Population, échantillon et population à risque

En épidémiologie, une question apparemment simple comme « combien de personnes sont malades ? » n’a de sens que si l’on sait précisément dans quelle population on compte les cas.

Une proportion, un taux ou un risque repose toujours sur deux éléments : un numérateur, qui compte les événements observés, et un dénominateur, qui représente la population dans laquelle ces événements auraient pu survenir.

Définir correctement cette population est donc l’une des premières conditions d’une mesure épidémiologique fiable.

La population étudiée

La population étudiée est l’ensemble des personnes auxquelles s’applique directement une observation ou une étude.

Elle peut être très large, par exemple l’ensemble de la population française, ou beaucoup plus restreinte : les personnes âgées de plus de 65 ans, les travailleurs d’un secteur particulier, les patients atteints d’une maladie ou les habitants d’une région donnée.

Une bonne étude doit préciser clairement qui peut entrer dans la population étudiée et qui en est exclu.

Cette définition dépend toujours de la question posée.

Si l’on veut mesurer la fréquence d’un cancer du sein, inclure dans le dénominateur l’ensemble de la population sans tenir compte du sexe, de l’âge ou des personnes réellement concernées peut produire une mesure peu informative.

La population n’est donc pas simplement « tout le monde ». Elle doit correspondre à la question que l’on cherche à résoudre.

Population source et population cible

Il est utile de distinguer deux notions.

La population source est celle dans laquelle les participants sont réellement recrutés ou observés.

La population cible est celle à laquelle on souhaite généraliser les résultats.

Supposons qu’un essai clinique soit réalisé auprès de 4 000 adultes âgés de 40 à 65 ans sans maladie chronique sévère.

La population source correspond aux personnes réellement recrutées selon ces critères. Mais si les résultats sont ensuite présentés comme valables pour « tous les adultes », on élargit la conclusion à une population cible beaucoup plus vaste.

Cette généralisation peut être raisonnable dans certains cas, mais elle doit toujours être justifiée.

Les personnes très âgées, les adolescents, les femmes enceintes ou les patients atteints de plusieurs pathologies peuvent répondre différemment au traitement étudié.

L’échantillon

Il est rarement possible d’étudier directement tous les membres d’une population.

On travaille donc généralement sur un échantillon : un sous-ensemble de personnes censé fournir des informations sur la population plus large.

Par exemple, pour connaître la prévalence d’une maladie chez plusieurs millions d’habitants, on peut examiner quelques milliers de personnes.

La question décisive devient alors : cet échantillon représente-t-il correctement la population que l’on veut étudier ?

Un grand échantillon n’est pas automatiquement un bon échantillon.

Si une enquête sur l’état de santé d’une population est réalisée uniquement auprès de personnes volontaires utilisant une application de sport, elle peut inclure des centaines de milliers de participants tout en restant profondément biaisée.

La représentativité dépend davantage de la méthode de sélection que du nombre brut de participants.

Échantillonnage aléatoire

Dans un échantillonnage aléatoire idéal, chaque membre de la population possède une probabilité connue d’être sélectionné.

Cela réduit le risque que certains profils soient systématiquement surreprésentés ou sous-représentés.

Un échantillon correctement tiré au sort permet ensuite d’estimer certaines caractéristiques de la population avec une marge d’incertitude mesurable.

Mais en pratique, de nombreux problèmes peuvent apparaître : refus de participer, personnes impossibles à contacter, différences entre répondants et non-répondants ou données manquantes.

Le tirage initial peut donc être excellent alors que l’échantillon final devient moins représentatif.

Taille de l’échantillon et précision

La taille de l’échantillon influence principalement la précision des estimations.

Un petit échantillon produit généralement davantage de fluctuations aléatoires.

Imaginons que l’on cherche à estimer une prévalence réelle proche de 10 %.

Dans un échantillon de 20 personnes, observer 1, 2 ou 3 cas change fortement l’estimation.

Dans un échantillon de 20 000 personnes, quelques cas supplémentaires ou manquants modifient beaucoup moins le résultat.

Mais augmenter la taille de l’échantillon ne corrige pas un biais systématique.

