Perdus de vue et données manquantes

Dans une étude épidémiologique, toutes les informations prévues ne sont presque jamais disponibles pour tous les participants.

Certaines personnes cessent de répondre, déménagent, arrêtent un traitement, quittent une cohorte ou deviennent impossibles à contacter. Pour d’autres, seules certaines variables sont absentes : poids non mesuré, questionnaire incomplet, résultat biologique manquant.

Ces problèmes sont souvent regroupés sous les notions de perdus de vue et de données manquantes.

Ils ne réduisent pas seulement la quantité d’information. Ils peuvent également provoquer un biais si l’absence de données est liée à l’exposition, à la maladie ou à d’autres facteurs importants.

Perdu de vue ne signifie pas simplement « donnée en moins »

Supposons qu’une cohorte suive 10 000 personnes pendant dix ans.

À la fin :

  • 8 000 sont encore suivies ;
  • 2 000 ont disparu.

On pourrait simplement considérer que l’étude dispose désormais de 8 000 participants.

Mais cette conclusion suppose implicitement que les 2 000 personnes perdues ressemblent suffisamment aux autres.

Si elles ont quitté l’étude précisément parce qu’elles étaient plus malades, plus exposées ou plus susceptibles de subir l’événement étudié, la population restante n’est plus comparable à la population initiale.

Exemple simple

Supposons un essai comparant deux traitements.

Au départ :

GroupeParticipants
Traitement A1 000
Traitement B1 000

Après un an :

  • 50 participants quittent le groupe B ;
  • 300 quittent le groupe A.

Si les abandons du groupe A viennent surtout d’effets indésirables, analyser uniquement les participants restants donnera une image trop favorable du traitement A.

Les abandons contiennent donc une information sur la tolérance du traitement.

Attrition

La disparition progressive des participants est appelée attrition.

Elle peut être due à :

  • déménagement ;
  • lassitude ;
  • maladie ;
  • décès ;
  • effets indésirables ;
  • perte de motivation ;
  • changement d’établissement.

Une forte attrition n’implique pas automatiquement un biais.

Tout dépend de qui disparaît et pourquoi.

Perte aléatoire

Supposons que des participants quittent une cohorte parce que leur adresse électronique change, indépendamment de leur exposition et de leur santé.

Cette perte réduit la précision de l’étude mais risque moins de déformer systématiquement l’association.

Le problème principal devient alors :

moins d’information disponible.

Perte liée à l’exposition

Supposons maintenant qu’un traitement provoque des effets secondaires désagréables.

Les personnes les plus fortement affectées abandonnent plus souvent.

La probabilité de rester dans l’étude dépend alors de l’exposition.

Si l’on analyse uniquement les personnes restantes, le groupe traité est progressivement enrichi en individus qui tolèrent particulièrement bien l’intervention.

Perte liée au résultat

À l’inverse, les participants dont la maladie s’aggrave peuvent être plus difficiles à suivre parce qu’ils :

  • sont hospitalisés ;
  • changent d’établissement ;
  • sont trop malades pour répondre.

La probabilité de disparition dépend alors du résultat.

La fréquence réelle des événements peut être sous-estimée.

Lorsque perte, exposition et résultat sont liés

La situation devient particulièrement préoccupante lorsque la disparition dépend à la fois :

  • de l’exposition ;
  • du risque de maladie.

Le groupe restant peut alors présenter une association très différente de celle de la population initiale.

Les perdus de vue deviennent une véritable forme de biais de sélection.

Exemple pédagogique

Supposons :

MaladesNon-maladesTotal
Exposés2008001 000
Non-exposés1009001 000

Le risque réel est :

  • 20 % chez les exposés ;
  • 10 % chez les non-exposés.

Le risque relatif est donc 2.

Supposons maintenant que la moitié des exposés malades disparaissent du suivi avant l’analyse finale.

