Causalité inverse

La causalité inverse apparaît lorsqu’on interprète une association comme si :

X causait Y

alors qu’en réalité, totalement ou partiellement :

Y cause X.

Ce problème est particulièrement fréquent lorsque la maladie commence longtemps avant le diagnostic officiel.

Une exposition mesurée quelques mois ou quelques années avant le diagnostic peut donc déjà avoir été modifiée par le processus pathologique.

Exemple simple

Supposons qu’on observe que les personnes atteintes d’une maladie chronique font moins d’activité physique.

On pourrait conclure :

faible activité physique → maladie.

Mais il est aussi possible que les premiers symptômes aient entraîné :

  • fatigue ;
  • douleur ;
  • essoufflement ;

et donc :

maladie débutante → réduction de l’activité physique.

L’association observée ne permet pas immédiatement de déterminer la direction.

Le diagnostic n’est pas toujours le début de la maladie

C’est un point fondamental.

Une maladie peut commencer :

  • plusieurs semaines ;
  • plusieurs mois ;
  • parfois plusieurs années

avant d’être diagnostiquée.

La date du diagnostic est donc souvent seulement la date à laquelle la maladie devient suffisamment visible pour être identifiée.

Le processus biologique peut être beaucoup plus ancien.

Exemple de perte de poids

Supposons qu’une cohorte montre que les personnes ayant un faible poids présentent davantage de cancers dans les années suivantes.

On pourrait conclure :

faible poids → cancer.

Mais certains cancers non encore diagnostiqués provoquent :

  • perte d’appétit ;
  • inflammation ;
  • amaigrissement.

La chaîne peut donc être :

cancer préclinique → perte de poids

puis

diagnostic du cancer.

Le faible poids devient un marqueur précoce plutôt qu’une cause.

Exemple d’activité physique

La même difficulté existe avec l’exercice.

Une maladie cardiovasculaire débutante peut provoquer :

  • essoufflement ;
  • fatigue ;
  • réduction spontanée de l’activité.

Une étude peut ensuite trouver :

faible activité → événement cardiovasculaire.

Une partie de l’association peut refléter :

maladie cardiovasculaire préclinique → faible activité.

Cela n’exclut pas qu’une activité physique suffisante soit elle-même protectrice ; les deux mécanismes peuvent coexister.

Les deux directions peuvent être vraies simultanément

C’est important.

On n’est pas toujours obligé de choisir entre :

X → Y

et

Y → X.

Une relation bidirectionnelle est possible.

Par exemple :

dépression → baisse de l’activité physique

mais aussi

faible activité physique → augmentation du risque de symptômes dépressifs.

Les deux processus peuvent s’entretenir mutuellement.

Causalité inverse et études transversales

Les études transversales sont particulièrement vulnérables au problème.

Supposons qu’on mesure le même jour :

  • sommeil ;
  • symptômes dépressifs.

On trouve que les personnes dormant beaucoup sont davantage dépressives.

Mais on ne sait pas si :

sommeil prolongé → dépression

ou

dépression → sommeil prolongé.

La simultanéité de la mesure rend la temporalité difficile à établir.

Les cohortes améliorent la temporalité

Dans une cohorte, on mesure l’exposition puis on observe les événements futurs.

Cela aide à montrer que X précède le diagnostic de Y.

Mais cela ne suffit pas toujours.

Si Y possède une longue phase préclinique, il peut déjà influencer X au moment où X est mesuré.

Exemple de cohorte

En 2020, on mesure le poids.

En 2022, un cancer est diagnostiqué.

La chronologie paraît être :

poids bas en 2020 → cancer en 2022.

Mais si le cancer avait déjà commencé biologiquement en 2019, la chaîne réelle peut être :

cancer préclinique → perte de poids en 2020 → diagnostic en 2022.

Le fait que l’exposition précède le diagnostic n’exclut donc pas la causalité inverse.

Lag analysis

Une stratégie courante consiste à exclure les événements apparaissant peu de temps après la mesure de l’exposition.