On peut résumer la situation ainsi :

SituationConséquence principale
Petit échantillon bien sélectionnéEstimation potentiellement correcte mais peu précise
Grand échantillon bien sélectionnéEstimation généralement plus précise
Petit échantillon biaiséPeu précis et potentiellement faux
Très grand échantillon biaiséTrès précis… autour d’une mauvaise estimation

Cette dernière situation est particulièrement dangereuse : un résultat peut sembler extrêmement solide parce qu’il repose sur des millions de données tout en étant biaisé par la façon dont ces données ont été collectées.

Qu’est-ce qu’une population à risque ?

La population à risque désigne les personnes qui peuvent réellement connaître l’événement étudié pendant la période considérée.

Toutes les personnes présentes dans une population générale ne sont pas nécessairement à risque pour tous les événements.

Supposons que l’on étudie les premières grossesses survenant au cours d’une année.

Les personnes qui ne peuvent biologiquement pas connaître cet événement ne devraient évidemment pas faire partie du dénominateur pertinent.

De même, pour mesurer l’incidence d’une maladie, les personnes qui présentent déjà cette maladie au début du suivi ne sont généralement plus « à risque » de développer un premier épisode de cette même maladie.

Le dénominateur doit donc être adapté à l’événement étudié.

Exemple : le mauvais dénominateur

Imaginons une ville de 100 000 habitants dans laquelle 1 000 nouveaux cas d’une maladie sont diagnostiqués en un an.

On pourrait écrire :

1 000 / 100 000 = 1 %.

Mais supposons que cette maladie ne puisse survenir que chez les personnes âgées de plus de 60 ans, qui ne sont que 20 000 dans la ville.

Le risque pertinent dans la population réellement concernée devient alors :

1 000 / 20 000 = 5 %.

Les deux calculs sont mathématiquement corrects.

Mais ils ne répondent pas à la même question.

Le choix du dénominateur peut donc modifier radicalement la perception d’un risque sans qu’aucun chiffre ait été falsifié.

Population fermée et population dynamique

Certaines populations peuvent être définies de manière relativement stable.

Une population fermée est constituée d’un groupe défini au début d’une étude et suivi dans le temps, par exemple les 5 000 participants d’une cohorte.

Une population dynamique évolue continuellement : certaines personnes entrent, d’autres partent, naissent ou meurent.

La population d’une ville ou d’un pays est typiquement dynamique.

Cette distinction devient importante lorsqu’on calcule des taux d’incidence, car toutes les personnes ne sont pas nécessairement observées pendant la même durée.

C’est l’une des raisons pour lesquelles l’épidémiologie utilise parfois des mesures en personnes-temps, que nous verrons plus loin.

Qui entre dans l’étude ?

Chaque étude utilise des critères d’inclusion et des critères d’exclusion.

Les critères d’inclusion définissent les caractéristiques nécessaires pour participer : âge, diagnostic, lieu de résidence, exposition particulière ou autre caractéristique pertinente.

Les critères d’exclusion retirent certaines personnes pour des raisons méthodologiques, éthiques ou médicales.

Ces choix sont parfois nécessaires, mais ils influencent la population réellement étudiée.

Un essai clinique peut ainsi démontrer qu’un médicament est efficace chez des patients soigneusement sélectionnés tout en donnant moins d’informations sur les patients rencontrés dans la vie réelle, souvent plus âgés et atteints de plusieurs maladies.

Sélection et généralisabilité

La validité interne concerne la capacité d’une étude à produire une conclusion fiable pour les personnes réellement étudiées.

La validité externe, ou généralisabilité, concerne la possibilité d’étendre cette conclusion à d’autres populations.

Une étude peut avoir une excellente validité interne mais une validité externe limitée.

Par exemple, un essai parfaitement réalisé chez des adultes jeunes et en bonne santé peut fournir une très bonne estimation de l’effet du traitement dans ce groupe, mais une information moins certaine chez les personnes âgées fragiles.

Il ne faut donc pas confondre :

« l’étude est méthodologiquement solide »

et

« le résultat s’applique forcément à tout le monde ».

Le problème des volontaires

Les personnes qui acceptent de participer à une étude peuvent différer de celles qui refusent.

