Quel type d’étude pour quelle question ?

En épidémiologie, une erreur fréquente consiste à classer les études sur une échelle unique allant de « faible » à « forte », puis à supposer qu’il suffit de choisir celle située le plus haut.

La réalité est plus subtile.

Une étude transversale peut être excellente pour mesurer la prévalence d’une maladie. Une étude cas-témoins peut être la meilleure méthode pour une maladie extrêmement rare. Une cohorte peut être idéale pour étudier une exposition professionnelle. Un essai randomisé peut être particulièrement puissant pour évaluer un traitement. Une expérience naturelle peut être indispensable pour étudier une politique publique impossible à randomiser.

La première question méthodologique devrait donc être :

« Quel plan d’étude permet réellement de répondre à la question que je me pose ? »

La méthode dépend de la question

On peut distinguer plusieurs grandes familles de questions :

  • décrire un phénomène ;
  • mesurer sa fréquence ;
  • rechercher ses causes ;
  • évaluer un traitement ;
  • étudier un effet indésirable rare ;
  • évaluer une politique publique ;
  • synthétiser l’ensemble des preuves.

Chaque question conduit naturellement vers certains plans d’étude.

Si la question est : « Que se passe-t-il ? »

Lorsque l’on découvre un phénomène encore mal connu, il faut commencer par le décrire.

Par exemple :

  • combien de personnes sont touchées ?
  • à quel âge ?
  • dans quelles régions ?
  • depuis quand ?
  • quels symptômes ?

Les études descriptives, rapports de cas, séries de cas et systèmes de surveillance sont alors particulièrement utiles.

Elles permettent de caractériser le problème et de formuler les premières hypothèses.

Chercher immédiatement une cause avant d’avoir correctement décrit le phénomène risque de conduire à des conclusions prématurées.

Si la question est : « Combien de personnes sont actuellement touchées ? »

Pour mesurer la prévalence, une étude transversale est souvent idéale.

Supposons que l’on souhaite connaître :

la proportion actuelle d’adultes présentant une hypertension.

On sélectionne un échantillon représentatif et on mesure la pression artérielle.

Il n’est pas nécessaire de suivre ces personnes pendant dix ans.

La photographie transversale suffit pour répondre à la question.

Si la question est : « Combien de nouveaux cas apparaissent ? »

On cherche alors à mesurer l’incidence.

Une cohorte est généralement plus adaptée.

Il faut suivre une population initialement à risque et observer l’apparition des nouveaux cas pendant une période donnée.

Une étude transversale ne permet généralement pas de distinguer correctement :

  • anciens cas ;
  • nouveaux cas.

Si la maladie est très rare

Supposons que l’on cherche les causes d’une maladie touchant une personne sur un million.

Une cohorte prospective nécessiterait potentiellement des millions de participants suivis pendant des années.

Une étude cas-témoins sera généralement beaucoup plus efficace.

On commence directement par identifier les cas, puis on compare leurs expositions passées à celles de témoins.

La rareté de la maladie détermine donc fortement le choix méthodologique.

Si l’exposition est très rare

La situation inverse peut favoriser la cohorte.

Supposons que seuls quelques milliers de travailleurs aient été exposés à une substance industrielle particulière.

On peut identifier cette population et suivre son état de santé.

Chercher cette exposition rare rétrospectivement dans une immense population de cas et témoins peut être beaucoup moins efficace.

Une règle pratique est donc :

maladie rare → cas-témoins souvent efficace

exposition rare → cohorte souvent efficace.

Si l’on veut étudier plusieurs conséquences d’une même exposition

Une cohorte est particulièrement pratique.

Supposons que l’on suive des personnes exposées au tabac.

On peut étudier simultanément :

  • cancer du poumon ;
  • infarctus ;
  • AVC ;
  • maladies respiratoires ;
  • mortalité.

Une même exposition peut donc être reliée à plusieurs événements futurs.

Si l’on veut étudier plusieurs causes possibles d’une maladie rare

Le plan cas-témoins est particulièrement utile.

Pour une maladie rare, on peut comparer chez les cas et témoins :

  • profession ;
  • médicaments ;
  • habitudes ;
  • expositions environnementales ;
  • antécédents.

