De l’individu à la population
L’une des particularités fondamentales de l’épidémiologie est de changer d’échelle. La médecine clinique part généralement d’une personne : ses symptômes, son histoire, ses examens, ses facteurs de risque. L’épidémiologie, elle, cherche à comprendre ce qui se passe dans une population.
Ce changement paraît simple, mais il modifie profondément le raisonnement. À l’échelle individuelle, on demande souvent : « pourquoi cette personne est-elle malade ? » À l’échelle épidémiologique, la question devient plutôt : « pourquoi cette maladie est-elle plus fréquente dans certains groupes que dans d’autres ? »
Ces deux questions sont liées, mais elles ne sont pas équivalentes.
Une maladie individuelle peut avoir plusieurs causes
Une maladie résulte rarement d’un facteur unique.
Un cancer du poumon peut dépendre du tabagisme, de prédispositions génétiques, d’expositions professionnelles, de la pollution, du vieillissement et d’une part de hasard biologique. Même lorsqu’un facteur joue un rôle majeur, il n’explique pas nécessairement à lui seul pourquoi une personne précise développe la maladie à un moment donné.
C’est pourquoi l’épidémiologie raisonne souvent en termes de facteurs de risque plutôt qu’en termes de causes uniques.
Un facteur de risque modifie la probabilité qu’un événement survienne. Il ne produit pas nécessairement cet événement chez toutes les personnes exposées.
Risque ne signifie pas destin
Si une exposition multiplie par cinq le risque d’une maladie, cela ne signifie pas que toutes les personnes exposées développeront cette maladie.
Inversement, si une personne exposée reste en bonne santé, cela ne signifie pas que l’exposition était sans danger.
Prenons un exemple pédagogique.
Supposons qu’une maladie touche :
- 1 personne sur 1 000 dans un groupe non exposé ;
- 5 personnes sur 1 000 dans un groupe exposé.
L’exposition multiplie alors le risque par cinq.
Pourtant, dans le groupe exposé, 995 personnes sur 1 000 ne développeront pas la maladie.
À l’échelle individuelle, il est donc impossible de dire avec certitude ce qui arrivera à une personne donnée. À l’échelle de la population, en revanche, l’augmentation du risque peut être très nette.
Cette distinction est essentielle pour comprendre les facteurs de risque.
Le paradoxe des anecdotes individuelles
L’expérience personnelle est particulièrement convaincante psychologiquement.
Une personne peut dire :
« Mon grand-père a fumé toute sa vie et il est mort à 95 ans. »
Cette observation peut être parfaitement vraie. Elle ne permet pourtant presque rien de conclure sur l’effet du tabagisme dans une population.
Il existe toujours des personnes qui échappent à un risque important, de même qu’il existe des personnes qui développent une maladie sans présenter le principal facteur de risque connu.
La question scientifique n’est donc pas : « existe-t-il des exceptions ? »
Il y en aura presque toujours.
La question est : « avec quelle fréquence l’événement survient-il chez les personnes exposées par rapport aux personnes non exposées ? »
C’est précisément ce que permet l’approche populationnelle.
Comparer des groupes plutôt que des histoires individuelles
Imaginons deux groupes de 100 000 personnes suivies pendant plusieurs années.
Dans le premier groupe, personne n’est exposé à un facteur particulier.
Dans le second, toutes les personnes y sont exposées.
Si l’on observe :
| Groupe | Nombre de personnes | Cas de maladie | Risque observé |
|---|---|---|---|
| Non exposé | 100 000 | 100 | 0,1 % |
| Exposé | 100 000 | 500 | 0,5 % |
Le risque reste faible dans les deux groupes, mais il est cinq fois plus élevé dans le groupe exposé.
On voit immédiatement pourquoi les observations individuelles peuvent tromper : la grande majorité des personnes exposées restent en bonne santé, alors même que l’exposition produit une augmentation réelle et importante du risque au niveau collectif.