Elles peuvent être plus soucieuses de leur santé, davantage diplômées, plus disponibles ou présenter des symptômes particuliers.

C’est le biais de volontariat, une forme de biais de sélection.

Ce problème est particulièrement visible dans certaines enquêtes en ligne.

Imaginons un sondage intitulé :

« Avez-vous souffert d’effets secondaires après ce traitement ? »

Les personnes ayant eu une mauvaise expérience peuvent être beaucoup plus motivées à répondre que celles n’ayant rien remarqué.

Le résultat peut alors surestimer fortement la fréquence des problèmes, même si chaque témoignage recueilli est parfaitement sincère.

Survivants et personnes invisibles

La définition de la population observée peut également exclure involontairement les personnes les plus importantes pour comprendre le phénomène.

Supposons qu’on interroge uniquement les survivants d’une maladie grave afin de rechercher les facteurs associés à une bonne évolution.

On risque d’oublier que certaines caractéristiques présentes chez les survivants peuvent simplement être liées au fait qu’ils ont survécu assez longtemps pour entrer dans l’étude.

Ce problème conduit au biais de survie, que nous étudierons plus précisément dans un chapitre ultérieur.

La question « qui manque dans les données ? » est donc souvent aussi importante que « qui est présent ? ».

Cas détectés et population réelle

La différence entre population observée et population réelle est particulièrement importante lors d’une épidémie.

Les cas détectés ne représentent pas nécessairement toutes les infections.

Certaines personnes ne présentent aucun symptôme, ne consultent pas ou ne sont jamais testées.

Si la politique de dépistage change, le nombre de cas détectés peut augmenter même si le nombre réel d’infections reste stable.

Inversement, une réduction des tests peut produire une baisse apparente des cas sans diminution équivalente de la circulation de l’agent infectieux.

Il faut donc toujours distinguer la population malade, la population testée et la population détectée comme malade.

Une question essentielle : qui aurait pu devenir un cas ?

Avant d’interpréter un chiffre, une bonne habitude consiste à demander :

Qui se trouve au numérateur ?

Puis :

Qui se trouve au dénominateur ?

Et surtout :

Toutes les personnes du dénominateur pouvaient-elles réellement devenir un cas ?

Cette dernière question permet souvent de repérer immédiatement une statistique mal construite.

Une leçon d’esprit critique

La définition d’une population n’est pas un détail technique.

Modifier la population de référence peut modifier fortement un résultat.

On peut par exemple annoncer :

« 30 % des patients hospitalisés étaient vaccinés »

sans préciser quelle proportion de la population générale était vaccinée, quel était l’âge des personnes hospitalisées ou quels groupes présentaient le plus grand risque initial.

Le nombre de personnes appartenant à chaque groupe est indispensable pour interpréter correctement la comparaison.

Une proportion sans population de référence peut donner une impression spectaculaire tout en fournissant très peu d’informations.

À retenir

Une étude épidémiologique ne mesure jamais un événement dans le vide. Elle mesure cet événement dans une population définie.

La population source correspond aux personnes réellement observées, tandis que la population cible correspond à celles auxquelles on souhaite appliquer les résultats.

L’échantillon est le sous-ensemble effectivement étudié. Sa taille influence la précision, mais sa méthode de sélection détermine largement sa représentativité.

La population à risque doit inclure uniquement les personnes qui pouvaient réellement connaître l’événement étudié.

Enfin, un résultat scientifique doit toujours être interprété en demandant : qui a été étudié, qui ne l’a pas été, et à qui cette conclusion peut-elle raisonnablement s’appliquer ?

Pour aller plus loin

Kenneth J. Rothman, Sander Greenland et Timothy L. Lash — Modern Epidemiology. Une référence majeure pour comprendre les populations d’étude, les mécanismes de sélection et leurs conséquences sur l’interprétation causale.

Leon Gordis — Epidemiology. Une présentation accessible des notions de population, d’échantillonnage et de population à risque.

Geoffrey Rose — Sick Individuals and Sick Populations. Un texte essentiel pour comprendre les différences entre raisonnement individuel et raisonnement populationnel, et pourquoi la définition de la population étudiée modifie profondément les questions auxquelles l’épidémiologie peut répondre.