La même étude peut donc explorer plusieurs facteurs potentiellement associés à une maladie.

Si la question porte sur un traitement

Lorsqu’il est éthique et possible de randomiser, l’essai contrôlé randomisé est généralement le plan le plus puissant.

Supposons que l’on cherche à savoir si un médicament réduit les infarctus.

La randomisation permet de comparer des groupes qui, en moyenne, ne diffèrent pas systématiquement avant le traitement.

La différence de résultats peut donc être plus facilement attribuée à l’intervention.

Pourquoi ne pas simplement utiliser une cohorte ?

Supposons que les médecins prescrivent le nouveau médicament principalement aux patients les plus graves.

Dans une cohorte observationnelle, ces patients pourraient présenter davantage de décès.

On pourrait alors croire que le médicament est dangereux alors que les patients étaient simplement plus malades au départ.

La randomisation réduit fortement cette confusion par indication.

Si la randomisation individuelle est impossible

Certaines interventions agissent sur des groupes entiers.

Par exemple :

  • programme scolaire ;
  • nouvelle organisation hospitalière ;
  • politique de prévention dans une communauté.

On peut alors utiliser un essai randomisé en grappes.

L’unité randomisée devient l’école, l’hôpital ou le territoire.

Si l’on veut évaluer une politique publique

Il est généralement impossible de randomiser individuellement :

  • taxes ;
  • lois ;
  • règles de circulation ;
  • politiques environnementales.

On se tourne alors vers les études quasi expérimentales et les expériences naturelles.

On peut exploiter :

  • changement de loi ;
  • frontière administrative ;
  • seuil d’éligibilité ;
  • réforme appliquée dans une région mais pas une autre.

L’objectif reste de construire un contrefactuel crédible.

Si l’on veut connaître l’effet d’un événement déjà survenu

Les méthodes rétrospectives deviennent souvent indispensables.

Supposons qu’une exposition industrielle ait eu lieu entre 1970 et 1990.

On ne peut évidemment pas construire aujourd’hui un essai prospectif sur cette exposition.

On peut exploiter :

  • cohortes historiques ;
  • études cas-témoins ;
  • registres.

Le moment où la question est posée par rapport au phénomène étudié influence donc fortement le plan possible.

Si l’on veut détecter un événement indésirable très rare

Les essais randomisés sont souvent trop petits.

Supposons qu’un effet indésirable survienne chez une personne sur 100 000.

Un essai portant sur 5 000 patients peut facilement ne jamais l’observer.

Après la mise sur le marché, on utilise plutôt :

  • pharmacovigilance ;
  • grandes bases médico-administratives ;
  • cohortes portant sur des millions de personnes ;
  • études cas-témoins.

Les essais et la surveillance post-commercialisation répondent donc à des questions complémentaires.

Si l’on veut comprendre une maladie nouvelle

Lorsqu’un phénomène totalement nouveau apparaît, l’ordre des méthodes est souvent progressif.

On commence éventuellement par :

rapports de cas → séries de cas → surveillance → études analytiques → essais ou études causales plus robustes.

La connaissance ne naît généralement pas directement sous la forme d’un grand essai parfait.

Les premières observations servent à identifier les bonnes questions.

Une séquence typique de recherche

Imaginons une maladie inhabituelle.

Étape 1 — Signal

Plusieurs médecins observent des cas similaires.

Étape 2 — Description

On caractérise :

  • âge ;
  • symptômes ;
  • lieux ;
  • dates.

Étape 3 — Hypothèse

Une exposition semble commune.

Étape 4 — Étude cas-témoins

On compare cette exposition chez malades et témoins.

Étape 5 — Cohorte

Si possible, on suit des personnes exposées et non exposées.

Étape 6 — Mécanismes

Des études biologiques explorent comment l’exposition pourrait provoquer la maladie.

Étape 7 — Synthèse

Les différentes preuves sont combinées.

La connaissance causale se construit souvent ainsi par accumulation progressive.

