Pertinence clinique
La pertinence clinique désigne l’importance réelle d’un effet pour les patients.
Elle répond à une question différente de la significativité statistique.
La significativité demande :
« les données sont-elles suffisamment incompatibles avec l’hypothèse nulle ? »
La pertinence clinique demande :
« la différence observée est-elle suffisamment importante pour compter réellement ? »
Ces deux questions ne doivent pas être confondues.
Un effet statistiquement significatif peut être cliniquement insignifiant
Supposons un traitement contre la douleur.
Groupe placebo
Score moyen :
6,0 / 10.
Groupe traitement
Score moyen :
5,8 / 10.
Différence :
0,2 point.
Avec 100 000 patients, cette différence pourrait être très précisément estimée et produire :
p < 0,000001.
Pourtant, une amélioration de 0,2 point peut être pratiquement imperceptible pour les patients.
La statistique répond donc à une question plus limitée
Elle peut établir avec une grande précision :
« il existe probablement une différence ».
Elle ne répond pas automatiquement :
« cette différence vaut-elle la peine ? »
L’inverse est également possible
Une petite étude peut trouver :
6,0 → 4,5
soit une amélioration moyenne de :
1,5 point.
Mais avec peu de patients :
p = 0,08.
L’effet observé pourrait être cliniquement important tout en restant statistiquement incertain.
La bonne conclusion serait :
effet potentiellement important mais données trop imprécises, et non :
traitement sans intérêt.
Taille de l’effet versus certitude sur l’effet
Il faut donc séparer deux dimensions :
taille de l’effet
et
incertitude sur cette taille.
Un grand effet peut être mal estimé.
Un petit effet peut être extrêmement bien estimé.
Exemple
Étude A
Différence :
−2 points de douleur.
IC 95 % :
−4 à +0,2.
Effet potentiellement important, grande incertitude.
Étude B
Différence :
−0,2 point.
IC :
−0,25 à −0,15.
Effet très précis, mais probablement peu important cliniquement.
Les deux problèmes sont très différents.
Qu’est-ce qu’un effet « important » ?
Il n’existe pas toujours une frontière universelle.
La pertinence dépend :
- de la maladie ;
- du critère ;
- des alternatives ;
- des effets indésirables ;
- des préférences du patient.
Une différence minuscule peut être importante pour un événement extrêmement grave.
Une différence plus grande peut être peu pertinente pour un résultat secondaire sans conséquence réelle.
Exemple
Réduire la mortalité de :
10 % à 9 %
correspond à seulement 1 point de pourcentage.
Mais cela représente :
10 décès évités pour 1 000 personnes.
Ce bénéfice peut être très important.
À l’inverse
Améliorer un biomarqueur de :
30 %
peut sembler spectaculaire.
Mais si cette modification n’améliore ni :
- symptômes ;
- complications ;
- survie,
sa pertinence clinique peut être faible.
Le critère compte autant que l’amplitude
Une variation de :
20 %
sur un critère intermédiaire n’est pas nécessairement plus importante qu’une variation de :
2 %
sur la mortalité.
Il faut demander :
« qu’est-ce qui a réellement changé pour le patient ? »
Critères centrés sur le patient
Les critères les plus directement cliniques incluent souvent :
- survie ;
- douleur ;
- autonomie ;
- hospitalisation ;
- handicap ;
- qualité de vie.
Ils sont parfois appelés patient-important outcomes.
Critères intermédiaires
On utilise également :
- pression artérielle ;
- glycémie ;
- charge virale ;
- taille tumorale ;
- marqueur biologique.
Ils peuvent être utiles, mais leur valeur clinique dépend de leur capacité à prédire ou médier des résultats importants.
Pertinence clinique et réduction absolue du risque
Pour un événement binaire, la réduction absolue du risque est souvent plus informative que la seule réduction relative.
Supposons :
Traitement A
50 % → 25 %.
