Choisir le bon dénominateur

En épidémiologie, le dénominateur est souvent aussi important que le numérateur. Compter les événements ne suffit pas : il faut savoir dans quelle population ils surviennent.

Cent décès, cent hospitalisations ou cent effets indésirables peuvent représenter un phénomène très fréquent ou extrêmement rare selon que ces événements surviennent parmi 500 personnes, 100 000 personnes ou plusieurs millions.

Choisir le bon dénominateur consiste donc à identifier la population réellement pertinente pour répondre à la question posée.

Le numérateur ne suffit jamais

Supposons qu’on annonce :

« 200 personnes ont été hospitalisées après une exposition. »

Cette information est presque impossible à interpréter seule.

Si 500 personnes ont été exposées, cela représente 40 %.

Si 100 000 personnes ont été exposées, cela représente 0,2 %.

Si 10 millions de personnes ont été exposées, cela représente 0,002 %.

Le nombre absolu d’événements est identique, mais le risque apparent change complètement.

La première question à poser est donc presque toujours :

200 parmi combien ?

Le dénominateur doit correspondre à la question

Il n’existe pas un dénominateur universellement correct.

Tout dépend de ce que l’on cherche à mesurer.

Si la question est :

« Quelle proportion de la population est actuellement malade ? »

le dénominateur sera l’ensemble de la population concernée.

Si la question est :

« Quelle proportion des personnes infectées décède ? »

le dénominateur doit être le nombre de personnes infectées.

Si la question est :

« Quel est le risque de complication après une intervention ? »

le dénominateur doit être constitué des personnes ayant réellement subi cette intervention.

Le même numérateur peut donc être associé à plusieurs dénominateurs selon la question.

Exemple : décès dans une population

Supposons qu’une maladie provoque 1 000 décès dans un pays de 10 millions d’habitants.

La mortalité dans la population est :

1 000 / 10 000 000 = 0,01 %

soit :

10 décès pour 100 000 habitants.

Mais si seulement 50 000 personnes ont contracté la maladie, la proportion de décès parmi les cas est :

1 000 / 50 000 = 2 %.

Les deux mesures sont exactes.

La première décrit le risque de mourir de cette maladie dans l’ensemble de la population.

La seconde décrit la létalité parmi les personnes atteintes.

Confondre les deux reviendrait à confondre deux questions différentes.

Le dénominateur doit inclure les personnes réellement à risque

Un bon dénominateur doit idéalement inclure uniquement les personnes qui pouvaient réellement connaître l’événement étudié.

Supposons que l’on mesure l’incidence d’une première crise cardiaque.

Une personne ayant déjà présenté une crise cardiaque avant le début du suivi ne fait généralement plus partie de la population à risque pour un premier événement.

De même, si une complication ne peut survenir qu’après une opération précise, utiliser l’ensemble des patients d’un hôpital comme dénominateur serait peu pertinent.

Il faut donc demander :

Qui pouvait réellement devenir un cas ?

Exemple : complication chirurgicale

Deux hôpitaux rapportent chacun 20 complications après une intervention.

Dans l’hôpital A, 200 interventions ont été réalisées.

Dans l’hôpital B, 2 000.

Les proportions sont :

HôpitalComplicationsInterventionsProportion
A2020010 %
B202 0001 %

Le nombre absolu de complications est identique, mais le risque observé diffère d’un facteur dix.

Sans dénominateur, les deux établissements sembleraient identiques.

Nombre de cas et nombre de tests

Les épidémies fournissent un autre exemple classique.

Supposons que le nombre de cas détectés passe de 500 à 1 000 entre deux semaines.

On pourrait conclure que la situation s’est fortement aggravée.

Mais imaginons que le nombre de tests passe simultanément :

de 5 000 à 20 000.

La proportion de tests positifs passe alors de :

10 % à 5 %.

Le nombre de cas détectés a doublé alors que la proportion parmi les personnes testées a diminué.

Cela ne signifie pas nécessairement que l’épidémie recule, car les personnes testées peuvent aussi avoir changé. Mais cela montre qu’un numérateur seul ne décrit pas correctement la situation.