Un tableau pratique

Question principalePlan souvent particulièrement adapté
Quelle est la fréquence actuelle ?Étude transversale
Combien de nouveaux cas apparaissent ?Cohorte
Où et quand survient le phénomène ?Étude descriptive
Quelle exposition est liée à une maladie rare ?Cas-témoins
Quels effets entraîne une exposition rare ?Cohorte
Un traitement fonctionne-t-il ?Essai randomisé
Une intervention collective fonctionne-t-elle ?Essai en grappes
Une politique publique fonctionne-t-elle ?Quasi-expérience / expérience naturelle
Que montrent toutes les études disponibles ?Revue systématique / méta-analyse

Ce tableau constitue une orientation, pas une règle absolue.

La meilleure étude théorique n’est pas toujours réalisable

On pourrait imaginer que toute question causale devrait être étudiée par essai randomisé.

Mais certaines expériences seraient :

  • immorales ;
  • techniquement impossibles ;
  • trop longues ;
  • trop coûteuses.

On ne randomisera jamais des personnes pendant trente ans entre :

tabagisme / absence de tabagisme.

L’impossibilité d’un essai ne signifie pas que l’on ne peut rien savoir.

Il faut utiliser d’autres méthodes.

L’éthique limite volontairement certaines expériences

L’épidémiologie ne peut pas volontairement exposer des personnes à des dangers sérieux pour obtenir une meilleure preuve.

On ne peut pas randomiser :

  • amiante ;
  • pollution toxique ;
  • privation de soins efficaces ;
  • exposition infectieuse dangereuse sans justification.

Pour certaines relations causales, les meilleures preuves possibles seront donc nécessairement observationnelles.

Une étude observationnelle peut produire une preuve causale très forte

Le lien entre tabagisme et cancer du poumon n’a pas été établi par un essai randomisé imposant le tabagisme.

Il repose sur une convergence de :

  • études cas-témoins ;
  • cohortes ;
  • relation dose-réponse ;
  • temporalité ;
  • mécanismes biologiques ;
  • diminution du risque après arrêt.

L’ensemble fournit une preuve causale extrêmement forte.

La causalité ne dépend donc pas uniquement de la présence d’une randomisation.

Les effets très importants sont plus difficiles à expliquer entièrement par de petits biais

Supposons qu’une exposition soit associée à un risque multiplié par vingt dans plusieurs études indépendantes et que la relation soit biologiquement cohérente.

Il faudrait un facteur de confusion extrêmement puissant pour expliquer entièrement une telle différence.

À l’inverse, une association de 1,05 est beaucoup plus facile à produire par :

  • faible biais ;
  • confusion résiduelle ;
  • erreur de mesure.

L’ampleur de l’effet compte donc également dans l’évaluation.

Une petite association peut néanmoins être réelle

Il ne faut pas conclure que seuls les effets importants sont crédibles.

Un facteur peut augmenter un risque de quelques pourcents et avoir un impact considérable s’il concerne des millions de personnes.

Mais démontrer causalement un petit effet observationnel demande souvent davantage de rigueur.

Question descriptive ou causale ?

Cette distinction est fondamentale.

Si la question est :

« les personnes prenant X présentent-elles davantage de maladies ? »

une cohorte observationnelle peut répondre correctement.

Si la question devient :

« X provoque-t-il ces maladies ? »

l’exigence méthodologique augmente.

Une même donnée peut donc être excellente pour une question descriptive et insuffisante pour une question causale.

Prédire n’est pas expliquer

Un autre objectif est parfois la prédiction.

Supposons qu’un modèle utilise :

  • âge ;
  • tension ;
  • cholestérol ;
  • antécédents.

Il peut prédire efficacement le risque cardiovasculaire sans que chaque variable soit directement causale.

Pour prévoir, une association stable peut suffire.

Pour intervenir causalement, il faut savoir si modifier la variable modifiera réellement le résultat.

Cette distinction entre prédiction et causalité est essentielle.

Exemple : cheveux blancs

Les cheveux blancs peuvent être associés à certaines maladies parce qu’ils reflètent l’âge.

Ils peuvent donc contribuer marginalement à un modèle prédictif.

Mais colorer les cheveux ne réduira évidemment pas le risque.

Un bon prédicteur n’est pas automatiquement une bonne cible thérapeutique.