RAR :
25 points.
Traitement B
2 % → 1 %.
RAR :
1 point.
Dans les deux cas :
RRR = 50 %.
Le bénéfice clinique concret est très différent.
Le NNT aide à rendre cela intuitif
Traitement A :
NNT = 4.
Traitement B :
NNT = 100.
Ces chiffres permettent de mieux comprendre l'impact réel.
Mais le NNT lui-même ne suffit pas
Un NNT de 100 pour éviter :
un décès
peut être plus pertinent qu’un NNT de 5 pour éviter :
une journée de symptômes légers.
La gravité de l’événement reste centrale.
Minimum clinically important difference
Pour certains résultats continus, on utilise la notion de différence minimale cliniquement importante, souvent abrégée MCID.
Elle cherche à définir la plus petite différence que les patients considèrent comme réellement perceptible ou importante.
Exemple
Pour une échelle de douleur, imaginons qu’une différence de :
1 point sur 10
soit considérée comme minimale pour être cliniquement perceptible.
Une étude trouve :
différence = 0,3 point.
Même avec :
p < 0,001,
l’effet moyen reste inférieur au seuil clinique choisi.
Mais la MCID n’est pas une constante universelle
Elle peut varier selon :
- gravité initiale ;
- population ;
- méthode de mesure ;
- contexte.
Une même différence peut être très importante chez certains patients et peu visible chez d’autres.
Méthodes d’estimation de la MCID
On peut utiliser des méthodes :
- basées sur des ancres cliniques ;
- basées sur la distribution statistique.
Méthodes basées sur une ancre
On compare le changement du score à une appréciation externe, par exemple :
« vous sentez-vous un peu mieux, beaucoup mieux ou pareil ? »
On cherche ensuite quelle variation du score correspond à une amélioration jugée significative par les patients.
Méthodes distributionnelles
On peut utiliser :
- fraction d’écart-type ;
- erreur standard de mesure.
Ces méthodes sont plus statistiques.
Elles ne reflètent pas directement ce que ressent le patient.
La pertinence moyenne peut masquer une hétérogénéité
Supposons une amélioration moyenne de :
0,8 point.
Cela peut signifier :
- tout le monde gagne environ 0,8 point ;
ou
- 40 % gagnent 2 points ;
- 60 % ne gagnent rien.
Même moyenne, interprétation clinique différente.
Répondeurs
Les études peuvent donc définir un répondeur :
par exemple une amélioration d’au moins :
2 points.
On compare alors la proportion de patients répondant au traitement.
Exemple
Traitement :
60 % de répondeurs.
Placebo :
40 %.
Différence absolue :
20 points.
NNT pour obtenir un répondeur supplémentaire :
5.
Cette présentation peut être plus intuitive qu’une simple moyenne.
Mais dichotomiser fait perdre de l’information
Transformer un score continu en :
- répondeur ;
- non-répondeur
perd la diversité réelle des changements.
Un patient amélioré de :
1,9 point
et un autre de :
0 point
sont classés ensemble comme « non-répondeurs » si le seuil est fixé à 2.
Il faut donc utiliser cette approche avec prudence.
Pertinence clinique et qualité de vie
Un traitement peut ne pas prolonger la vie mais améliorer fortement :
- douleur ;
- respiration ;
- fatigue ;
- autonomie.
Il peut alors être très pertinent.
La mortalité n’est pas toujours le seul résultat important.
Exemple
Une intervention palliative réduit fortement la douleur mais ne change pas la survie.
Elle peut être extrêmement utile.
Le critère doit être cohérent avec l’objectif thérapeutique.
À l’inverse
Un traitement peut prolonger légèrement la survie tout en dégradant fortement la qualité de vie.
La pertinence globale devient alors plus difficile à juger.
Exemple
Gain médian de survie :
2 mois.
Mais :
- hospitalisations fréquentes ;
- fatigue sévère ;
- nausées ;
- neuropathie.
