Médiateurs et mécanismes causaux
Une cause n’agit pas toujours directement sur un résultat.
Très souvent, elle déclenche une série d’étapes intermédiaires qui conduisent progressivement à l’événement étudié.
Ces variables intermédiaires sont appelées médiateurs.
Par exemple :
tabagisme → inflammation et lésions cellulaires → cancer
ou :
activité physique → baisse de la pression artérielle → diminution du risque d’AVC.
Comprendre ces mécanismes est essentiel pour expliquer la causalité. Mais cela introduit aussi une difficulté méthodologique : si l’on ajuste statistiquement sur un médiateur, on peut supprimer une partie de l’effet causal que l’on cherche à mesurer.
Qu’est-ce qu’un médiateur ?
Un médiateur est une variable située sur une voie causale reliant une exposition à un résultat.
On peut représenter une structure simple :
X → M → Y
où :
- X est l’exposition ;
- M le médiateur ;
- Y le résultat.
Par exemple :
obésité → hypertension → AVC.
L’hypertension transmet ici une partie de l’effet de l’obésité sur le risque d’AVC.
Effet total
L’effet total de X sur Y comprend toutes les voies causales par lesquelles X influence Y.
Supposons :
activité physique → pression artérielle → AVC
mais aussi :
activité physique → métabolisme → AVC.
L’effet total comprend ces deux mécanismes.
Si l’on veut savoir :
« Quel serait l’effet global d’une augmentation de l’activité physique sur le risque d’AVC ? »
il ne faut pas automatiquement ajuster sur toutes les variables intermédiaires.
Effet direct
On peut aussi poser une autre question :
« Quel est l’effet de l’activité physique sur les AVC qui ne passe pas par la pression artérielle ? »
On cherche alors une forme d’effet direct.
Ce n’est plus la même question.
Ainsi, l’expression :
« l’effet de X sur Y »
est parfois trop vague.
Il faut préciser si l’on cherche :
- l’effet total ;
- un effet direct ;
- un effet passant par un mécanisme particulier.
Effet indirect
La partie de l’effet qui passe par le médiateur est souvent appelée effet indirect.
Dans un schéma simple :
X → M → Y
l’effet indirect correspond à la contribution de la voie passant par M.
On peut alors écrire conceptuellement :
effet total = effet direct + effet indirect
sur certaines échelles et sous certaines hypothèses.
Dans les situations réelles, cette décomposition peut devenir beaucoup plus complexe.
Exemple simple
Supposons qu’un programme d’activité physique réduise le risque cardiovasculaire de 20 %.
Une partie de ce bénéfice peut passer par :
- baisse de la pression ;
- amélioration du profil lipidique ;
- diminution de la masse grasse ;
- amélioration de la sensibilité à l’insuline.
L’activité physique possède donc plusieurs voies médiatrices simultanées.
Pourquoi comprendre les médiateurs ?
Identifier les médiateurs permet de répondre à plusieurs questions.
Comment l’exposition agit-elle ?
Quelle partie du mécanisme est modifiable ?
Pourquoi l’effet diffère-t-il entre certaines personnes ?
Peut-on reproduire le bénéfice par une autre intervention ?
La médiation est donc essentielle à la compréhension des mécanismes.
Mécanisme biologique
Supposons qu’une exposition environnementale soit associée à une maladie respiratoire.
Une chaîne plausible peut être :
polluant → inflammation bronchique → altération respiratoire → maladie clinique.
Observer chaque étape renforce la cohérence causale.
Mais il faut éviter de transformer cette cohérence en preuve automatique.
Un mécanisme plausible ne suffit pas
De nombreux mécanismes biologiques semblent plausibles en laboratoire sans produire un effet clinique important chez l’humain.
Une exposition peut modifier un biomarqueur sans modifier réellement la maladie.
La plausibilité mécanistique constitue donc une pièce du dossier causal, pas une preuve suffisante à elle seule.
Marqueur ou médiateur ?
C’est une distinction fondamentale.
Supposons qu’un biomarqueur augmente chez les personnes malades.
Il peut être :
- un médiateur causal ;
- un simple marqueur du processus ;
- une conséquence secondaire.