Par exemple :

  • cancers diagnostiqués dans les 6 premiers mois ;
  • ou les 2 premières années.

L’idée est que ces cas avaient davantage de chances d’être déjà présents de manière préclinique au moment de la mesure.

Exemple

Supposons qu’une association entre faible poids et mortalité soit très forte pendant les deux premières années de suivi, puis beaucoup plus faible ensuite.

Cela suggère que certaines maladies non diagnostiquées au départ pouvaient déjà provoquer l’amaigrissement.

Cette observation renforce l’hypothèse de causalité inverse.

Mais choisir le délai après coup peut créer un problème

Si l’on teste :

  • exclusion de 6 mois ;
  • 1 an ;
  • 2 ans ;
  • 5 ans

puis retient seulement la fenêtre qui donne le résultat attendu, on réintroduit de la flexibilité analytique.

Le délai devrait être justifié autant que possible par les connaissances sur l’histoire naturelle de la maladie.

Maladies neurodégénératives

La causalité inverse est particulièrement importante pour les maladies possédant une longue phase prodromique.

Avant le diagnostic, une maladie neurodégénérative peut déjà modifier :

  • activité ;
  • poids ;
  • sommeil ;
  • alimentation ;
  • comportement social.

Une association observée plusieurs années avant le diagnostic peut donc être à la fois :

  • facteur causal ;
  • signe précoce.

Distinguer les deux demande des études de longue durée.

Exposition qui change avec l’état de santé

Supposons qu’on étudie la consommation d’alcool et la mortalité.

Certaines personnes arrêtent de boire après :

  • problème hépatique ;
  • maladie cardiovasculaire ;
  • diagnostic médical.

Si on les classe simplement comme :

abstinents,

ce groupe peut contenir beaucoup d’anciens buveurs ayant arrêté parce qu’ils étaient malades.

Sick quitter effect

On parle parfois d’effet du malade qui arrête, ou sick quitter effect.

Les abstinents apparaissent alors plus malades que les consommateurs modérés.

On pourrait conclure :

boire un peu est protecteur.

Mais une partie de cette apparente protection peut venir du fait que les personnes malades ont quitté le groupe des buveurs pour rejoindre celui des abstinents.

Distinguer abstinents à vie et anciens buveurs

Une meilleure étude peut séparer :

  • abstinents à vie ;
  • anciens buveurs ;
  • consommateurs actuels.

Cela réduit une source importante de causalité inverse et de mauvaise classification.

C’est particulièrement important dans les études sur l’alcool et la santé cardiovasculaire.

Médicaments

La causalité inverse peut également apparaître dans l’étude des médicaments.

Supposons qu’un symptôme précoce d’une maladie pousse le médecin à prescrire un médicament.

Quelques mois plus tard, la maladie est diagnostiquée.

On observe :

médicament → maladie.

Mais la chaîne réelle peut être :

maladie préclinique → symptôme → prescription

puis

diagnostic.

Le médicament est alors un marqueur du processus diagnostique.

Protopathic bias

Cette situation est parfois appelée biais protopathique.

Il apparaît lorsqu’un médicament est prescrit pour traiter des symptômes précoces d’une maladie encore non diagnostiquée et semble ensuite associé à cette maladie.

C’est une forme particulière de causalité inverse très importante en pharmaco-épidémiologie.

Exemple conceptuel

Une personne développe les premiers symptômes d’une pathologie.

Le médecin ne connaît pas encore le diagnostic et prescrit le médicament X.

Six mois plus tard, la maladie Y est diagnostiquée.

Dans une base administrative :

X précède Y.

Mais X n’a pas nécessairement causé Y.

Il a été prescrit à cause des premiers effets de Y.

Infection et comportement

Une infection peut modifier le comportement avant son diagnostic.

Une personne peut :

  • rester davantage chez elle ;
  • faire moins d’exercice ;
  • manger différemment.

Une étude de courte durée pourrait ensuite associer ces comportements à l’infection.

La temporalité apparente peut être trompeuse.