Le dénominateur « personnes testées » a lui aussi des limites

On pourrait être tenté de considérer le nombre de tests comme le dénominateur parfait.

Ce n’est pas toujours le cas.

Les personnes testées peuvent changer selon :

  • les symptômes ;
  • les recommandations ;
  • l’accès aux tests ;
  • les obligations professionnelles ;
  • les stratégies de dépistage ;
  • la période de l’épidémie.

Une positivité de 10 % parmi des personnes fortement symptomatiques n’est pas comparable directement à une positivité de 10 % lors d’un dépistage massif de personnes asymptomatiques.

Un bon dénominateur doit donc être non seulement connu, mais aussi pertinent et comparable.

Pourcentage parmi les cas ou risque parmi les exposés ?

Une confusion extrêmement fréquente consiste à inverser la condition.

Supposons que 80 % des personnes atteintes d’une maladie aient été exposées à un facteur X.

Cela ne signifie pas que 80 % des personnes exposées à X développeront la maladie.

Ce sont deux probabilités différentes.

La première demande :

Parmi les malades, combien étaient exposés ?

La seconde demande :

Parmi les exposés, combien deviennent malades ?

Le dénominateur change complètement.

Exemple simple

Supposons une population de 10 000 personnes :

  • 9 000 sont exposées à X ;
  • 1 000 ne le sont pas.

On observe 100 cas de maladie :

  • 80 chez les exposés ;
  • 20 chez les non-exposés.

On peut dire que :

80 % des malades étaient exposés.

Mais le risque de maladie est :

80 / 9 000 ≈ 0,89 % chez les exposés ;

20 / 1 000 = 2 % chez les non-exposés.

Les personnes exposées constituent la majorité des malades simplement parce qu’elles représentent l’immense majorité de la population.

Cet exemple montre pourquoi le pourcentage parmi les cas ne permet pas directement d’estimer le risque d’un groupe.

Le problème des groupes de tailles différentes

Cette difficulté devient particulièrement importante lorsqu’une exposition est très fréquente.

Supposons que 95 % de la population utilise un dispositif de prévention.

Même si ce dispositif réduit fortement le risque, il peut arriver qu’une majorité des événements survienne parmi ses utilisateurs simplement parce qu’ils sont beaucoup plus nombreux.

Pour comparer les risques, il faut rapporter les événements au nombre de personnes dans chaque groupe.

Les nombres absolus décrivent la charge totale.

Les proportions décrivent la fréquence dans chaque groupe.

Les deux sont utiles, mais ne répondent pas à la même question.

Exemple de vaccination

Imaginons, à titre purement pédagogique, une population de 100 000 personnes :

  • 90 000 vaccinées ;
  • 10 000 non vaccinées.

On observe :

  • 90 hospitalisations chez les vaccinés ;
  • 50 hospitalisations chez les non-vaccinés.

La majorité des hospitalisations concerne donc les vaccinés : 90 contre 50.

Mais les risques sont :

90 / 90 000 = 0,1 %

contre

50 / 10 000 = 0,5 %.

Le risque observé est cinq fois plus élevé dans le second groupe.

Cet exemple ne constitue évidemment pas une estimation réelle de l’efficacité d’un vaccin. Dans une véritable étude, il faudrait notamment tenir compte de l’âge, de l’état de santé, du temps écoulé depuis la vaccination et des différences d’exposition.

Il illustre simplement la négligence du dénominateur.

Un dénominateur peut être trop large

Supposons que 500 cas d’une maladie soient observés dans une région de 1 million d’habitants.

On calcule :

50 cas pour 100 000 habitants.

Mais si cette maladie concerne presque exclusivement les personnes de plus de 70 ans et que celles-ci ne représentent que 100 000 habitants, le taux dans la population réellement concernée est beaucoup plus élevé.

Utiliser l’ensemble de la population peut être pertinent pour mesurer la charge globale, mais moins utile pour estimer le risque individuel du groupe concerné.

Un dénominateur trop large peut donc diluer le risque.