Certaines personnes accepteront cette balance.
D’autres non.
Il n’existe pas toujours une réponse unique.
Bénéfice moyen et préférences individuelles
La pertinence clinique n’est donc pas uniquement une propriété statistique.
Elle dépend aussi de ce que les patients considèrent comme important.
Une personne peut privilégier :
durée de vie maximale.
Une autre :
qualité de vie et autonomie.
La même donnée peut conduire à des choix différents.
Décision partagée
Lorsque la balance n’est pas évidente, une décision partagée peut intégrer :
- taille du bénéfice ;
- incertitude ;
- dommages ;
- valeurs du patient.
Le rôle de la médecine n’est pas toujours de produire une réponse unique.
Pertinence clinique et durée
Une réduction de symptômes pendant :
2 heures
n’a pas la même valeur que la même réduction pendant :
2 ans.
La durée de l’effet est donc essentielle.
Exemple
Traitement A :
amélioration de 2 points pendant 24 heures.
Traitement B :
amélioration de 1 point pendant six mois.
Le traitement « le plus efficace » dépend de l’objectif.
Délai d’apparition du bénéfice
Un traitement peut apporter un bénéfice :
- immédiatement ;
- après plusieurs années.
En prévention, le délai avant bénéfice peut être particulièrement important.
Exemple
Un traitement préventif évite des événements après :
10 ans,
mais provoque des effets indésirables dès :
les premières semaines.
Chez une personne dont l’espérance de vie est courte, la balance clinique peut être différente.
Temps jusqu’au bénéfice
Cette notion est parfois appelée time to benefit.
Elle est particulièrement pertinente en prévention chez les personnes âgées ou fragiles.
Pertinence clinique et hazard ratio
Un HR de :
0,70
peut sembler très important.
Mais il faut regarder ce que cela produit concrètement.
Exemple A
Survie à cinq ans :
90 % → 93 %.
Différence :
3 points.
Exemple B
Survie :
30 % → 50 %.
Même HR possible dans certains scénarios ?
Pas nécessairement exactement, mais l’exemple rappelle qu’un HR seul ne fournit pas l’impact absolu.
Il faut toujours regarder les courbes et les probabilités absolues.
Médiane de survie
Un traitement peut augmenter la médiane de survie de :
12 à 13 mois.
Différence :
1 mois.
Même avec une p-value très faible, la pertinence dépend :
- toxicité ;
- qualité de vie ;
- alternatives.
Mais la médiane peut aussi sous-estimer certains bénéfices
Supposons que le traitement ne change presque pas la médiane mais produise un groupe de survivants à très long terme.
La médiane seule pourrait masquer ce bénéfice.
Il faut parfois examiner toute la courbe.
RMST
Le restricted mean survival time peut aider à traduire la différence en temps moyen gagné sur une période donnée.
Exemple :
3,8 années → 4,1 années sans événement sur cinq ans.
Gain moyen :
0,3 année, soit environ 3,6 mois.
Cela peut être plus intuitif qu’un hazard ratio.
Pertinence clinique et événements composites
Supposons un critère :
décès ou hospitalisation ou consultation urgente.
Le traitement réduit ce composite de :
30 %.
Cela semble important.
Mais si la différence vient presque entièrement de consultations urgentes et qu’il n’existe aucun effet sur la mortalité, la portée clinique doit être décrite correctement.
Les composants doivent être examinés
Toujours demander :
quel événement explique principalement la différence ?
Un composite peut être dominé par l’événement :
- le plus fréquent ;
- pas forcément le plus grave.
Exemple
Composite :
20 % → 14 %.
Mais :
- décès : 5 % → 5 % ;
- infarctus : 5 % → 5 % ;
- consultation : 10 % → 4 %.
Le bénéfice est réel, mais il concerne principalement les consultations.
Dire :
« réduction de 30 % des événements cardiovasculaires majeurs »
pourrait être trompeur selon la définition.
