Les graphes causaux permettent de représenter clairement ce mécanisme.

Le paradoxe de l’obésité

Certaines études ont observé que, parmi des patients déjà atteints d’une maladie grave, les personnes en surpoids semblaient parfois avoir une meilleure survie que les personnes de poids normal.

Ce résultat a été appelé paradoxe de l’obésité.

Plusieurs mécanismes peuvent intervenir, mais certains résultats peuvent être influencés par :

  • sélection des malades ;
  • perte de poids causée par la maladie ;
  • tabagisme ;
  • biais de survie.

Une association observée parmi des personnes déjà malades ne correspond pas nécessairement à l’effet de l’obésité sur le risque de développer la maladie dans la population générale.

Causalité inverse et survie

La perte de poids peut être une conséquence précoce d’une maladie.

Les personnes les plus maigres parmi les malades peuvent donc être celles dont la maladie est la plus avancée.

Comparer leur survie aux personnes plus corpulentes peut créer l’impression que le surpoids protège.

La causalité inverse et la sélection sur la maladie compliquent l’analyse.

Médicaments et utilisateurs survivants

Lorsqu’un médicament est utilisé depuis longtemps, les personnes qui continuent à le prendre sont parfois celles qui :

  • le tolèrent ;
  • n’ont pas connu d’effet indésirable grave.

Une étude portant uniquement sur les utilisateurs de longue durée peut donc sous-estimer les problèmes apparaissant au début du traitement.

Nouveaux utilisateurs

Pour limiter ce problème, certaines études utilisent un new-user design.

Elles incluent les patients au moment où ils commencent le traitement plutôt que d’étudier uniquement ceux qui le prennent déjà depuis plusieurs années.

Cela permet d’observer aussi les événements précoces et les abandons.

Survivants et exposition cumulative

Supposons qu’une étude constate que les personnes exposées depuis trente ans présentent moins de problèmes que celles exposées depuis cinq ans.

Cela peut sembler suggérer un effet protecteur de la durée.

Mais pour atteindre trente ans d’exposition, il fallait justement avoir :

  • survécu ;
  • toléré l’exposition ;
  • continué à être exposé.

Le groupe des très longtemps exposés est fortement sélectionné.

Biais de temps immortel

Un phénomène proche est le biais de temps immortel.

Supposons qu’une étude classe comme « traités » les patients qui reçoivent un médicament à un moment quelconque après leur diagnostic.

Pour être classé comme traité, un patient doit nécessairement survivre jusqu’au début du traitement.

La période entre le diagnostic et le traitement est donc une période pendant laquelle il était impossible qu’il meure tout en restant classé dans ce groupe.

Si cette période est attribuée à tort au groupe traité, celui-ci obtient artificiellement un avantage de survie.

Exemple du temps immortel

Supposons :

  • diagnostic en janvier ;
  • traitement commencé en juin.

Pour être considéré comme traité, le patient doit être vivant en juin.

Les personnes mortes en février ne pourront jamais appartenir au groupe traité.

Si l’on compare naïvement depuis janvier :

traités versus non-traités,

le groupe traité bénéficie d’une période de survie garantie par définition.

L’effet du traitement peut être fortement surestimé.

Comment éviter le biais de temps immortel ?

Il faut traiter correctement l’exposition dans le temps.

Avant juin, le patient appartient au temps non exposé.

À partir du début réel du traitement, il contribue au temps exposé.

Les modèles avec exposition dépendante du temps permettent notamment de gérer ce problème.

Les études de survie doivent définir un « temps zéro »

Une bonne comparaison doit utiliser un point de départ cohérent.

Si le groupe A commence à être suivi au diagnostic et le groupe B seulement après avoir survécu six mois, les groupes ne sont pas comparables.

Le choix du temps zéro est donc fondamental.

Exemple de transplantation

Supposons que l’on compare survie des personnes transplantées à celles non transplantées depuis leur inscription sur une liste.