Un dénominateur peut être trop étroit

L’erreur inverse est également possible.

Si l’on sélectionne uniquement un sous-groupe particulièrement à risque et que l’on présente son taux comme représentatif de l’ensemble de la population, on peut exagérer la perception du danger.

Par exemple, une létalité mesurée uniquement parmi des patients hospitalisés graves ne peut pas être appliquée directement à toutes les personnes infectées.

Les patients hospitalisés constituent déjà une population sélectionnée.

Le bon dénominateur dépend donc toujours du niveau auquel on souhaite généraliser le résultat.

Le dénominateur peut évoluer

Une comparaison temporelle suppose que le dénominateur soit lui aussi pris en compte.

Supposons que les hospitalisations passent :

de 800 à 1 000 par an.

Cela correspond à une augmentation de 25 % en nombre absolu.

Mais si la population est passée simultanément :

de 80 000 à 125 000 habitants,

le taux passe de :

1 % à 0,8 %.

Il y a donc davantage d’hospitalisations en nombre absolu, mais une proportion plus faible de la population est hospitalisée.

Les deux affirmations sont vraies.

Vieillissement de la population

Le même problème apparaît lorsque le nombre d’habitants reste relativement stable mais que leur composition évolue.

Une population peut connaître davantage de cancers simplement parce qu’elle vieillit.

Rapporter les cancers à la population totale est nécessaire, mais cela peut ne pas suffire pour comparer deux périodes.

Il faudra parfois utiliser des taux spécifiques par âge ou standardisés sur l’âge.

Choisir le dénominateur constitue donc parfois seulement la première étape de la comparaison.

Les personnes-temps comme dénominateur

Dans certaines études, le meilleur dénominateur n’est pas un nombre de personnes mais une quantité de personnes-temps.

Si des participants sont suivis pendant des durées différentes, utiliser uniquement le nombre de participants peut être trompeur.

On rapportera alors les événements à :

  • des personnes-années ;
  • des personnes-mois ;
  • des personnes-jours.

Par exemple :

35 cas pour 100 000 personnes-années.

Le dénominateur représente alors le temps total pendant lequel les personnes étaient réellement observées et à risque.

Dénominateur inconnu : peut-on calculer un risque ?

Pas correctement.

Certaines bases de surveillance enregistrent des événements sans fournir directement un dénominateur fiable.

Supposons qu’on dispose de 10 000 signalements d’effets indésirables.

Sans connaître :

  • combien de personnes ont reçu le traitement ;
  • combien de doses ont été administrées ;
  • pendant quelle période ;
  • quels événements auraient eu lieu spontanément ;
  • quel est le niveau de sous-déclaration ou de surdéclaration ;

il est impossible de transformer directement les 10 000 signalements en probabilité causale de subir un effet indésirable.

La base peut néanmoins être très utile pour détecter des signaux inhabituels.

Signaler et mesurer un risque sont deux opérations différentes.

Le dénominateur caché

Certains messages présentent un pourcentage sans préciser clairement sa population de référence.

Par exemple :

« 30 % ont présenté une complication. »

30 % de qui ?

Des personnes infectées ?

Des personnes symptomatiques ?

Des personnes hospitalisées ?

Des patients de soins intensifs ?

Des personnes ayant répondu à un questionnaire ?

La même valeur peut correspondre à des réalités radicalement différentes.

Un chiffre dont le dénominateur est absent est donc souvent incomplet.

Le dénominateur choisi peut orienter le récit

Il est parfois possible de présenter un même phénomène de plusieurs manières exactes mais psychologiquement différentes.

Supposons que 10 décès surviennent parmi 100 000 personnes exposées.

On peut dire :

« 10 personnes sont décédées. »

ou :

« 0,01 % des personnes sont décédées. »

ou :

« 99,99 % ne sont pas décédées. »

Ces trois formulations décrivent la même observation brute.

Mais chacune peut produire une impression différente.

Une communication rigoureuse doit donc éviter de sélectionner uniquement la formulation qui dramatise ou minimise le résultat.