Une cause peut être importante sans être nécessaire ni suffisante
En causalité, il est utile de distinguer deux notions.
Une cause est nécessaire si la maladie ne peut pas survenir sans elle.
Une cause est suffisante si sa présence suffit à provoquer la maladie.
Dans de nombreuses maladies chroniques, les facteurs de risque ne sont ni nécessaires ni suffisants.
Le tabac n’est pas nécessaire au cancer du poumon : des non-fumeurs peuvent développer cette maladie.
Il n’est pas non plus suffisant : tous les fumeurs ne développent pas un cancer du poumon.
Pourtant, cela ne remet pas en cause son rôle causal majeur.
Cette logique est importante parce qu’une grande partie des erreurs de raisonnement en santé vient de l’idée implicite qu’une véritable cause devrait toujours produire son effet.
Les différences entre individus ne suffisent pas toujours à expliquer les différences entre populations
Une autre difficulté apparaît lorsqu’on compare des groupes entiers.
Supposons qu’une maladie soit plus fréquente dans une région que dans une autre. Cette différence peut provenir de nombreux facteurs : âge de la population, exposition environnementale, pauvreté, accès aux soins, comportements, structure professionnelle ou méthodes de diagnostic.
L’épidémiologie ne peut donc pas simplement additionner des histoires individuelles.
Elle doit étudier la structure des populations.
C’est notamment pourquoi l’âge est si important. Une population âgée peut avoir une mortalité brute plus élevée qu’une population jeune sans que son système de santé soit nécessairement moins performant.
Comparer correctement des populations nécessite donc souvent de les rendre statistiquement comparables.
Le risque individuel dépend du risque de base
Un même facteur peut avoir des conséquences très différentes selon la personne.
Supposons qu’un traitement réduise de moitié le risque d’un événement.
Chez une personne dont le risque initial est de 20 %, il pourrait théoriquement passer à 10 %, soit une diminution absolue de 10 points.
Chez une personne dont le risque initial est de 0,2 %, il pourrait passer à 0,1 %, soit une diminution absolue de seulement 0,1 point.
Le même effet relatif peut donc correspondre à des bénéfices individuels très différents.
C’est l’une des raisons pour lesquelles la médecine personnalisée et l’épidémiologie ne s’opposent pas : l’épidémiologie fournit des estimations moyennes, puis ces estimations doivent être replacées dans le contexte particulier de chaque patient.
Moyenne d’un groupe et réalité individuelle
Une moyenne décrit un groupe, mais aucune personne n’est nécessairement « moyenne ».
Si un médicament réduit la pression artérielle de 10 mmHg en moyenne, certains patients peuvent connaître une baisse de 20 mmHg, d’autres de 5 mmHg, et certains aucune baisse.
L’effet moyen reste utile : il permet de savoir si, globalement, le médicament produit quelque chose.
Mais il ne permet pas de prédire exactement la réponse d’un individu.
Cette distinction est centrale dans l’interprétation des essais cliniques.
Le piège inverse : déduire l’individu à partir du groupe
Il existe également une erreur symétrique : utiliser une observation faite au niveau collectif pour conclure directement sur une personne.
C’est ce qu’on appelle notamment le sophisme écologique.
Imaginons que les régions où la consommation moyenne d’un aliment est élevée présentent davantage d’une maladie particulière.
Cela ne prouve pas que les personnes consommant effectivement cet aliment sont celles qui développent le plus souvent la maladie.
La relation peut être produite par une autre caractéristique des régions concernées.
Une association observée entre groupes n’est donc pas automatiquement une association valable entre individus.
Le paradoxe de Simpson
Il arrive même qu’une relation observée dans une population entière s’inverse lorsqu’on sépare les données en sous-groupes.
C’est le paradoxe de Simpson.
Par exemple, un traitement peut sembler moins efficace lorsqu’on observe tous les patients ensemble, alors qu’il est plus efficace dans chaque catégorie de gravité prise séparément.
Cela peut arriver si les patients les plus gravement malades reçoivent davantage ce traitement.
