Mesurer l’effet d’un traitement

Dire qu’un traitement « fonctionne » semble simple.

En réalité, cette affirmation peut recouvrir plusieurs choses très différentes.

Un traitement peut :

  • réduire le risque de décès ;
  • diminuer les symptômes ;
  • retarder une complication ;
  • améliorer un biomarqueur ;
  • raccourcir la durée d’une maladie ;
  • améliorer la qualité de vie.

Il peut également produire simultanément :

  • un bénéfice ;
  • des effets indésirables ;
  • des contraintes.

L’évaluation thérapeutique consiste donc à comparer ce qui arrive avec et sans l’intervention.

La question fondamentale

Pour une personne traitée, on aimerait connaître :

« que lui serait-il arrivé si elle n’avait pas reçu le traitement ? »

Mais cette situation alternative est impossible à observer directement.

Une même personne ne peut pas, au même moment :

  • recevoir le traitement ;
  • ne pas le recevoir.

On retrouve le problème fondamental de l’inférence causale.

Le contrefactuel

On peut représenter deux résultats potentiels :

Y(1) : résultat si la personne reçoit le traitement.

Y(0) : résultat si elle ne le reçoit pas.

L’effet causal individuel serait :

Y(1) − Y(0).

Mais nous n’observons qu’un seul de ces deux mondes.

Exemple

Un patient prend un médicament et guérit.

Cela ne prouve pas que le médicament a causé la guérison.

Il aurait peut-être guéri spontanément.

À l’inverse, un patient prend le médicament et meurt.

Cela ne prouve pas nécessairement que le médicament est inefficace.

Sans traitement, il serait peut-être mort plus tôt.

Pourquoi les témoignages individuels sont insuffisants

Une personne peut dire :

« j’ai pris ce traitement et trois jours plus tard j’allais mieux ».

C’est une observation réelle.

Mais elle ne nous dit pas ce qui se serait passé :

sans traitement.

Il faut construire un groupe de comparaison.

L’effet moyen

Puisque l’effet causal individuel est généralement inaccessible, on cherche à estimer un effet moyen dans une population.

Par exemple :

risque moyen avec traitement

comparé à

risque moyen sans traitement.

La différence entre ces deux groupes permet d’estimer l’effet causal si les groupes sont suffisamment comparables.

Exemple simple

Supposons 1 000 patients.

Sans traitement

100 développent une complication.

Risque :

10 %.

Avec traitement

60 développent la complication.

Risque :

6 %.

Le traitement est associé à une diminution du risque.

Mais cette diminution peut être exprimée de plusieurs façons.

Réduction absolue du risque

Différence :

10 % − 6 % = 4 points de pourcentage.

Le traitement évite donc environ :

4 complications pour 100 personnes traitées.

C’est la réduction absolue du risque.

Réduction relative du risque

On peut aussi comparer la réduction au risque initial :

(10 % − 6 %) / 10 % = 40 %.

Le traitement réduit donc le risque relativement de :

40 %.

Ces deux chiffres décrivent exactement la même étude.

Deux présentations très différentes

Dire :

« le traitement réduit le risque de 40 % »

peut sembler spectaculaire.

Dire :

« le risque passe de 10 % à 6 % »

donne une vision plus concrète du bénéfice absolu.

Les deux doivent idéalement être connus.

Pourquoi le risque absolu est essentiel

Supposons que le traitement réduise toujours le risque relatif de :

40 %.

Population A

Risque initial : 50 %.

Après traitement : 30 %.

Réduction absolue :

20 points.

Population B

Risque initial : 1 %.

Après traitement : 0,6 %.

Réduction absolue :

0,4 point.

Même efficacité relative.

Bénéfice absolu très différent.

L’effet dépend donc du risque de base

Un traitement peut avoir une efficacité biologique similaire dans plusieurs populations mais apporter beaucoup plus de bénéfice absolu aux personnes à haut risque.

C’est une idée centrale de la médecine fondée sur les preuves.

« Fonctionne » pour quel résultat ?

Un traitement peut améliorer un critère mais pas un autre.