Pertinence clinique et résultats intermédiaires
Un traitement peut améliorer :
cholestérol de 30 %.
Mais la question pertinente est :
combien d’infarctus ou de décès sont réellement évités ?
Un biomarqueur possède une valeur clinique s’il est relié de manière fiable à des résultats importants.
Surrogate endpoint
Un critère de substitution est utilisé comme remplacement d’un résultat clinique plus tardif ou difficile à mesurer.
Cela peut accélérer les essais.
Mais un mauvais substitut peut produire des conclusions trompeuses.
Exemple conceptuel
Un médicament améliore fortement un marqueur lié à une maladie.
Mais il possède d’autres effets biologiques qui augmentent un autre risque.
Le biomarqueur s’améliore tandis que les patients ne vivent pas mieux.
Un mécanisme plausible ne suffit pas
Il faut idéalement valider qu’une modification du substitut prédit réellement le bénéfice clinique de l’intervention.
Association pronostique et effet causal du traitement ne sont pas identiques.
Pertinence clinique et effets indésirables
Un bénéfice ne peut être évalué indépendamment des dommages.
Supposons :
NNT = 50 pour éviter une hospitalisation.
Mais :
NNH = 20 pour provoquer un effet indésirable sévère.
La pertinence du traitement devient discutable.
Même bénéfice, traitements différents
Traitement A
RAR = 5 %.
Très peu d’effets indésirables.
Traitement B
RAR = 5 %.
Toxicité importante.
Même efficacité.
Valeur clinique très différente.
Tolérance, contraintes et observance
Une intervention peut être efficace mais difficile à suivre.
Par exemple :
- injection quotidienne ;
- effets digestifs ;
- surveillance biologique fréquente.
Ces contraintes peuvent réduire sa valeur en pratique.
Effectiveness
La pertinence réelle dépend donc parfois de l’effectivité dans la vie courante.
Un traitement très efficace dans un essai peut produire peu de bénéfice si :
- personne ne le prend correctement ;
- contraintes trop fortes.
Pertinence individuelle versus populationnelle
Une intervention peut avoir un bénéfice individuel faible mais un grand impact collectif.
Supposons :
RAR :
0,1 %.
Cela correspond à :
1 événement évité pour 1 000 personnes.
Pour un individu, la chance de bénéficier est faible.
Sur 20 millions de personnes :
20 000 événements peuvent potentiellement être évités, sous hypothèses appropriées.
Deux perspectives légitimes
Perspective individuelle
« Quelle est ma probabilité personnelle de bénéficier ? »
Perspective de santé publique
« Combien d’événements évitons-nous dans toute la population ? »
Les réponses peuvent donner des impressions différentes.
Mais les dommages suivent la même logique
Un risque très rare d’effet indésirable peut produire beaucoup de cas lorsqu’une population immense est exposée.
Il faut comparer les deux à la même échelle.
Pertinence clinique et coût
Un traitement peut être :
- légèrement plus efficace ;
- extrêmement coûteux.
L’évaluation économique cherche alors à déterminer si le gain justifie les ressources mobilisées.
Exemple
Traitement A :
coût annuel : 100 €.
Traitement B :
100 000 €.
Gain supplémentaire de B :
0,5 jour de vie moyen, sans amélioration de qualité de vie.
Même si la différence est statistiquement démontrée, sa valeur collective peut être contestable.
Mais coût ≠ pertinence clinique
Il faut distinguer :
bénéfice clinique
et
rapport coût-efficacité.
Un traitement peut être cliniquement très efficace mais économiquement difficile à généraliser.
Ce sont deux questions différentes.
Pertinence et seuils réglementaires
Les autorités peuvent fixer des seuils statistiques pour approuver un traitement.
Mais franchir ces critères ne signifie pas nécessairement que tous les patients devraient le recevoir.