Diagnostiquer est encore une autre question

Pour évaluer un test diagnostique, on ne cherche pas principalement le même type de causalité.

On compare le test à une référence et on mesure :

  • sensibilité ;
  • spécificité ;
  • valeurs prédictives.

Le plan doit être adapté à cette question spécifique.

Nous étudierons ces méthodes dans le chapitre consacré aux tests et au dépistage.

Pourquoi les grandes bases ne remplacent pas le bon plan

Supposons que l’on dispose de données sur 20 millions de personnes.

Si la question est mal conçue, la taille ne résout pas le problème.

Un groupe traité et un groupe non traité peuvent être profondément différents.

Avec 20 millions de participants, on obtiendra simplement une estimation très précise de cette différence biaisée.

Le design de l’étude reste souvent plus important que le nombre d’observations.

Pourquoi une petite étude peut parfois être très informative

À l’inverse, une situation créant une quasi-randomisation particulièrement nette peut fournir beaucoup d’information avec moins de personnes.

La qualité de la comparaison compte davantage que la quantité brute de données.

La question centrale n’est donc jamais simplement :

« Combien de participants ? »

mais :

« Pourquoi ces groupes peuvent-ils être comparés ? »

Validité interne et validité externe

Un plan d’étude peut être excellent pour déterminer un effet dans une population précise mais mauvais pour généraliser.

Un essai très contrôlé peut avoir une excellente validité interne mais exclure de nombreux patients.

Une grande cohorte réelle peut être plus représentative mais davantage exposée à la confusion.

Il existe donc souvent un compromis entre :

contrôle expérimental

et

proximité avec la vie réelle.

Les méthodes se complètent

Il est généralement préférable de ne pas attendre d’une seule méthode qu’elle fournisse toutes les réponses.

Supposons qu’un médicament soit étudié par :

  • essais randomisés pour l’efficacité ;
  • cohortes pour l’efficacité en vie réelle ;
  • pharmacovigilance pour les signaux rares ;
  • études cas-témoins pour certains effets indésirables ;
  • méta-analyses pour synthétiser les résultats.

Chaque méthode éclaire une dimension différente.

Triangulation des preuves

Lorsque différentes méthodes possédant des biais différents convergent vers la même conclusion, la confiance augmente.

C’est la triangulation.

Supposons qu’une association apparaisse dans :

  • cohorte ;
  • étude cas-témoins ;
  • expérience naturelle ;
  • mécanisme biologique.

Pour rejeter l’hypothèse causale, il faudrait parfois supposer que plusieurs biais distincts produisent tous artificiellement le même résultat.

La convergence méthodologique peut donc être extrêmement puissante.

Hiérarchie ou réseau de preuves ?

Les fameuses « pyramides des preuves » sont utiles pour rappeler que certains plans réduisent mieux certains biais.

Mais elles deviennent trompeuses lorsqu’elles font croire qu’une étude possède une qualité automatiquement déterminée par sa catégorie.

Il est souvent plus juste de considérer un réseau de preuves.

Une bonne synthèse demande :

  • quel type de question ?
  • quel plan ?
  • quelle qualité ?
  • quels biais ?
  • quelle cohérence avec les autres études ?

La hiérarchie n’est donc qu’un outil parmi d’autres.

Une mauvaise étude randomisée reste une mauvaise étude

Un essai randomisé peut être gravement compromis par :

  • randomisation mal réalisée ;
  • pertes de suivi massives ;
  • critère choisi après coup ;
  • mauvaise mesure ;
  • publication sélective.

Le mot randomisé ne suffit donc pas.

Une bonne étude observationnelle reste observationnelle

À l’inverse, il ne faut pas surcorriger.

Une cohorte parfaitement réalisée réduit beaucoup de biais mais ne bénéficie pas automatiquement de l’équilibre créé par une randomisation véritable.

Les forces et faiblesses du plan restent pertinentes.

Il faut éviter aussi bien le culte de la méthode que le relativisme où toutes les études seraient équivalentes.

La reproductibilité

Une conclusion devient plus crédible lorsqu’elle est retrouvée :

  • dans d’autres populations ;
  • par d’autres équipes ;
  • avec d’autres méthodes ;
  • à d’autres périodes.