Par exemple :

  • moins de douleur ;
  • aucune réduction de mortalité.

Ou :

  • réduction d’un biomarqueur ;
  • aucun effet sur les complications.

Il faut donc toujours préciser l’issue étudiée.

Les critères cliniques importants

Les résultats qui comptent directement pour les patients peuvent inclure :

  • décès ;
  • infarctus ;
  • AVC ;
  • hospitalisation ;
  • douleur ;
  • handicap ;
  • qualité de vie.

Ils sont souvent appelés critères cliniques.

Les critères intermédiaires

On mesure parfois plutôt :

  • tension artérielle ;
  • cholestérol ;
  • glycémie ;
  • taille tumorale ;
  • marqueur biologique.

Ces indicateurs peuvent être utiles.

Mais leur amélioration ne garantit pas toujours un bénéfice clinique.

Exemple conceptuel

Un médicament diminue fortement un biomarqueur associé au risque cardiovasculaire.

Cela suggère un bénéfice.

Mais seule une étude mesurant :

  • infarctus ;
  • AVC ;
  • mortalité

peut démontrer que cette modification se traduit réellement par une amélioration clinique.

Le mécanisme n’est pas l’effet clinique

Un traitement peut avoir un mécanisme biologique parfaitement plausible.

Mais la plausibilité ne suffit pas.

Il faut observer :

ce qui arrive réellement aux patients.

Exemple classique de raisonnement insuffisant

On découvre que :

variable X est associée aux décès.

Un médicament réduit X.

On conclut :

le médicament réduira les décès.

Cette conclusion peut être vraie.

Mais elle n’est pas logiquement garantie.

X peut être :

  • un marqueur ;
  • un médiateur incomplet ;
  • un élément d’un système complexe.

Mesurer la bonne question

Avant d’analyser une étude thérapeutique, il faut définir :

Population

Intervention

Comparateur

Outcome

C’est le cadre PICO.

Population

Chez qui le traitement est-il évalué ?

Par exemple :

  • adultes ;
  • maladie légère ;
  • maladie sévère ;
  • patients hospitalisés.

Un traitement efficace dans un groupe ne l’est pas nécessairement dans un autre.

Intervention

Quelle intervention exacte ?

Il faut préciser :

  • molécule ;
  • dose ;
  • durée ;
  • moment d’administration.

Deux études portant sur « le même traitement » peuvent en réalité évaluer des stratégies différentes.

Comparateur

À quoi compare-t-on le traitement ?

  • placebo ;
  • absence de traitement ;
  • traitement standard ;
  • autre médicament.

Le choix du comparateur est crucial.

Outcome

Quel résultat mesure-t-on ?

  • décès ;
  • hospitalisation ;
  • amélioration des symptômes ;
  • biomarqueur.

Un traitement peut sembler très différent selon le critère choisi.

Le temps fait partie de la question

Dire :

« réduit le risque de 20 % »

est incomplet sans préciser :

sur quelle durée ?

Un risque sur :

  • 30 jours ;
  • 5 ans

n’est pas le même.

Exemple

Traitement A :

risque de complication à 30 jours :

10 % → 8 %.

Traitement B :

risque à 10 ans :

10 % → 8 %.

La réduction absolue est identique.

Mais la signification clinique et temporelle diffère.

Incidence cumulée

Lorsqu’on mesure :

combien de personnes ont connu l’événement pendant une période,

on calcule souvent un risque cumulatif.

Exemple :

6 % ont eu un infarctus en cinq ans.

Taux d’incidence

Si les durées de suivi varient, on peut utiliser :

événements / personnes-temps.

Par exemple :

4 événements pour 1 000 personnes-années.

Il ne faut pas confondre risque et taux.

Résultats binaires

Certains résultats sont binaires :

  • vivant / mort ;
  • hospitalisé / non hospitalisé ;
  • événement / pas d’événement.

On peut alors calculer :

  • risque relatif ;
  • différence de risque ;
  • odds ratio.

Résultats continus

D’autres sont continus :

  • pression artérielle ;
  • douleur sur une échelle ;
  • poids ;
  • score de qualité de vie.