Si le biomarqueur n’est qu’un témoin, le modifier artificiellement ne changera pas nécessairement le résultat clinique.
Exemple conceptuel
Supposons :
maladie → inflammation → biomarqueur X.
On observe :
biomarqueur X ↔ mortalité.
Le biomarqueur prédit très bien le décès.
Mais si X n’est qu’une conséquence de l’inflammation, le réduire artificiellement peut ne produire aucun bénéfice.
Un bon prédicteur n’est pas automatiquement un bon médiateur causal.
Critères intermédiaires
Les essais cliniques utilisent parfois des critères intermédiaires, ou surrogate endpoints.
Par exemple :
- cholestérol ;
- pression artérielle ;
- charge virale ;
- densité osseuse.
Ces variables peuvent permettre des études plus rapides.
Mais elles ne sont réellement utiles comme substituts que si leur modification prédit correctement l’effet sur les événements cliniques importants.
Le piège du surrogate endpoint
Supposons qu’un médicament améliore fortement un biomarqueur.
On pourrait conclure :
biomarqueur amélioré → patients protégés.
Mais ce raisonnement peut échouer si :
- le biomarqueur n’est pas causal ;
- le médicament agit aussi par d’autres voies défavorables.
L’intervention peut donc améliorer le marqueur tout en n’améliorant pas, voire en aggravant, le résultat clinique.
Un médiateur peut être causal sans être le seul mécanisme
Supposons que réduire la pression artérielle diminue bien le risque d’AVC.
Cela ne signifie pas que tout l’effet d’un traitement passe uniquement par la pression.
Il peut également modifier :
- fonction vasculaire ;
- rythme cardiaque ;
- coagulation.
Les mécanismes sont souvent multiples.
Ajuster sur un médiateur
Supposons :
obésité → diabète → maladie cardiovasculaire.
On cherche l’effet total de l’obésité.
Si l’on ajuste statistiquement sur le diabète, on bloque une partie de la voie :
obésité → diabète → maladie cardiovasculaire.
L’estimation devient plus faible.
Cela ne signifie pas que le diabète « confondait » l’association.
On a simplement supprimé une partie de l’effet causal réel.
Surajustement
Ce phénomène est appelé surajustement lorsqu’une variable située sur la voie causale est contrôlée alors que l’on cherche l’effet total.
Le modèle peut alors répondre à une question différente de celle annoncée.
Une phrase comme :
« l’association disparaît après ajustement sur le diabète »
ne prouve donc pas nécessairement que l’association initiale était fausse.
Le diabète peut être précisément le mécanisme par lequel l’exposition agit.
Exemple pédagogique
Supposons :
X → M → Y
avec aucun autre chemin.
Sans ajustement, X est associé à Y.
Après ajustement sur M, l’association entre X et Y disparaît.
On pourrait conclure :
« X n’a aucun effet indépendant ».
C’est possible.
Mais X peut quand même avoir un effet total important, entièrement médié par M.
Ajuster sur le médiateur change la question
Avant ajustement :
« Quel est l’effet total de X sur Y ? »
Après ajustement sur M :
« Quel est l’effet de X sur Y qui ne passe pas par M ? »
Ces deux questions sont légitimes.
Il faut simplement ne pas les confondre.
Le médiateur doit survenir après l’exposition
Pour être un médiateur de X vers Y, M doit être causé par X et se situer avant Y dans la chaîne pertinente.
La temporalité est donc essentielle.
Si M existait avant X et influence X ainsi que Y, il peut plutôt être un confondeur.
Médiateur ou confondeur ?
Comparez :
Confondeur
Z → X
Z → Y
Médiateur
X → M → Y
Dans le premier cas, on souhaite généralement bloquer Z.
Dans le second, bloquer M supprime une partie de l’effet que l’on cherche peut-être à mesurer.
C’est pourquoi le rôle causal d’une variable est plus important que sa simple corrélation.
Une même variable peut changer de rôle
Supposons que la pression artérielle soit mesurée avant et après une intervention.
La pression initiale peut être un confondeur.
La pression après traitement peut être un médiateur.
La même variable conceptuelle peut donc jouer des rôles différents selon le moment où elle est mesurée.
Le temps est fondamental
On ne peut pas raisonner uniquement avec des noms de variables.