On observe :

Malades observésNon-malades
Exposés100800
Non-exposés100900

L’association paraît presque disparaître.

La perte de suivi a masqué une relation réelle.

L’inverse est aussi possible

Si les personnes non malades quittent plus facilement le groupe exposé tandis que les malades restent sous surveillance médicale, le risque observé peut être artificiellement augmenté.

Il est donc impossible de dire :

« les perdus de vue font toujours baisser l’effet »

ou

« ils l’augmentent toujours ».

La direction dépend du mécanisme.

Les données manquantes ne concernent pas seulement les personnes

Une personne peut rester dans l’étude tout en ayant certaines variables manquantes.

Par exemple :

  • tension connue ;
  • âge connu ;
  • diagnostic connu ;
  • statut tabagique inconnu.

On dispose donc du participant, mais pas de toute l’information nécessaire.

Pourquoi une donnée manque-t-elle ?

C’est la question centrale.

Une valeur peut manquer parce que :

  • appareil en panne ;
  • questionnaire oublié ;
  • participant refuse de répondre ;
  • médecin ne prescrit pas l’examen ;
  • donnée non enregistrée dans la base.

Selon la raison, les conséquences statistiques peuvent être très différentes.

Trois grands mécanismes conceptuels

On distingue classiquement trois situations :

MCAR — Missing Completely At Random

MAR — Missing At Random

MNAR — Missing Not At Random

Ces termes sont techniques, mais leur logique est importante.

MCAR : données complètement manquantes au hasard

Une donnée est dite MCAR lorsque sa probabilité d’être manquante ne dépend ni de la valeur manquante elle-même ni des autres variables pertinentes.

Exemple :

un tube sanguin est accidentellement détruit dans le laboratoire indépendamment de l’état de santé du patient.

Dans ce cas, les personnes avec ou sans mesure manquante restent globalement comparables.

La perte réduit surtout la précision.

MAR : données manquantes conditionnellement au hasard

Le terme MAR est plus subtil.

La probabilité qu’une donnée manque peut dépendre de variables déjà observées, mais pas de la valeur manquante elle-même une fois ces variables prises en compte.

Supposons que les personnes âgées répondent moins souvent à une question en ligne.

Si l’âge est connu, on peut parfois modéliser cette différence.

Les données ne sont pas totalement manquantes au hasard, mais leur mécanisme peut être pris en compte avec les variables observées.

MNAR : données manquantes non aléatoirement

Une donnée est MNAR lorsque sa probabilité d’être manquante dépend directement de la valeur qui manque ou d’un facteur non observé lié à celle-ci.

Exemple classique :

les personnes consommant le plus d’alcool refusent davantage de déclarer leur consommation.

La valeur elle-même influence sa probabilité d’être absente.

Cette situation est beaucoup plus difficile à corriger.

Exemple : poids

Supposons qu’un questionnaire demande le poids.

Si les personnes ayant le poids le plus élevé sont davantage susceptibles de ne pas répondre, les données disponibles sous-estimeront le poids moyen.

La valeur manquante n’est pas aléatoire.

On ne peut pas simplement ignorer les non-répondants.

Complete-case analysis

Une stratégie simple consiste à conserver uniquement les participants possédant toutes les variables nécessaires.

On parle d’analyse des cas complets.

Supposons 10 000 participants mais seulement 7 500 avec toutes les données.

L’analyse porte sur ces 7 500 personnes.

Cette méthode est facile, mais potentiellement dangereuse.

Pourquoi exclure les dossiers incomplets peut créer un biais

Les 7 500 cas complets peuvent constituer une population particulière.

Par exemple, les personnes ayant toutes leurs analyses biologiques peuvent être celles qui :

  • consultent davantage ;
  • ont un meilleur suivi ;
  • souffrent de certaines maladies.

L’exclusion des dossiers incomplets devient alors une forme de sélection.