On peut comparer :

différence moyenne entre groupes.

Exemple

Score de douleur :

Placebo

6,0.

Traitement

4,5.

Différence moyenne :

−1,5 point.

Il faut ensuite savoir si 1,5 point représente une différence réellement importante pour les patients.

Significativité statistique versus pertinence clinique

Une différence très petite peut devenir :

statistiquement significative

dans une étude immense.

Cela ne signifie pas qu’elle soit perceptible ou utile.

Exemple

Traitement :

pression artérielle moyenne réduite de :

0,8 mmHg.

p < 0,001.

Le résultat peut être statistiquement très solide tout en étant cliniquement marginal selon la question.

Différence minimale cliniquement importante

Pour certains scores, on tente de définir une différence minimale cliniquement importante, parfois appelée MCID.

Elle correspond approximativement au changement suffisamment grand pour être significatif pour le patient.

Mais la MCID n’est pas toujours universelle

Elle peut varier selon :

  • population ;
  • gravité initiale ;
  • contexte.

Ce n’est pas une frontière naturelle parfaite.

Le placebo

Pour certains symptômes subjectifs, un groupe placebo permet de distinguer l’effet spécifique du traitement d’autres phénomènes :

  • évolution spontanée ;
  • attentes ;
  • régression vers la moyenne ;
  • contexte de soins.

Pourquoi un groupe sans comparaison peut tromper

Supposons que 80 % des patients guérissent après traitement.

Cela semble spectaculaire.

Mais si :

85 % auraient guéri spontanément,

le traitement n’est pas bénéfique.

Le taux de guérison brut ne suffit pas.

Histoire naturelle de la maladie

Beaucoup de maladies évoluent spontanément.

Certaines guérissent.

D’autres fluctuent.

Les patients consultent souvent lorsque leurs symptômes sont particulièrement intenses.

Ils peuvent alors s’améliorer naturellement ensuite.

Régression vers la moyenne

Si un traitement est commencé lorsque le symptôme atteint un pic, une amélioration ultérieure peut être attribuée à tort au traitement.

Une comparaison contrôlée aide à distinguer ce phénomène.

Randomisation

L’essai contrôlé randomisé cherche à rendre les groupes comparables en répartissant aléatoirement les participants.

En moyenne, la randomisation équilibre :

  • facteurs connus ;
  • facteurs inconnus.

Cela permet une meilleure estimation de l’effet causal.

Exemple

1 000 participants.

Randomisation :

  • 500 traitement ;
  • 500 placebo.

Si les groupes sont suffisamment grands et que l’essai est bien conduit, les différences finales sont moins susceptibles d’être dues à des facteurs de confusion initiaux.

Allocation dissimulée

La séquence de randomisation doit idéalement être cachée aux personnes recrutant les participants.

Sinon, elles pourraient inconsciemment influencer l’affectation.

C’est l’allocation concealment.

Aveugle

Dans certains essais, le patient ne sait pas s’il reçoit :

  • traitement ;
  • placebo.

On parle d’insu ou d’aveugle.

Cela réduit notamment les différences liées aux attentes.

Double aveugle

Lorsque ni :

  • patient ;
  • soignant ou évaluateur pertinent

ne connaît l’affectation, on parle couramment de double aveugle.

Mais les détails pratiques varient selon l’intervention.

Certaines interventions ne peuvent pas être aveuglées

Pour une chirurgie ou une psychothérapie, il peut être difficile de cacher complètement l’intervention.

Cela ne rend pas automatiquement l’étude invalide.

On peut parfois aveugler :

  • évaluateurs ;
  • comité d’adjudication.

Intention de traiter

L’analyse en intention de traiter compare les participants dans leur groupe de randomisation initial.

Même si certains :

  • arrêtent le traitement ;
  • changent de groupe ;
  • prennent mal le médicament.

Cette stratégie préserve les avantages de la randomisation.