Il faut préciser :
pression à T0
traitement à T1
pression à T2
AVC à T3.
La temporalité détermine la place de chaque variable dans la chaîne causale.
Médiation multiple
Les relations réelles ressemblent rarement à :
X → M → Y.
On peut avoir :
X → M1 → Y
X → M2 → Y
X → M1 → M2 → Y.
Plusieurs mécanismes peuvent fonctionner en parallèle ou en série.
L’analyse de médiation devient rapidement complexe.
Exemple tabac
Le tabagisme peut contribuer à différentes maladies par :
- inflammation ;
- lésions de l’ADN ;
- stress oxydatif ;
- thrombose ;
- dysfonction endothéliale.
Il serait artificiel de chercher un médiateur unique expliquant tous les effets.
Médiateurs interdépendants
Supposons :
obésité → insulinorésistance → diabète → maladie cardiovasculaire.
Mais l’obésité influence également directement :
- inflammation ;
- pression ;
- lipides.
Les médiateurs interagissent.
Isoler une proportion exacte de l’effet passant par une seule voie demande des hypothèses fortes.
« X % de l’effet est médié »
On rencontre parfois des résultats comme :
« 40 % de l’effet est médié par M ».
Ces chiffres peuvent être utiles, mais ils dépendent :
- du modèle ;
- de l’échelle ;
- des hypothèses causales ;
- de la qualité de mesure.
Ils ne doivent pas être interprétés comme une décomposition biologique parfaitement observée.
Confusion entre médiateur et résultat
Le médiateur peut lui-même être affecté par des variables qui influencent aussi Y.
Supposons :
X → M → Y
mais aussi :
U → M
et
U → Y.
Il faut alors contrôler correctement U pour estimer le rôle causal de M.
L’analyse de médiation nécessite donc elle aussi de traiter la confusion.
Confounding of the mediator-outcome relationship
Une difficulté majeure est la présence d’un facteur qui confond la relation entre médiateur et résultat.
Si ce facteur n’est pas mesuré, on peut attribuer à M un rôle causal qu’il ne possède pas réellement.
La médiation ne se déduit donc pas simplement du fait que :
X est associé à M
et
M est associé à Y.
La vieille méthode des étapes successives
Une méthode historique consistait souvent à vérifier :
- X associé à Y ;
- X associé à M ;
- M associé à Y ;
- effet de X diminué après ajustement sur M.
Cette stratégie peut être intuitive mais elle n’est pas suffisante pour une analyse causale rigoureuse.
Des méthodes modernes utilisent explicitement le cadre contrefactuel.
Effet direct naturel et effet indirect naturel
La littérature causale distingue notamment des notions comme :
- natural direct effect ;
- natural indirect effect.
Elles cherchent à définir précisément ce qui serait arrivé si l’on pouvait maintenir certaines valeurs du médiateur comme dans un scénario contrefactuel.
Ces concepts sont puissants mais nécessitent des hypothèses importantes.
Médiation et intervention
Une question souvent plus pratique est :
« Que se passerait-il si nous intervenions directement sur le médiateur ? »
Supposons que M semble transmettre l’effet de X sur Y.
Si une intervention sur M modifie Y, cela renforce l’idée que M joue réellement un rôle causal.
Mais toutes les façons de modifier M ne sont pas équivalentes
Supposons que :
activité physique → hausse d’un biomarqueur protecteur → meilleure santé.
Augmenter artificiellement le biomarqueur avec un médicament ne reproduira pas forcément tous les effets de l’activité physique.
La manière dont M est modifié peut elle-même avoir des conséquences.
Exemples de médiation en vaccination
On peut concevoir une chaîne :
vaccination → réponse immunitaire → réduction de l’infection → réduction des formes graves.
Mais la vaccination peut aussi réduire directement certaines formes graves sans empêcher toutes les infections.
Plusieurs voies causales coexistent donc.
Transmission et médiation
Pour une intervention vaccinale, on peut distinguer :
- effet sur l’infection ;
- effet sur la transmission ;
- effet sur la maladie symptomatique ;
- effet sur la forme grave.
Une réduction de la transmission peut servir de médiateur d’un bénéfice collectif.