L’autorisation répond :
« bénéfice-risque suffisamment favorable pour permettre l’usage dans certaines conditions ».
La décision clinique reste individualisée.
Efficacité versus utility
Une intervention peut fonctionner mais ne pas être le meilleur choix.
Par exemple :
- bénéfice faible ;
- alternative meilleure ;
- plus sûre.
La pertinence est toujours comparative.
Comparateur
Un nouveau traitement doit être comparé à la meilleure alternative pertinente, pas seulement à l’absence de traitement.
Exemple
Nouveau médicament versus placebo :
amélioration :
2 points.
Mais traitement standard existant :
amélioration :
3 points
avec moins d’effets indésirables.
Le nouveau traitement est efficace mais peu intéressant.
Pertinence clinique et non-infériorité
Un nouveau traitement peut être légèrement moins efficace mais présenter d’autres avantages :
- moins toxique ;
- plus simple ;
- moins cher.
Il peut alors être cliniquement pertinent même sans supériorité.
Exemple
Traitement standard :
90 % de succès.
Nouveau traitement :
89 %.
Mais :
- prise unique ;
- presque aucun effet indésirable.
Une différence d’un point peut être acceptable.
C’est le principe des essais de non-infériorité.
La marge doit être cliniquement justifiée
Une marge de non-infériorité ne devrait pas être choisie uniquement pour faciliter la réussite statistique de l’essai.
Elle doit représenter une perte maximale jugée acceptable compte tenu des autres avantages.
Pertinence clinique et personnalisation
Un effet moyen modeste peut cacher un grand bénéfice dans un sous-groupe identifiable.
Supposons :
effet moyen :
RAR = 2 %.
Mais :
Haut risque
RAR = 10 %.
Faible risque
RAR = 0,5 %.
Le traitement peut être très pertinent dans le premier groupe.
La stratification du risque améliore souvent la pertinence
C’est pourquoi les recommandations peuvent cibler :
- âge ;
- antécédents ;
- biomarqueurs.
L’objectif est de concentrer les interventions là où le bénéfice absolu est le plus important.
Mais il faut éviter les sous-groupes artificiels
Des dizaines d’analyses exploratoires peuvent fabriquer un sous-groupe « spectaculaire » par hasard.
La personnalisation doit reposer sur :
- hypothèses solides ;
- interactions crédibles ;
- réplication.
Pertinence clinique et préférence pour les extrêmes
Les médias peuvent préférer :
« réduction de 50 % »
plutôt que :
« baisse de 2 % à 1 % ».
La première formulation maximise l’impression d’efficacité.
Une communication honnête devrait fournir les deux.
L’industrie n’est pas seule concernée
Les critiques d’un traitement peuvent faire l’inverse :
« seulement 1 point de bénéfice »
sans préciser qu’il s’agit peut-être d’éviter un événement extrêmement grave.
Le cadrage peut être utilisé dans les deux directions.
Une bonne communication symétrique
Présenter :
risque sans traitement : 2 %
avec traitement : 1 %
réduction absolue : 1 point
réduction relative : 50 %
NNT : 100
permet au lecteur de comprendre sans imposer un cadrage.
Pertinence clinique et seuil décisionnel
Une intervention peut devenir intéressante au-dessus d’un certain risque initial.
Supposons :
RRR constante de 25 %.
Si le traitement comporte un risque grave de :
1 %.
Chez une personne avec risque initial de maladie :
2 %,
bénéfice absolu attendu :
0,5 point.
Le dommage peut dépasser le bénéfice.
À risque initial 20 %
Bénéfice absolu :
5 points.
La balance peut devenir favorable.
Le risque de base modifie donc la pertinence thérapeutique.
C’est la logique des seuils de traitement
Le traitement est souvent rationnel lorsque la probabilité de l’événement sans intervention devient suffisamment élevée pour que le bénéfice attendu dépasse les coûts et dommages.