Symptômes avant test

Dans une épidémie, une personne peut décider de se faire tester parce qu’elle développe des symptômes.

Si l’on étudie les comportements immédiatement avant le test, certains ont déjà été modifiés par la maladie.

Il faut distinguer :

  • comportements avant infection ;
  • comportements après début des symptômes mais avant diagnostic.

Causalité inverse et biomarqueurs

Un biomarqueur peut être associé à une maladie parce que la maladie le modifie.

Par exemple :

maladie → inflammation → biomarqueur élevé.

Observer que le biomarqueur prédit la mortalité ne signifie pas nécessairement que réduire artificiellement le biomarqueur améliorera la survie.

Il peut être un marqueur, pas une cause.

Pronostic ≠ causalité

Un facteur peut donc être excellent pour prédire une aggravation tout en n’étant pas une cible thérapeutique utile.

La question :

« qui va s’aggraver ? »

est différente de :

« que faut-il modifier pour réduire l’aggravation ? »

La causalité inverse est l’une des raisons de cette différence.

Exemple du cholestérol dans certaines maladies graves

Chez certains patients très fragiles, un faible taux d’un biomarqueur peut être associé à une mortalité élevée.

Une interprétation naïve pourrait être :

faible biomarqueur → mortalité.

Mais la maladie, la dénutrition ou l’inflammation peuvent elles-mêmes abaisser le biomarqueur.

Il devient alors partiellement un indicateur de gravité.

Causalité inverse et « paradoxes »

Certaines associations paradoxales peuvent être expliquées en partie par ce mécanisme.

Par exemple, lorsqu’un facteur habituellement considéré comme défavorable semble associé à une meilleure survie chez des patients déjà très malades.

La maladie peut avoir modifié :

  • poids ;
  • pression ;
  • lipides ;
  • comportements.

Le groupe apparemment « favorable » peut donc contenir davantage de personnes déjà fragilisées.

Obésité et maladie

Le « paradoxe de l’obésité » fournit un exemple utile.

Parmi des patients atteints de certaines maladies, un faible poids peut être associé à une mortalité plus élevée.

Mais plusieurs explications sont possibles :

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

Il serait donc imprudent de conclure immédiatement qu’augmenter le poids améliore le pronostic.

Le test interventionnel

Une façon conceptuellement forte de distinguer marqueur et cause est de demander :

« Si nous modifions X, Y change-t-il ? »

Si un médicament abaisse un biomarqueur mais ne change pas le résultat clinique, le biomarqueur pouvait être surtout prédictif.

L’intervention aide à clarifier la direction causale.

Mais intervenir peut modifier la variable d’une manière différente

Il faut rester prudent.

Une même variable peut être modifiée par plusieurs mécanismes.

Par exemple, abaisser un biomarqueur avec un médicament spécifique n’est pas nécessairement équivalent à avoir naturellement un biomarqueur plus bas.

La question causale doit préciser l’intervention.

Génétique et causalité inverse

Les variants génétiques sont présents avant la plupart des maladies acquises.

Ils ne peuvent pas généralement être modifiés par une maladie apparaissant des décennies plus tard.

C’est l’une des raisons pour lesquelles la randomisation mendélienne peut être utile pour limiter la causalité inverse dans certaines questions.

Exemple conceptuel

Supposons :

biomarqueur bas ↔ maladie.

On ne sait pas si :

biomarqueur bas → maladie

ou

maladie → biomarqueur bas.

Si des variants génétiques provoquant durablement un biomarqueur plus bas sont eux aussi associés au risque de maladie, cela peut renforcer l’hypothèse d’un effet causal du biomarqueur, sous réserve des hypothèses propres à la méthode.

Les instruments génétiques ont leurs limites

Cette approche dépend notamment de l’absence de voies alternatives importantes reliant le variant au résultat.

La génétique ne fournit donc pas automatiquement une preuve parfaite.

Elle constitue une source supplémentaire de triangulation.

Mesures répétées

Mesurer une exposition plusieurs fois avant le diagnostic peut aider.