Effet de la stratégie

L’intention de traiter répond approximativement :

« quel est l’effet d’assigner cette stratégie dans les conditions de l’essai ? »

Elle ne mesure pas nécessairement l’effet biologique chez les personnes parfaitement observantes.

Analyse per protocole

Une analyse per protocole considère davantage les personnes ayant suivi le protocole prévu.

Elle peut être utile pour certaines questions.

Mais elle réintroduit davantage de risque de confusion.

Pourquoi ?

Parce que les personnes adhérentes peuvent être différentes de celles qui arrêtent.

Adhérence

Un traitement ne peut produire son effet pharmacologique s’il n’est pas pris.

Mais l’adhérence elle-même peut être associée à :

  • état de santé ;
  • motivation ;
  • comportements.

Il faut donc être prudent lorsqu’on compare directement adhérents et non-adhérents.

Efficacité versus effectivité

On distingue souvent :

efficacy : effet dans des conditions expérimentales contrôlées ;

effectiveness : effet dans les conditions réelles d’utilisation.

Un médicament peut être très efficace biologiquement mais produire un bénéfice plus faible dans la population si :

  • observance faible ;
  • accès limité ;
  • utilisateurs différents.

Exemple

Essai :

réduction du risque de :

30 %.

Vie réelle :

réduction :

15 %.

Cela peut venir de :

  • adhérence ;
  • sélection ;
  • différences de pratique.

Il faut comprendre les conditions d’usage.

Effet moyen et hétérogénéité

Un essai annonce souvent :

effet moyen.

Mais ce résultat peut cacher des différences entre patients.

Exemple

Effet moyen :

réduction du risque de 20 %.

Il est possible que :

  • haut risque : bénéfice important ;
  • faible risque : bénéfice très faible.

Ou que certains sous-groupes biologiques répondent différemment.

Effet relatif constant, effet absolu variable

Même si le risque relatif est identique partout, l’effet absolu varie avec le risque initial.

Exemple :

réduction relative = 50 %.

Risque initial 40 %

→ 20 %.

Bénéfice absolu :

20 points.

Risque initial 2 %

→ 1 %.

Bénéfice absolu :

1 point.

Cela suffit déjà à individualiser une partie du bénéfice

On n’a pas besoin d’une interaction biologique complexe pour que les bénéfices absolus diffèrent.

Le simple risque de base produit une hétérogénéité importante.

Effet moyen et patient individuel

Supposons qu’un essai montre :

réduction moyenne de mortalité.

Cela ne permet pas de dire :

« ce traitement prolongera la vie de ce patient précis de X années ».

Les essais estiment des effets de groupe.

La prédiction individuelle reste plus incertaine.

Un traitement efficace ne profite pas nécessairement à chaque personne

Supposons :

100 personnes non traitées → 20 événements.

100 personnes traitées → 15 événements.

Le traitement évite :

5 événements.

Mais nous ne savons généralement pas identifier exactement les cinq personnes dont l’événement a été évité.

Certaines personnes auraient été bien dans tous les cas

Parmi les traités :

  • certaines n’auraient jamais eu l’événement ;
  • certaines l’auraient eu malgré le traitement ;
  • certaines l’évitent grâce au traitement.

Ces groupes contrefactuels ne sont pas directement observables individuellement.

Effet indésirable

Un traitement peut également augmenter certains risques.

Il faut donc mesurer :

bénéfices

et

dommages.

Exemple

Traitement :

  • évite 20 infarctus pour 10 000 patients ;
  • provoque 10 hémorragies graves.

Le jugement dépend :

  • gravité ;
  • réversibilité ;
  • préférences.

Un seul critère peut masquer le bilan complet

Une étude peut montrer une réduction :

des hospitalisations,

mais une augmentation :

des effets indésirables.

La décision doit examiner tous les résultats importants.

Critère principal

Les essais définissent généralement un critère de jugement principal avant le début de l’étude.

C’est le résultat sur lequel repose principalement la conclusion.

Cette préspécification limite le risque de choisir après coup le résultat le plus favorable.

Critères secondaires

Les autres résultats sont :

secondaires.