Choisir le dénominateur après avoir vu le résultat

Un danger méthodologique plus subtil apparaît lorsqu’on teste plusieurs populations ou sous-groupes puis qu’on ne présente que celui qui produit le résultat le plus spectaculaire.

On peut comparer :

  • tous les adultes ;
  • seulement les hommes ;
  • seulement les femmes ;
  • différentes classes d’âge ;
  • plusieurs périodes ;
  • plusieurs régions.

Plus on multiplie les découpages, plus il devient probable de trouver une différence apparente simplement par hasard.

Le choix du dénominateur peut donc devenir une forme de sélection analytique.

Nous retrouverons ce problème avec les analyses de sous-groupes et la multiplicité des tests.

Le dénominateur peut dépendre de l’objectif

Prenons une campagne de vaccination.

Pour mesurer la couverture vaccinale, on peut utiliser :

nombre de personnes vaccinées / population éligible.

Pour mesurer un taux d’événement indésirable, le dénominateur peut être :

personnes vaccinées ou doses administrées, selon la question.

Pour mesurer l’impact sur la population entière, on peut s’intéresser à :

hospitalisations / population totale.

Il n’existe donc pas un « vrai dénominateur » unique. Il existe un dénominateur adapté à une question précise.

Le dénominateur et la causalité

Même un dénominateur parfaitement choisi ne résout pas tous les problèmes.

Supposons qu’on compare correctement le taux d’une maladie chez les personnes exposées et non exposées.

Si les groupes diffèrent fortement par l’âge, le tabagisme, la profession ou l’état de santé, l’association peut être produite en partie par ces caractéristiques.

Le bon dénominateur permet de mesurer correctement une fréquence.

Il ne garantit pas que l’interprétation causale soit correcte.

Il faut distinguer bonne mesure et bonne explication.

Une méthode simple en quatre étapes

Face à une statistique, on peut utiliser une petite grille :

QuestionCe qu’il faut identifier
Qu’est-ce qui est compté ?Le numérateur
Parmi qui ?Le dénominateur
Pendant combien de temps ?La période d’exposition ou de suivi
Par rapport à quoi ?Le groupe ou la période de comparaison

Cette grille élémentaire suffit à repérer de très nombreuses erreurs d’interprétation.

Une leçon d’esprit critique

La négligence du dénominateur est particulièrement fréquente parce que notre attention est attirée par les événements qui se produisent, beaucoup moins par toutes les situations où rien ne se passe.

Nous voyons les cas.

Nous voyons moins facilement la population qui aurait pu devenir un cas mais ne l’est pas devenue.

C’est pourquoi une succession d’histoires individuelles peut donner une impression très forte sans fournir directement une estimation du risque.

La pensée épidémiologique impose de rétablir ce qui manque spontanément à notre intuition : la population de référence.

À retenir

Le dénominateur définit la population à laquelle les événements observés sont rapportés.

Un même nombre de cas peut correspondre à des risques radicalement différents selon la taille et la nature de cette population.

Le bon dénominateur dépend de la question posée : population générale, personnes exposées, personnes infectées, personnes testées, patients traités ou personnes-temps.

Il doit autant que possible correspondre aux personnes qui pouvaient réellement connaître l’événement.

Enfin, une statistique sans dénominateur clairement identifié doit être interprétée avec prudence.

Face à un chiffre sanitaire, l’un des meilleurs réflexes d’esprit critique reste donc extrêmement simple :

« Combien ? D’accord. Mais parmi combien ? »

Pour aller plus loin

Leon Gordis — Epidemiology. Une introduction claire à la construction des proportions, des taux et des populations à risque.

Kenneth J. Rothman, Sander Greenland et Timothy L. Lash — Modern Epidemiology. Une référence approfondie sur les mesures de fréquence, les populations sources et les dénominateurs appropriés.

Gerd Gigerenzer — travaux sur la communication du risque et les fréquences naturelles. Ils montrent pourquoi le choix du dénominateur et la présentation concrète des fréquences jouent un rôle majeur dans la compréhension des probabilités sanitaires.