Les personnes transplantées doivent survivre jusqu’à l’opération.

Une analyse naïve peut attribuer cette période de survie à la transplantation.

La méthodologie doit donc tenir compte du caractère dépendant du temps de l’intervention.

Comment réduire le biais de survie ?

Plusieurs stratégies sont utiles :

  • utiliser des cas incidents ;
  • suivre les personnes dès le début de l’exposition ;
  • inclure les événements précoces ;
  • analyser les abandons ;
  • utiliser un temps zéro commun ;
  • traiter correctement les expositions évoluant dans le temps.

L’objectif est de reconstruire autant que possible la population initiale avant que la survie ne la sélectionne.

Retrouver les non-survivants

Les registres de décès et bases administratives sont particulièrement précieux.

Ils permettent parfois de suivre également les personnes qui :

  • ont quitté une étude ;
  • sont décédées.

Sans ces informations, la population survivante pourrait donner une image très biaisée.

Analyse de sensibilité

Lorsque certaines personnes sont perdues, on peut tester plusieurs scénarios.

Par exemple :

Que deviendrait le résultat si les personnes perdues avaient deux fois plus de risque que celles restées suivies ?

Si la conclusion change complètement, elle dépend fortement d’une hypothèse sur les survivants.

Le biais de survie ne signifie pas que toute étude de survivants est inutile

Tout dépend de la question.

Si l’on souhaite comprendre :

les besoins médicaux des survivants d’un cancer dix ans après le diagnostic,

étudier précisément cette population est parfaitement approprié.

Le problème apparaît si l’on utilise ces survivants pour conclure sur :

tous les patients au moment du diagnostic.

La population étudiée doit correspondre à la question posée.

Une leçon d’esprit critique

Face à une population impressionnante de survivants, posez la question :

« Qui manque ? »

Pour une maladie :

les personnes décédées avant l’étude sont-elles absentes ?

Pour un traitement :

les patients qui l’ont mal toléré l’ont-ils arrêté avant d’être analysés ?

Pour une exposition :

les personnes les plus vulnérables ont-elles cessé d’être exposées ?

Pour un témoignage :

entendons-nous uniquement ceux qui ont eu la possibilité de raconter leur histoire ?

Le biais de survie nous rappelle qu’une observation peut être parfaitement vraie chez ceux qui restent et pourtant profondément trompeuse sur la population qui existait au départ.

À retenir

Le biais de survie apparaît lorsque l’analyse porte uniquement sur les personnes ayant survécu suffisamment longtemps pour être observées.

Les survivants peuvent être systématiquement différents des personnes disparues.

Ce biais peut toucher :

  • études transversales ;
  • cohortes professionnelles ;
  • essais analysant uniquement les participants ayant terminé ;
  • études sur des utilisateurs de longue durée ;
  • analyses de survie mal construites.

Des formes particulières incluent le biais de prévalence-incidence, l’effet du travailleur survivant et le biais de temps immortel.

La question fondamentale est simple :

« Pour appartenir au groupe que j’observe, fallait-il déjà avoir survécu à une partie du phénomène que j’essaie d’étudier ? »

Si la réponse est oui, il faut vérifier très soigneusement si cette sélection par la survie déforme la comparaison.

Pour aller plus loin

Abraham Wald — travaux sur les avions survivants pendant la Seconde Guerre mondiale. L’exemple historique le plus célèbre permettant de comprendre intuitivement le biais de survie.

Kenneth J. Rothman, Sander Greenland et Timothy L. Lash — Modern Epidemiology. Une référence importante sur la sélection des cas prévalents, les populations survivantes et les biais temporels.

Miguel Hernán et James Robins — Causal Inference: What If. Particulièrement utile pour comprendre la sélection sur des variables postérieures à l’exposition, les colliders et les biais liés au temps.

Suissa — travaux méthodologiques sur le biais de temps immortel. Des références importantes pour comprendre les erreurs de classification temporelle dans les études observationnelles de traitements.