Ils peuvent être importants mais nécessitent davantage de prudence, notamment en raison de la multiplicité statistique.

Critères composites

Certains essais combinent plusieurs événements :

décès ou infarctus ou hospitalisation.

On obtient un critère composite.

Cela peut augmenter le nombre d’événements et la puissance statistique.

Mais tous les composants ne sont pas équivalents

Un composite :

décès + hospitalisation légère

peut être amélioré principalement grâce à moins d’hospitalisations sans aucun effet sur les décès.

Il faut toujours examiner les composants séparément.

Exemple

Critère composite :

réduction de 25 %.

Mais :

  • décès : aucun changement ;
  • infarctus : aucun changement ;
  • hospitalisations : −30 %.

Dire simplement :

« réduction de 25 % des événements graves »

pourrait être trompeur.

Résultat objectif versus subjectif

Un décès est relativement objectif.

Un score de douleur est subjectif mais très important pour le patient.

La subjectivité ne signifie pas que le résultat est sans valeur.

Elle signifie simplement que :

  • insu ;
  • méthode de mesure

peuvent être particulièrement importants.

Patient-reported outcomes

Certains résultats sont directement rapportés par le patient :

  • douleur ;
  • fatigue ;
  • qualité de vie.

Ils sont essentiels dans de nombreux domaines.

Un traitement qui ne change pas la mortalité peut être très utile s’il réduit fortement la souffrance.

Le bon résultat dépend de l’objectif

En soins palliatifs, par exemple, le critère principal peut être :

confort.

Une absence d’effet sur la survie ne signifie pas que le traitement est inutile.

Temps jusqu’à l’événement

Dans certaines études, il ne suffit pas de savoir :

si l’événement survient.

On veut aussi savoir :

quand il survient.

C’est le domaine de l’analyse de survie.

Exemple

Deux groupes ont chacun :

20 % de décès à cinq ans.

Mais dans le groupe A, les décès surviennent principalement la première année.

Dans B, principalement la cinquième.

Les profils temporels sont différents.

Censure

Dans les études de survie, tous les participants ne sont pas forcément observés jusqu’à l’événement.

Certains :

  • quittent l’étude ;
  • arrivent à la fin sans événement.

On parle de données censurées.

Des méthodes comme Kaplan-Meier permettent de les intégrer.

Hazard ratio

Le hazard ratio compare les taux instantanés d’événement au cours du temps.

Il est très utilisé dans les essais thérapeutiques.

Mais il n’est pas équivalent à :

  • risque relatif ;
  • réduction absolue.

Une fiche lui sera consacrée.

Intervalle de confiance

Une estimation d’effet n’est jamais parfaitement précise.

Supposons :

risque relatif :

0,80.

On peut avoir un intervalle de confiance :

0,72–0,89.

Cela indique l’incertitude statistique autour de l’estimation.

Plus qu’un p-value

Dire :

p = 0,03

ne dit pas directement :

  • taille de l’effet ;
  • précision ;
  • importance clinique.

L’intervalle de confiance est souvent beaucoup plus informatif.

Exemple

Traitement A :

RR = 0,80

IC 95 % :

0,78–0,82.

Estimation très précise.

Traitement B :

RR = 0,80

IC 95 % :

0,45–1,40.

Même estimation centrale.

Mais énorme incertitude.

Absence de significativité ≠ absence d’effet

Dans le second exemple, l’étude est compatible avec :

  • fort bénéfice ;
  • dommage.

Elle ne permet simplement pas de conclure précisément.

Significativité ≠ importance

Inversement :

RR = 0,98

IC :

0,97–0,99

peut être statistiquement très convaincant.

Mais l’effet peut être très faible en pratique.

Biais et qualité de l’essai

Un résultat précis peut être biaisé.

Une étude très grande ne corrige pas :

  • mauvaise randomisation ;
  • pertes de suivi sélectives ;
  • mauvaise mesure.

Précision et validité restent différentes.

Financement et conflits d’intérêts

La source de financement ne permet pas de décider automatiquement si un résultat est vrai ou faux.

Mais elle doit être connue.