Une analyse peut perdre énormément de participants

Supposons que chaque variable ait seulement 5 % de données manquantes.

Si l’étude utilise vingt variables différentes, le nombre de participants possédant toutes les informations peut devenir bien inférieur à 95 %.

Les petites proportions de données manquantes s’accumulent.

Une analyse multivariée peut donc exclure une fraction importante de l’échantillon initial.

Imputation simple

Une méthode ancienne consiste parfois à remplacer une valeur manquante par :

  • moyenne ;
  • médiane ;
  • valeur la plus fréquente.

Par exemple, tous les poids manquants sont remplacés par le poids moyen.

Cette méthode paraît pratique, mais elle crée artificiellement trop de valeurs moyennes et sous-estime l’incertitude réelle.

Elle est généralement peu satisfaisante pour les analyses modernes.

Last observation carried forward

Dans certaines études longitudinales, on a utilisé la dernière valeur connue pour remplacer toutes les mesures ultérieures manquantes.

Par exemple :

pression artérielle à six mois = dernière pression connue à trois mois.

Cette méthode, appelée LOCF, suppose implicitement que la valeur reste stable.

Cette hypothèse est souvent peu réaliste.

L’imputation multiple

Une méthode plus sophistiquée est l’imputation multiple.

Au lieu de remplacer chaque valeur manquante par un seul nombre, on génère plusieurs valeurs plausibles à partir des autres informations disponibles.

On crée alors plusieurs jeux de données complets.

Chaque jeu est analysé séparément, puis les résultats sont combinés.

Cela permet de refléter une partie de l’incertitude liée aux valeurs manquantes.

Exemple intuitif

Supposons que le poids manque pour une personne mais que l’on connaisse :

  • âge ;
  • taille ;
  • sexe ;
  • diabète ;
  • autres mesures antérieures.

Plutôt que d’attribuer arbitrairement le poids moyen de toute la population, le modèle génère plusieurs poids plausibles compatibles avec ces informations.

L’incertitude autour de la valeur reste ainsi présente.

L’imputation ne crée pas magiquement l’information manquante

C’est une distinction fondamentale.

Une méthode statistique peut utiliser intelligemment les informations existantes.

Mais elle ne peut pas observer ce qui ne l’a jamais été.

Si les valeurs manquantes dépendent d’un mécanisme inconnu ou d’une variable totalement absente, l’imputation peut rester biaisée.

Pondération par probabilité inverse

Une autre stratégie consiste à estimer la probabilité qu’un participant reste observé.

Les personnes ayant une faible probabilité de rester dans l’étude reçoivent davantage de poids.

L’objectif est de rendre la population observée plus proche de celle qui aurait existé sans pertes.

Cette méthode est appelée pondération par probabilité inverse de censure dans certains contextes.

Exemple conceptuel

Supposons que les jeunes hommes aient seulement 50 % de chances de rester dans une cohorte, contre 90 % pour les autres participants.

Les jeunes hommes restants peuvent recevoir un poids plus important pour représenter ceux qui ont disparu.

Mais cette correction fonctionne seulement si les déterminants importants de la disparition ont été correctement mesurés.

Les données manquantes après randomisation

Dans un essai randomisé, la randomisation protège la comparaison au départ.

Mais si beaucoup de participants disparaissent après randomisation, cet avantage peut être partiellement perdu.

Supposons que :

  • groupe A perde 5 % ;
  • groupe B perde 35 %.

Une différence aussi importante mérite une attention particulière.

Pourquoi l’aveugle peut réduire certaines pertes

Si les participants savent qu’ils reçoivent le placebo, ils peuvent être davantage susceptibles d’abandonner.

Dans un essai en aveugle, cette motivation est réduite.

L’aveugle peut donc protéger non seulement contre les biais de perception mais également contre certains mécanismes d’attrition.

Les effets indésirables comme cause d’abandon

Supposons qu’un traitement entraîne :

  • nausées ;
  • fatigue ;
  • douleurs.