Pertinence clinique et diagnostic
Le même raisonnement s’applique aux tests.
Une meilleure sensibilité de :
1 %
peut être statistiquement démontrée.
Mais si elle produit :
- 10 000 faux positifs supplémentaires
pour détecter :
- 2 cas cliniquement importants,
la pertinence globale peut être faible.
Plus performant techniquement ≠ meilleur cliniquement
Cette idée traverse toute la médecine.
Il faut distinguer :
performance technique
et
utilité clinique.
Exemple de dépistage
Un nouveau scanner détecte :
30 % de lésions supplémentaires.
Cela peut être impressionnant.
Mais si ces lésions sont surtout indolentes, on augmente :
- surdiagnostic ;
- biopsies.
La détection supplémentaire n’est pas forcément un progrès.
Pertinence clinique et causalité
Avant même de discuter de l’importance d’un effet, il faut vérifier qu’il est probablement causal.
Un effet immense mais entièrement dû à un biais n’a aucune pertinence thérapeutique.
Deux étapes
1. L’effet est-il crédible ?
2. S’il est crédible, est-il suffisamment important ?
L’ordre est essentiel.
Exemple
Étude observationnelle :
RR = 0,30
p < 10⁻¹⁰.
Effet énorme.
Mais confusion massive probable.
La taille spectaculaire ne compense pas un mauvais design.
À l’inverse
Essai randomisé très solide :
RR = 0,98
IC étroit.
Effet causal probable, mais peut-être très petit.
La crédibilité et l’importance sont deux dimensions distinctes.
Pertinence clinique et précision
Une étude peut ne pas permettre de savoir si l’effet dépasse le seuil clinique.
Supposons une MCID de :
1 point.
Estimation :
1,2 point.
IC :
0,2–2,2.
L’effet moyen dépasse la MCID.
Mais les données sont compatibles avec :
- effet peu perceptible ;
- effet très important.
La conclusion doit rester prudente.
Situation plus convaincante
Estimation :
1,5 point.
IC :
1,2–1,8.
Tout l’intervalle dépasse le seuil clinique.
Le bénéfice est à la fois :
- statistiquement précis ;
- cliniquement important selon ce seuil.
Situation inverse
Estimation :
0,3 point.
IC :
0,2–0,4.
Tout l’intervalle reste en dessous de la MCID.
On peut conclure avec davantage de confiance que le bénéfice moyen est trop faible pour être cliniquement pertinent selon cette définition.
Il faut donc comparer l’IC à deux frontières
Pas seulement :
valeur nulle.
Mais aussi :
seuil de pertinence clinique.
C’est un principe très puissant.
Zone de bénéfice important
Pour un traitement protecteur, on peut imaginer :
effet important
puis
petit effet
puis
absence d’effet
puis
dommage.
L’intervalle peut traverser plusieurs de ces zones.
Exemple
RR :
0,90
IC :
0,65–1,20.
Les données sont compatibles avec :
- bénéfice important ;
- petit bénéfice ;
- absence ;
- dommage.
L’étude est simplement insuffisante pour décider.
La pertinence clinique ne se résume donc jamais à une p-value
Elle dépend de l’ensemble :
effet absolu + résultat étudié + durée + dommages + contexte + préférences.
Un exemple complet
Essai de 20 000 patients.
Contrôle
Hospitalisation :
10 %.
Traitement
8 %.
RR :
0,80.
RRR :
20 %.
RAR :
2 points.
NNT :
50.
IC de la RAR :
1,3 à 2,7 points.
p < 0,001.
Le résultat est statistiquement robuste.
La question clinique devient :
une hospitalisation évitée pour environ 50 personnes justifie-t-elle le coût et les effets indésirables ?
La p-value n’a plus grand-chose à ajouter à cette décision.
Ajoutons les dommages
Effet grave :
1 % → 1,5 %.
NNH :
200.