Cela explique pourquoi les effets populationnels ne se réduisent pas toujours à l’effet individuel.
Médiation en santé publique
Supposons une politique :
augmentation d’une taxe sur le tabac → baisse de consommation → baisse des maladies liées au tabac.
La consommation est un médiateur évident.
Mais la politique peut aussi agir différemment selon :
- revenu ;
- accès au marché parallèle ;
- âge.
L’analyse du mécanisme permet d’améliorer ou de cibler l’intervention.
Les médiateurs permettent de comprendre pourquoi une politique fonctionne
Une étude peut montrer qu’une intervention réduit la mortalité.
Mais comprendre son mécanisme permet de savoir :
- si elle est reproductible ailleurs ;
- quelles composantes sont essentielles ;
- lesquelles peuvent être modifiées.
Une efficacité sans compréhension du mécanisme peut rester utile, mais la médiation améliore l’interprétation.
Mécanisme et transportabilité
Supposons qu’une intervention fonctionne dans un pays parce qu’elle modifie fortement un comportement M.
Dans un autre pays, M est déjà rare ou difficile à modifier.
L’effet peut être beaucoup plus faible.
Comprendre le médiateur aide donc à anticiper la transportabilité.
Mécanisme et interaction
Les médiateurs peuvent eux-mêmes dépendre d’autres facteurs.
Supposons :
traitement → biomarqueur → bénéfice
mais uniquement chez les personnes possédant un certain variant.
Le variant modifie alors la chaîne de médiation.
Interaction et médiation peuvent donc se combiner.
Feedback loops
Les systèmes biologiques réels peuvent comporter des boucles :
stress → mauvais sommeil → inflammation → fatigue → davantage de stress.
Les DAG classiques sont acycliques et représentent souvent ces boucles en distinguant plusieurs moments :
stress T1 → sommeil T2 → fatigue T3 → stress T4.
Le temps permet de reconstruire une structure causale sans boucle instantanée.
Médiateurs dépendant du temps
Dans les études longitudinales, une exposition peut modifier un médiateur qui influence ensuite une exposition ultérieure.
Par exemple :
traitement T1 → pression T2 → modification du traitement T3 → événement T4.
Les méthodes classiques d’ajustement peuvent devenir insuffisantes.
Des méthodes causales longitudinales sont alors nécessaires.
Pourquoi l’ajustement standard peut échouer
Si un médiateur dépend de l’exposition passée et influence l’exposition future, l’ajuster directement dans une régression peut introduire un biais.
Les g-methods, développées notamment par James Robins, ont été conçues pour traiter ce type de situation.
Médiateur et collider
Une variable intermédiaire peut aussi être influencée par d’autres causes.
Supposons :
X → M ← U → Y.
Si l’on ajuste sur M, on peut ouvrir une voie entre X et U.
Le contrôle d’un médiateur peut donc parfois introduire un biais de collider en plus de supprimer une partie de l’effet causal.
Analyse de médiation : plus difficile qu’elle n’en a l’air
Dire :
« l’effet disparaît après ajustement sur M, donc M explique l’effet »
est donc souvent trop simpliste.
Il faut considérer :
- temporalité ;
- confusion de M et Y ;
- colliders ;
- interactions ;
- qualité des mesures.
L’analyse mécanistique demande autant de rigueur que l’analyse de l’effet total.
Le laboratoire et l’épidémiologie se complètent
Les études expérimentales peuvent montrer qu’une exposition provoque :
- mutation ;
- inflammation ;
- changement physiologique.
L’épidémiologie peut ensuite vérifier si ces mécanismes contribuent réellement aux événements observés dans les populations.
Cette complémentarité renforce l’inférence causale.
Le mécanisme renforce la plausibilité
Une association devient généralement plus crédible lorsqu’on observe une chaîne cohérente :
exposition → médiateur attendu → résultat.
Mais il faut rester conscient que plusieurs mécanismes peuvent produire des chaînes similaires.
Le mécanisme est une preuve complémentaire, pas une garantie.
Médiateur comme cible thérapeutique
Si un médiateur est réellement causal et modifiable, il peut devenir une cible.
Supposons :
hypertension → AVC.
Réduire la pression par plusieurs interventions différentes réduit le risque d’AVC.