Les participants concernés abandonnent davantage.

Si l’article rapporte seulement les résultats chez ceux ayant terminé l’étude, le traitement peut sembler plus efficace et mieux toléré.

Les abandons doivent donc être décrits avec leurs raisons.

Diagramme de flux

Les essais cliniques présentent généralement un diagramme montrant :

randomisés → traitement reçu → suivi → analyse.

Il permet de voir :

  • combien de personnes ont quitté chaque groupe ;
  • pourquoi ;
  • combien ont finalement été analysées.

Cette information fait partie intégrante de l’évaluation de l’étude.

Une perte de 20 % est-elle forcément grave ?

Il n’existe pas de seuil universel permettant de dire :

« au-dessus de X %, l’étude est invalide ».

Une perte de 5 % peut être problématique si elle est très sélective.

Une perte de 20 % peut parfois être relativement peu biaisante si les raisons sont indépendantes du résultat.

Le mécanisme importe plus que le seul pourcentage.

Comparer les perdus et les suivis

Lorsque des données de base sont disponibles, on peut comparer :

  • âge ;
  • sexe ;
  • exposition ;
  • gravité initiale.

Si les personnes perdues ressemblent fortement aux autres sur ces variables, c’est rassurant.

Mais cela ne garantit pas qu’elles soient identiques sur les facteurs non mesurés.

Décès et perte de suivi ne sont pas la même chose

Dans une étude de mortalité, une personne décédée ne doit évidemment pas être considérée comme simplement « perdue ».

Le décès est précisément un événement d’intérêt.

Les registres administratifs peuvent parfois permettre de connaître le statut vital même lorsque le participant ne répond plus aux questionnaires.

Cela réduit fortement certaines pertes.

Migration

Les personnes peuvent quitter la zone étudiée.

Si les départs sont liés à l’exposition ou à la santé, un biais peut apparaître.

Par exemple, des travailleurs exposés peuvent déménager après avoir développé des problèmes respiratoires.

Une étude régionale qui ne les suit plus sous-estime alors les conséquences.

Études longues et attrition

Plus une cohorte dure longtemps, plus il est difficile de maintenir le suivi de tous les participants.

Sur trente ans :

  • déménagements ;
  • décès ;
  • refus ;
  • changements technologiques

s’accumulent.

Les cohortes historiques de haute qualité consacrent donc beaucoup de ressources au maintien du contact et au couplage avec des registres.

Données manquantes dans les dossiers médicaux

Dans une base de soins, l’absence d’une mesure ne signifie pas toujours qu’elle a été oubliée.

Elle peut avoir une signification clinique.

Supposons qu’un médecin mesure plus souvent un biomarqueur chez les patients qu’il considère à risque.

La présence de la mesure elle-même indique quelque chose sur l’état du patient.

Exemple : analyse biologique

Si le cholestérol n’est mesuré que chez les patients considérés comme à risque cardiovasculaire, les valeurs disponibles ne constituent pas un échantillon aléatoire de toute la population.

Estimer le cholestérol moyen de tous les patients à partir de ceux testés serait biaisé.

Le fait d’avoir été testé devient lui-même informatif.

L’absence peut être une donnée

C’est une idée importante en analyse de bases de santé.

Parfois :

« donnée manquante »

est presque une variable en soi.

L’absence d’un examen peut refléter :

  • faible risque perçu ;
  • manque d’accès aux soins ;
  • refus ;
  • décision médicale.

Il faut donc comprendre le processus clinique produisant les données.

Missing by design

Certaines données peuvent être absentes volontairement par conception.

Par exemple, un questionnaire peut attribuer certaines questions uniquement à un sous-échantillon aléatoire pour réduire le coût.

Dans ce cas, le mécanisme est connu et peut être intégré à l’analyse.

Toutes les données manquantes ne constituent donc pas un défaut.