Supposons qu’une baisse de l’activité physique n’apparaisse que dans les deux années précédant le diagnostic.

Cela suggère un effet prodromique.

Si l’activité était déjà faible quinze ans auparavant, une relation causale devient plus plausible.

Trajectoires

Les trajectoires temporelles sont souvent plus informatives qu’une seule mesure.

Par exemple :

  • poids stable pendant quinze ans ;
  • puis chute rapide trois ans avant diagnostic.

Cette structure est très différente de :

  • faible poids stable depuis l’âge adulte.

La première suggère davantage une conséquence précoce de la maladie.

Changements plutôt que niveaux

Étudier les changements peut donc être utile.

Perte de poids récente et poids historiquement faible ne représentent pas la même exposition.

Les regrouper peut brouiller l’analyse causale.

Information sur l’histoire naturelle

Comprendre la durée de la phase préclinique est essentiel.

Pour une maladie à progression très rapide, exclure les événements des premiers mois peut être suffisant.

Pour une maladie évoluant silencieusement pendant dix ans, cela peut être insuffisant.

La biologie de la maladie doit informer le design.

Alzheimer et phase prodromique

Dans les maladies neurodégénératives, certains changements :

  • cognitifs ;
  • sociaux ;
  • comportementaux

peuvent commencer très longtemps avant le diagnostic.

Une étude trouvant une association avec un comportement cinq ans auparavant doit donc envisager sérieusement une causalité inverse.

Dépression et maladies chroniques

Une relation peut aussi devenir circulaire :

maladie chronique → dépression → moindre activité → aggravation de la santé.

La causalité n’est alors pas simplement inverse : elle devient bidirectionnelle et dynamique.

Les modèles simples X → Y peuvent devenir insuffisants.

Causalité dynamique

Dans les systèmes réels, les variables peuvent s’influencer au cours du temps.

Par exemple :

douleur → inactivité → perte musculaire → davantage de douleur.

Chaque étape devient à la fois cause et conséquence à différents moments.

Les études longitudinales avec mesures répétées sont mieux adaptées à ces boucles.

Pourquoi l’ordre des mesures compte

Supposons que l’on mesure :

  • activité à T0 ;
  • maladie à T1.

C’est mieux qu’une mesure simultanée.

Mais si la maladie existait déjà de façon subclinique à T0, la temporalité reste ambiguë.

L’ordre des mesures n’est pas forcément l’ordre des causes biologiques.

Directed acyclic graphs et causalité inverse

On peut représenter le problème :

Y préclinique → X mesuré

et

Y préclinique → Y diagnostiqué.

X devient associé au futur diagnostic sans être nécessairement causal.

Cette structure ressemble à une confusion par un état pathologique latent.

Variables latentes

Une maladie préclinique peut être considérée comme une variable non observée.

Elle influence :

  • comportement ;
  • biomarqueurs ;
  • symptômes ;

avant que le diagnostic ne soit enregistré.

L’absence de diagnostic ne signifie donc pas absence de maladie.

Contrôles négatifs temporels

Une stratégie méthodologique consiste parfois à examiner des fenêtres temporelles où une causalité directe est impossible ou peu plausible.

Si une exposition mesurée après le début probable du processus est associée aussi fortement que l’exposition réellement antérieure, cela peut suggérer un biais ou une causalité inverse.

Expériences naturelles

Une variation externe de l’exposition peut également aider.

Si l’exposition change pour une raison indépendante de l’état de santé et que le résultat change ensuite, la causalité inverse devient moins plausible.

Cela renforce l’intérêt des quasi-expériences et expériences naturelles.

Essais randomisés

Lorsque l’exposition peut être randomisée, la causalité inverse est fortement limitée.

Le futur résultat ne peut pas déterminer rétroactivement quel traitement a été attribué au hasard.

C’est une autre raison de la puissance des essais randomisés.

Mais le résultat peut modifier l’exposition après randomisation

Après le début de l’essai :

  • symptômes ;
  • effets indésirables ;
  • aggravation

peuvent influencer l’observance.