Le problème n’est pas une erreur de calcul : c’est une erreur d’interprétation du mélange de populations différentes.
Ce phénomène montre à quel point la structure d’une population peut modifier ce que semblent dire les données.
L’individu reste pourtant essentiel
Passer à l’échelle de la population ne signifie pas oublier les personnes.
Les populations sont constituées d’individus, et les observations cliniques jouent souvent un rôle décisif dans la découverte de nouveaux phénomènes.
De nombreux signaux sanitaires commencent par quelques cas inhabituels observés par des médecins.
Mais ces observations doivent ensuite être étudiées systématiquement pour déterminer :
- si le phénomène est réellement plus fréquent que prévu ;
- quelles populations sont concernées ;
- quels facteurs peuvent l’expliquer ;
- si l’association observée est probablement causale.
L’observation individuelle peut donc être le point de départ d’une hypothèse, tandis que l’étude populationnelle permet de l’évaluer.
Deux niveaux de connaissance complémentaires
On peut résumer la différence ainsi :
| Niveau individuel | Niveau populationnel |
|---|---|
| Que se passe-t-il chez cette personne ? | Que se passe-t-il dans ce groupe ? |
| Quel diagnostic est le plus probable ? | Quelle est la fréquence de la maladie ? |
| Quel traitement convient à ce patient ? | Quel traitement fonctionne en moyenne ? |
| Quels facteurs de risque possède cette personne ? | Quels facteurs modifient le risque dans la population ? |
| Pourquoi ce patient est-il tombé malade ? | Pourquoi certains groupes sont-ils davantage touchés ? |
Ces deux niveaux ne doivent ni être confondus ni opposés.
La médecine clinique utilise les connaissances produites par les études de population, tandis que l’épidémiologie part souvent de problèmes observés en pratique clinique.
Une leçon importante pour l’esprit critique
Le passage de l’individu à la population oblige à résister à plusieurs intuitions puissantes.
Une expérience personnelle n’est pas nécessairement représentative.
Une exception ne réfute pas une tendance statistique.
Une association moyenne ne prédit pas parfaitement chaque individu.
Une différence entre groupes ne permet pas automatiquement de conclure sur les individus qui les composent.
Comprendre ces distinctions évite une grande partie des raisonnements trompeurs rencontrés dans les débats sanitaires.
Lorsqu’on entend « je connais quelqu’un pour qui… », la bonne réponse scientifique n’est pas de nier l’expérience rapportée. Il faut simplement comprendre qu’une anecdote individuelle ne répond pas à une question populationnelle.
À retenir
L’épidémiologie étudie principalement les distributions de risques dans des populations.
Un facteur de risque augmente ou diminue une probabilité ; il ne détermine généralement pas ce qui arrivera à chaque individu.
Une personne peut donc échapper à un risque important, tandis qu’une autre peut développer une maladie sans avoir été exposée au principal facteur de risque connu.
Les expériences individuelles peuvent générer des hypothèses, mais elles ne permettent généralement pas de mesurer un risque.
Inversement, une relation observée au niveau d’une population ne doit pas être automatiquement appliquée à chaque personne.
La pensée épidémiologique consiste donc en permanence à savoir à quel niveau porte réellement une conclusion : l’individu, le groupe ou la population entière.
Pour aller plus loin
Geoffrey Rose — Sick Individuals and Sick Populations. Un texte classique de l’épidémiologie qui distingue les causes expliquant pourquoi certains individus tombent malades des causes expliquant pourquoi certaines populations présentent davantage de maladies.
Kenneth J. Rothman, Sander Greenland et Timothy L. Lash — Modern Epidemiology. Une référence importante pour approfondir la distinction entre risque individuel, comparaison de populations et causalité.
David Spiegelhalter — The Art of Statistics. Une excellente introduction à la manière de raisonner à partir de données et de probabilités, particulièrement utile pour comprendre pourquoi les statistiques de population doivent être interprétées avec prudence.