Cela renforce fortement l’idée que la pression joue un rôle causal, pas seulement prédictif.
Plusieurs interventions sur le même médiateur
Lorsqu’un même médiateur peut être modifié par :
- régime ;
- exercice ;
- médicaments ;
et que ces interventions convergent vers une modification du résultat cohérente avec le changement de M, la preuve mécanistique devient plus forte.
C’est une forme de triangulation.
Exemple inverse
Si plusieurs médicaments modifient fortement un biomarqueur sans modifier l’événement clinique attendu, cela suggère que :
- le biomarqueur n’est pas le bon médiateur ;
- ou que les effets hors cible compensent le bénéfice.
La causalité doit être testée empiriquement.
Les mécanismes peuvent être nécessaires à différents niveaux
Pour certaines questions, connaître le mécanisme précis est indispensable.
Pour d’autres, une intervention peut être utilisée efficacement avant que toutes ses voies biologiques soient comprises.
L’absence d’explication mécanistique complète n’implique donc pas absence d’effet causal.
Causalité sans mécanisme complet
Historiquement, certaines relations causales ont été établies avant que leurs mécanismes biologiques détaillés soient entièrement compris.
Les études épidémiologiques peuvent identifier des causes solides même lorsque la biologie moléculaire reste partielle.
Exiger un mécanisme complet avant d’accepter toute causalité serait trop strict.
Mais le mécanisme aide à éliminer certaines hypothèses
À l’inverse, si une association exige un mécanisme incompatible avec les connaissances fondamentales et n’est soutenue par aucune autre donnée, la prudence est légitime.
La plausibilité doit être utilisée comme pondération, pas comme veto absolu.
Médiation et Bradford Hill
La plausibilité et la cohérence font partie des considérations classiques associées à Bradford Hill.
Mais Hill lui-même ne les présentait pas comme une checklist mécanique.
Une preuve causale forte peut exister sans mécanisme entièrement connu.
Nous reviendrons sur ces critères dans une fiche dédiée.
Une leçon d’esprit critique
Face à une analyse disant :
« l’association disparaît après ajustement sur M »,
il faut demander :
M est-il un confondeur ou un médiateur ?
Survient-il avant ou après l’exposition ?
Cherchait-on l’effet total ou un effet direct ?
M est-il correctement mesuré ?
La relation M–Y est-elle elle-même confondue ?
Une diminution de l’association après ajustement ne signifie pas automatiquement que le résultat initial était un artefact.
Elle peut au contraire montrer que M constitue une partie du mécanisme causal.
À retenir
Un médiateur est une variable située sur une chaîne causale entre une exposition et un résultat :
X → M → Y.
Il transmet une partie de l’effet de X vers Y.
Il faut distinguer :
effet total : toutes les voies reliant X à Y ;
effet direct : partie de l’effet ne passant pas par un médiateur défini ;
effet indirect : partie transmise par ce médiateur.
Cette distinction explique pourquoi ajuster sur un médiateur peut être une erreur lorsque l’on cherche l’effet total.
Les mécanismes causaux sont essentiels pour comprendre :
- comment une exposition agit ;
- pourquoi son effet varie ;
- quelles cibles peuvent être modifiées ;
- comment transporter une intervention à d’autres contextes.
Mais une association entre exposition, médiateur et maladie ne suffit pas à prouver une médiation.
La règle fondamentale est donc :
avant d’ajuster sur une variable intermédiaire, il faut savoir quelle question causale on veut réellement poser.
Pour aller plus loin
Tyler VanderWeele — Explanation in Causal Inference: Methods for Mediation and Interaction. Une référence majeure pour l’analyse moderne des effets directs, indirects, de la médiation et de l’interaction.
Miguel Hernán et James Robins — Causal Inference: What If. Une référence fondamentale pour comprendre les effets causaux, les variables dépendant du temps et les limites de l’ajustement standard.
Kenneth J. Rothman, Sander Greenland et Timothy L. Lash — Modern Epidemiology. Une référence importante pour distinguer médiation, confusion et modification de l’effet.
Judea Pearl — Causality. Une référence centrale sur la représentation graphique des mécanismes causaux et le raisonnement interventionnel.