Les analyses postérieures peuvent alors redevenir complexes.

La randomisation protège surtout l’attribution initiale.

Un exemple complet

Supposons qu’une cohorte trouve :

les personnes dormant plus de 9 heures ont 40 % de mortalité supplémentaire.

Plusieurs hypothèses existent :

  1. dormir longtemps augmente causalement la mortalité ;
  2. certaines maladies augmentent le besoin de sommeil ;
  3. dépression, fragilité ou inactivité causent à la fois sommeil long et mortalité ;
  4. combinaison de ces mécanismes.

L’association brute ne permet pas de choisir automatiquement entre eux.

Ce que peut faire une bonne étude

Elle peut :

  • exclure les décès très précoces ;
  • ajuster sur les maladies connues ;
  • distinguer sommeil ancien et changement récent ;
  • répéter les mesures ;
  • comparer plusieurs cohortes.

Chaque stratégie réduit certaines explications alternatives.

Aucune n’est nécessairement décisive seule.

Un signal de causalité inverse

Un effet beaucoup plus fort juste avant le diagnostic puis décroissant lorsque l’on regarde des expositions plus anciennes est particulièrement suggestif.

Par exemple :

  • exposition 1 an avant : RR 2,0 ;
  • 5 ans avant : RR 1,2 ;
  • 15 ans avant : RR 1,0.

La proximité temporelle avec la maladie peut indiquer que l’exposition est en réalité un symptôme précoce.

L’inverse peut renforcer la causalité directe

Si l’exposition mesurée très longtemps avant la maladie prédit encore le résultat, l’hypothèse de causalité inverse devient moins plausible, surtout si la phase préclinique connue est beaucoup plus courte.

Cela ne prouve pas la causalité, mais élimine une explication alternative.

Une leçon d’esprit critique

Face à une association où X précède apparemment Y, demandez :

X précède-t-il vraiment le début biologique de Y, ou seulement son diagnostic ?

Y possède-t-il une longue phase silencieuse ?

Les premiers symptômes peuvent-ils modifier X ?

L’association reste-t-elle lorsque l’on exclut les événements précoces ?

Dispose-t-on de mesures de X longtemps avant la maladie ?

Une intervention sur X produit-elle le même effet ?

Ces questions permettent d’éviter de transformer un symptôme précoce en cause supposée.

À retenir

La causalité inverse apparaît lorsque l’on interprète :

X → Y

alors que la relation est en partie ou totalement :

Y → X.

Elle est particulièrement importante lorsque :

  • la maladie commence longtemps avant son diagnostic ;
  • les symptômes modifient les comportements ;
  • une prescription répond à des signes précoces ;
  • des biomarqueurs sont affectés par la maladie.

Les principales stratégies pour la limiter comprennent :

  • études longitudinales ;
  • mesures anciennes ou répétées ;
  • exclusion des événements précoces ;
  • distinction entre exposition stable et changement récent ;
  • expériences naturelles ;
  • essais randomisés lorsqu’ils sont possibles.

Le principe essentiel est simple :

« X a été mesuré avant le diagnostic de Y » ne suffit pas toujours à démontrer que X a précédé la maladie elle-même.

Pour établir la direction causale, il faut comprendre l’histoire naturelle du phénomène et la chronologie réelle du mécanisme, pas seulement l’ordre des lignes dans une base de données.

Pour aller plus loin

Kenneth J. Rothman, Sander Greenland et Timothy L. Lash — Modern Epidemiology. Une référence centrale pour la temporalité, la causalité et les biais des études observationnelles.

Miguel Hernán et James Robins — Causal Inference: What If. Une référence majeure sur la définition temporelle des expositions et des effets causaux.

Judea Pearl — The Book of Why. Une introduction utile à la distinction entre association, direction causale et intervention.

Travaux de pharmaco-épidémiologie sur le protopathic bias. Ils illustrent particulièrement bien comment les premiers symptômes d’une maladie peuvent provoquer une prescription ensuite interprétée à tort comme une cause de cette maladie.