Des biais peuvent intervenir dans :

  • choix du comparateur ;
  • choix des critères ;
  • publication.

Il faut examiner la méthode.

Exemple de comparateur faible

Un nouveau médicament est comparé :

au placebo

alors qu’un traitement efficace existe déjà.

Le nouveau traitement peut sembler efficace sans que l’on sache s’il est meilleur ou même équivalent au standard.

Le comparateur doit correspondre à la question clinique réelle.

Dose du comparateur

Une étude peut également favoriser artificiellement un nouveau traitement si l’ancien est utilisé :

  • à mauvaise dose ;
  • dans de mauvaises conditions.

Il faut donc inspecter les détails.

Durée de l’étude

Un essai trop court peut montrer :

bénéfice immédiat

sans révéler :

effets indésirables tardifs.

À l’inverse, une intervention préventive peut nécessiter plusieurs années avant de montrer un bénéfice.

La durée doit correspondre à la question.

Arrêt précoce d’un essai

Certains essais sont arrêtés lorsqu’un bénéfice important apparaît.

Cela peut être éthiquement justifié.

Mais lorsque l’arrêt survient après peu d’événements, l’effet peut parfois être surestimé.

Il faut examiner le nombre d’événements et les règles d’arrêt.

Perdus de vue

Si beaucoup de participants disparaissent du suivi, l’estimation peut devenir biaisée.

Le problème est particulièrement grave si les pertes diffèrent :

  • entre groupes ;
  • selon le pronostic.

Exemple

Traitement :

30 % perdus de vue.

Placebo :

5 %.

Une comparaison finale devient difficile à interpréter.

Adjudication des événements

Pour certains critères complexes, un comité indépendant peut vérifier les événements.

Cela permet de standardiser :

  • infarctus ;
  • cause du décès ;
  • progression tumorale.

L’aveugle du comité peut réduire certains biais.

Taille d’échantillon

Un essai doit inclure suffisamment de participants et d’événements pour détecter l’effet recherché.

Une étude trop petite peut manquer un effet réel.

Mais une étude gigantesque peut rendre significatifs des effets minuscules.

La taille doit être liée à l’effet cliniquement pertinent.

Puissance

La puissance statistique est la probabilité de détecter un effet d’une certaine taille s’il existe réellement, selon le modèle utilisé.

Elle dépend notamment :

  • taille d’échantillon ;
  • fréquence des événements ;
  • taille de l’effet.

Une étude négative peut être non concluante

Supposons :

10 patients par groupe.

Aucun résultat significatif.

Cela ne montre pas forcément que le traitement ne fonctionne pas.

L’étude peut simplement manquer de puissance.

À l’inverse, des milliers de participants ne garantissent pas la causalité dans une étude observationnelle

Une énorme base de données peut produire une estimation extrêmement précise d’une association biaisée.

Encore une fois :

taille ≠ validité.

Essais pragmatiques

Les essais pragmatiques cherchent à évaluer les traitements dans des conditions proches de la pratique réelle.

Ils peuvent inclure :

  • populations plus larges ;
  • suivi moins artificiel.

Ils complètent les essais explicatifs très contrôlés.

Généralisation

Un essai peut être parfaitement valide mais difficile à généraliser.

Supposons qu’il inclue uniquement :

  • patients de 40–60 ans ;
  • sans comorbidité.

Il est incertain d’appliquer automatiquement le résultat à :

  • personnes de 90 ans ;
  • insuffisance rénale sévère.

Validité interne et externe

Validité interne :

l’effet est-il correctement estimé dans l’étude ?

Validité externe :

peut-on appliquer ce résultat ailleurs ?

Les deux sont nécessaires mais distinctes.

Effet causal et décision thérapeutique

Même lorsqu’un effet causal est bien établi, la décision de traiter nécessite encore :

  • risque de base ;
  • bénéfice absolu ;
  • effets indésirables ;
  • préférences du patient.

La recherche répond :

« que produit le traitement en moyenne ? »

La médecine doit ensuite répondre :

« est-il pertinent ici ? »

Exemple

Traitement :

RR = 0,75.