Les enquêtes en ligne

Les questionnaires numériques produisent des formes particulières de données manquantes :

  • abandon avant la fin ;
  • questions sautées ;
  • panne de connexion.

Si les questionnaires longs font davantage abandonner certaines catégories de personnes, les réponses finales peuvent devenir sélectionnées.

La conception même de l’outil influence donc parfois le biais.

Questions sensibles

Les données manquantes sont souvent plus fréquentes pour :

  • revenu ;
  • alcool ;
  • drogues ;
  • sexualité ;
  • santé mentale.

Le refus de répondre peut être directement lié à la valeur réelle.

C’est précisément le type de situation où l’hypothèse MNAR devient plausible.

Valeur zéro ou donnée manquante ?

Une erreur courante consiste à confondre :

absence d’information

et

absence du phénomène.

Si une base ne contient aucune consommation d’alcool pour un patient, cela ne signifie pas automatiquement :

consommation = 0.

Cela peut simplement signifier :

information non renseignée.

Transformer les valeurs manquantes en zéros peut produire des biais majeurs.

Non diagnostiqué ou absence de maladie ?

Le même problème existe pour les diagnostics.

Dans une base administrative :

absence de code de maladie

ne signifie pas nécessairement :

absence de maladie.

La personne peut :

  • ne pas avoir consulté ;
  • ne pas avoir été diagnostiquée ;
  • être suivie ailleurs.

Il faut donc distinguer absence de preuve enregistrée et preuve d’absence.

Le problème est particulièrement important avec le big data

Les gigantesques bases médicales contiennent souvent énormément de valeurs manquantes.

Leur taille peut donner une impression de complétude.

Mais une base de 20 millions de personnes peut contenir très peu d’information fiable sur certaines variables.

La quantité de lignes ne garantit pas la densité ni la qualité de l’information.

Données manquantes et apprentissage automatique

Les modèles prédictifs peuvent exploiter indirectement le fait qu’une valeur manque.

Par exemple, l’absence d’un examen peut être associée à un meilleur pronostic parce que les médecins ne l’ordonnent que chez les patients graves.

Le modèle peut alors utiliser les pratiques médicales comme prédicteur.

Cela peut améliorer la prédiction dans le même hôpital mais mal se généraliser dans un autre système de soins où les pratiques sont différentes.

Prédiction et causalité

Encore une fois, une variable peut être prédictive sans être causale.

« Le test n’a pas été prescrit » peut prédire un faible risque dans une base.

Mais prescrire artificiellement moins de tests ne réduirait évidemment pas la maladie.

Les processus de données manquantes illustrent parfaitement la différence entre prédire et intervenir.

Analyse de sensibilité

Lorsque l’on suspecte des données MNAR, il est souvent impossible de corriger avec certitude.

On peut cependant explorer plusieurs scénarios.

Par exemple :

Et si les participants perdus avaient 20 % de risque supplémentaire ?

Et s’ils avaient deux fois plus d’événements ?

On observe alors si la conclusion reste stable.

Scénario du pire cas

Dans certains essais, on peut imaginer des scénarios extrêmes.

Par exemple :

  • tous les participants perdus du groupe traitement ont eu un événement ;
  • aucun participant perdu du groupe contrôle n’en a eu.

Si le traitement reste bénéfique même dans ce scénario très défavorable, la conclusion est robuste.

Si elle s’inverse immédiatement, elle dépend fortement des données manquantes.

Bornes

On peut parfois calculer des bornes plutôt qu’une estimation unique.

On cherche alors à déterminer :

quel est le meilleur et le pire résultat compatible avec les données manquantes ?

Cette approche peut être moins élégante mais plus honnête lorsqu’on manque réellement d’information.

L’incertitude doit inclure ce que l’on ne sait pas

Un intervalle de confiance classique peut être très étroit tout en ignorant complètement l’incertitude liée aux perdus de vue.