Sur 1 000 personnes :
- environ 20 hospitalisations évitées ;
- environ 5 effets graves supplémentaires.
La discussion clinique devient beaucoup plus concrète.
Une autre intervention
Elle réduit un score biologique de :
20 %.
p < 10⁻¹⁰.
Mais :
- aucune différence sur symptômes ;
- aucune différence sur hospitalisations.
Malgré la « forte significativité », la pertinence clinique reste incertaine.
Une leçon d’esprit critique
Face à :
« l'étude montre une amélioration statistiquement significative »,
demandez immédiatement :
De quelle ampleur ?
Sur quel résultat ?
Est-ce perceptible pour le patient ?
Quel est le bénéfice absolu ?
Quels sont les dommages ?
Face à :
« l'effet n'est que de 1 % »,
demandez :
1 % de quoi ?
Éviter 1 % de décès n’a pas la même importance que réduire un score mineur de 1 %.
Le chiffre ne possède aucun sens clinique sans son contexte.
Face à une MCID
Demandez :
Comment ce seuil a-t-il été défini ?
Chez quelle population ?
Est-ce un seuil individuel ou une différence moyenne de groupe ?
Les MCID doivent elles-mêmes être interprétées avec esprit critique.
Tableau de distinction
| Question | Outil principal |
|---|---|
| Existe-t-il une différence détectable ? | Test statistique |
| Quelle est la taille estimée de l’effet ? | Mesure d’effet |
| Avec quelle précision ? | Intervalle de confiance |
| Combien de patients bénéficient ? | RAR / NNT |
| L’effet compte-t-il vraiment ? | Pertinence clinique |
| Les dommages compensent-ils le bénéfice ? | Balance bénéfice-risque |
Aucune colonne ne remplace les autres.
Une règle simple
Un bon résultat thérapeutique doit idéalement être :
crédible
précis
suffisamment grand
pertinent pour le patient
et favorable en bénéfice-risque.
La significativité statistique n’est qu’une pièce de cet ensemble.
À retenir
La pertinence clinique désigne l’importance réelle d’un effet pour les patients.
Elle est différente de la significativité statistique.
Un effet peut être :
statistiquement très significatif mais cliniquement minuscule.
Inversement, un effet potentiellement très important peut ne pas être statistiquement significatif si l’étude est trop petite ou imprécise.
Pour juger la pertinence, il faut examiner :
- nature du critère ;
- taille absolue de l’effet ;
- durée ;
- NNT ;
- effets indésirables ;
- qualité de vie ;
- préférences.
Pour les résultats continus, une différence minimale cliniquement importante peut servir de repère, mais elle doit être utilisée avec prudence.
Pour les événements binaires, les risques absolus et le NNT sont souvent particulièrement utiles.
Le principe fondamental est donc :
la statistique peut montrer qu’une différence existe ; seule l’analyse clinique permet de savoir si cette différence compte réellement.
La bonne question n’est pas :
« l’effet est-il statistiquement significatif ? »
mais :
« si cet effet est réel, est-il suffisamment grand, durable et important pour améliorer concrètement la vie ou la santé du patient, compte tenu des dommages et contraintes du traitement ? »
C’est cette question qui transforme une différence statistique en décision médicale.
Pour aller plus loin
Jaeschke, Singer et Guyatt — travaux sur la différence minimale cliniquement importante. Des références historiques pour comprendre comment relier les échelles cliniques à une amélioration réellement perçue par les patients.
Guyatt et collaborateurs — travaux sur la médecine fondée sur les preuves. Ils ont largement contribué à distinguer taille d’effet, précision statistique et importance clinique.
Cochrane Handbook for Systematic Reviews of Interventions. Une référence méthodologique majeure pour interpréter conjointement effets relatifs, absolus et pertinence clinique.
Geoff Cumming — Understanding the New Statistics. Une référence utile pour sortir de la logique binaire de la significativité et raisonner davantage en tailles d’effet et intervalles.