Chez un patient avec risque initial :

40 %,

bénéfice absolu important.

Chez un patient avec risque :

0,4 %,

bénéfice absolu très faible.

La même preuve scientifique peut donc conduire à des décisions différentes.

Une intervention peut avoir plusieurs effets simultanément

Exemple :

Traitement A :

  • mortalité ↓ ;
  • hospitalisations ↓ ;
  • hémorragies ↑.

Il n’existe pas toujours un chiffre unique résumant parfaitement ce bilan.

Net clinical benefit

Certaines analyses construisent un bénéfice clinique net.

Mais cela suppose de pondérer différents événements.

Comparer :

  • un décès ;
  • une hémorragie mineure

nécessite un jugement de valeur.

Les critères composites doivent donc être interprétés prudemment.

Une leçon d’esprit critique

Face à :

« le traitement réduit le risque de 50 % »,

demandez :

Quel risque ?

De combien à combien ?

Sur quelle durée ?

Chez quelle population ?

Comparé à quoi ?

Avec quels effets indésirables ?

Ces questions transforment un slogan thérapeutique en information réellement interprétable.

Face à « l’étude est positive »

Demandez :

Quel était le critère principal ?

Quelle est la taille de l’effet ?

Quel est l’intervalle de confiance ?

Le bénéfice est-il cliniquement important ?

L’essai était-il bien conduit ?

Le mot « positif » ne suffit pas.

Face à « l’étude est négative »

Demandez :

L’effet estimé est-il proche de zéro ?

ou

l’intervalle de confiance est-il simplement très large ?

Une absence de preuve n’est pas toujours une preuve d’absence.

Exemple final

Essai randomisé de 10 000 patients.

Groupe contrôle

500 événements.

Risque :

10 %.

Groupe traitement

400 événements.

Risque :

8 %.

On peut présenter :

risque relatif = 0,80

réduction relative = 20 %

réduction absolue = 2 points

NNT = 50.

Ces quatre chiffres décrivent le même effet sous des angles différents.

Aucun ne devrait être interprété isolément.

À retenir

Mesurer l’effet d’un traitement consiste à comparer ce qui arrive dans une population :

avec l’intervention

et

sans l’intervention ou avec une stratégie alternative.

Le problème fondamental est contrefactuel : pour une personne donnée, on ne peut jamais observer simultanément les deux trajectoires.

Les essais comparatifs, notamment randomisés, cherchent à reconstruire ce contrefactuel au niveau des groupes.

Pour comprendre un effet thérapeutique, il faut toujours préciser :

  • population ;
  • intervention ;
  • comparateur ;
  • résultat ;
  • durée.

Un traitement peut être décrit par :

  • différence absolue de risque ;
  • risque relatif ;
  • odds ratio ;
  • hazard ratio ;
  • différence moyenne.

Ces indicateurs répondent à des questions différentes.

Il faut aussi distinguer :

efficacité statistique

de

pertinence clinique

et toujours examiner :

les bénéfices et les dommages.

Le principe fondamental est donc :

un traitement ne se juge pas au fait que certains patients s’améliorent après l’avoir reçu, mais à la différence d’évolution qu’il produit par rapport à ce qui serait arrivé sans lui.

Autrement dit :

la bonne question n’est pas « les patients guérissent-ils avec ce traitement ? », mais « guérissent-ils davantage, plus vite ou avec moins de complications qu’avec l’alternative pertinente ? »

Pour aller plus loin

David Sackett et collaborateurs — Clinical Epidemiology. Une référence classique pour comprendre les mesures d’effet thérapeutique et leur utilisation dans la décision clinique.

Cochrane Handbook for Systematic Reviews of Interventions. Une référence méthodologique majeure pour l’évaluation des bénéfices et dommages des interventions.

CONSORT Statement. Les recommandations internationales de référence pour le reporting transparent des essais randomisés.

Austin Bradford Hill — travaux sur les essais contrôlés et l’évaluation thérapeutique. Ils constituent une étape importante de l’histoire méthodologique des essais cliniques modernes.