Si 40 % de la population a disparu de manière potentiellement sélective, la véritable incertitude scientifique est bien plus grande que celle indiquée par le seul calcul statistique.

La prudence méthodologique doit donc compléter l’incertitude mathématique.

Prévenir plutôt que réparer

La meilleure stratégie est souvent d’empêcher les pertes :

  • contacts réguliers ;
  • plusieurs coordonnées ;
  • questionnaires courts ;
  • rappels ;
  • couplage aux registres.

Une bonne collecte vaut généralement mieux qu’une correction statistique sophistiquée réalisée après coup.

Prévoir les données manquantes dès le protocole

Un protocole solide doit préciser :

  • quelles pertes sont probables ;
  • comment les limiter ;
  • comment les documenter ;
  • quelle méthode d’analyse sera utilisée.

Décider après avoir vu les résultats comment traiter les données manquantes peut augmenter la flexibilité analytique et donc le risque de biais.

Plusieurs méthodes peuvent donner des résultats différents

Supposons que la même étude soit analysée avec :

  • cas complets ;
  • imputation multiple ;
  • pondération.

Si les conclusions sont très différentes, cela indique que le résultat dépend fortement des hypothèses sur les données manquantes.

Cette instabilité doit être rapportée, pas dissimulée.

Transparence

Un article devrait idéalement préciser :

  • proportion de données manquantes par variable ;
  • nombre de perdus de vue ;
  • raisons connues ;
  • différences entre participants suivis et perdus ;
  • méthode de traitement statistique.

Dire seulement :

« les données manquantes ont été imputées »

est souvent insuffisant.

Une leçon d’esprit critique

Lorsque vous lisez une étude, ne regardez pas seulement combien de participants ont été recrutés.

Demandez :

Combien sont réellement présents dans l’analyse finale ?

Qui manque ?

Pourquoi ?

Les pertes sont-elles différentes entre les groupes ?

Les personnes les plus malades ont-elles davantage disparu ?

Les valeurs manquantes ont-elles été simplement supprimées, remplacées ou imputées ?

Les résultats changent-ils selon les hypothèses utilisées ?

Une étude peut commencer avec 100 000 personnes et finir par répondre à sa question sur un sous-groupe beaucoup plus sélectionné.

À retenir

Les perdus de vue et données manquantes ne représentent pas uniquement une diminution de la taille de l’échantillon.

Ils peuvent provoquer un biais lorsque leur absence dépend de facteurs liés à l’exposition ou au résultat.

On distingue conceptuellement :

MCAR : données complètement manquantes au hasard ;

MAR : données manquantes explicables par les variables observées ;

MNAR : données manquantes liées à la valeur absente ou à des facteurs non observés.

Les principales stratégies incluent :

  • prévention des pertes ;
  • analyse des cas complets dans certaines situations ;
  • imputation multiple ;
  • pondération ;
  • analyses de sensibilité.

Mais aucune technique ne permet de reconstruire parfaitement une information qui n’a jamais été observée.

La question essentielle reste donc :

« Ce qui manque manque-t-il par hasard, ou son absence nous renseigne-t-elle elle-même sur les personnes que nous ne voyons plus ? »

Pour aller plus loin

Roderick Little et Donald Rubin — Statistical Analysis with Missing Data. Une référence fondamentale pour comprendre les mécanismes MCAR, MAR et MNAR et les principales méthodes statistiques utilisées.

James Carpenter et Michael Kenward — Multiple Imputation and its Application. Une référence importante pour comprendre l’imputation multiple et ses hypothèses.

Miguel Hernán et James Robins — Causal Inference: What If. Particulièrement utile pour comprendre les pertes de suivi comme processus de sélection et l’utilisation de pondérations par probabilité inverse.

CONSORT — recommandations pour les essais randomisés. Elles insistent sur la transparence concernant les abandons, les participants perdus et les populations réellement analysées.