Une étude impressionnante isolée mérite toujours davantage de prudence qu’un résultat régulièrement reproduit.

Les études négatives comptent aussi

Si dix études rigoureuses ne retrouvent pas un résultat spectaculaire annoncé par une petite étude initiale, cette information doit modifier notre jugement.

La science ne consiste pas à chercher uniquement les études confirmant l’hypothèse qui nous plaît.

La totalité des résultats pertinents doit être prise en compte.

Le contexte détermine aussi le niveau de preuve nécessaire

Le niveau de certitude exigé peut varier selon la décision.

Une intervention :

  • peu coûteuse ;
  • peu risquée ;
  • facilement réversible ;

peut parfois être raisonnable avec une preuve encore imparfaite.

Une intervention :

  • dangereuse ;
  • irréversible ;
  • très coûteuse ;

nécessite souvent des preuves plus solides.

La qualité scientifique de la preuve et le seuil de décision ne sont donc pas exactement la même chose.

Preuve et décision

Supposons qu’une intervention ait :

40 % de probabilité d’être bénéfique, très peu de risques et un faible coût.

Elle peut parfois être raisonnablement testée.

Une autre intervention avec le même niveau de preuve mais comportant un risque grave ne justifie pas nécessairement la même décision.

Cela introduit la distinction entre :

ce que les données permettent de croire

et

ce qu’il est raisonnable de faire.

Cette question sera développée dans le chapitre consacré aux décisions sous incertitude.

Comment lire rapidement le plan d’une étude

Lorsqu’on découvre un article, quelques questions permettent immédiatement de comprendre sa logique :

Qui a été étudié ?

Comment les participants ont-ils été sélectionnés ?

Quel était le point de départ : maladie ou exposition ?

Y avait-il un groupe de comparaison ?

L’exposition a-t-elle été attribuée ou simplement observée ?

Les participants ont-ils été suivis dans le temps ?

Quel résultat a été mesuré ?

Ces éléments permettent généralement d’identifier le plan.

Petite grille pratique

SituationQuestion utile
Étude transversaleExposition et maladie ont-elles été mesurées en même temps ?
Cas-témoinsLes témoins représentent-ils correctement la population source ?
CohorteLes groupes exposés et non exposés étaient-ils comparables ?
Essai randomiséLa randomisation et l’allocation ont-elles été correctement réalisées ?
Essai en grappesCombien de grappes ont réellement été randomisées ?
Quasi-expérienceLe contrefactuel est-il crédible ?
Expérience naturellePourquoi l’exposition diffère-t-elle entre les groupes ?
Méta-analyseQuelle est la qualité des études combinées ?

Cette grille permet déjà d’éviter une grande partie des interprétations naïves.

Il n’existe pas de méthode magique

Aucune méthode n’élimine :

  • toutes les erreurs ;
  • toute incertitude ;
  • toutes les difficultés de généralisation.

La science progresse justement parce que plusieurs approches permettent de confronter les résultats.

Une méthode robuste n’est pas celle qui promet la certitude, mais celle dont les limites sont suffisamment comprises pour que l’on sache ce que le résultat permet réellement de conclure.

Une leçon d’esprit critique

Face à une étude, la première réaction ne devrait pas être :

« Est-elle en haut ou en bas de la pyramide des preuves ? »

Il est plus utile de demander :

« Quelle question cherche-t-elle à résoudre et son plan est-il adapté à cette question ? »

Ensuite seulement viennent :

  • biais ;
  • précision ;
  • cohérence ;
  • réplication ;
  • convergence avec les autres données.

Une excellente méthode utilisée pour répondre à la mauvaise question reste une mauvaise réponse.

À retenir

Il n’existe pas un type d’étude supérieur à tous les autres dans toutes les situations.

Le choix dépend de la question.

Les études descriptives décrivent un phénomène.

Les études transversales mesurent efficacement la prévalence.

Les études cas-témoins sont particulièrement utiles pour les maladies rares.

Les cohortes permettent de suivre l’apparition des événements et sont adaptées aux expositions rares.

Les essais randomisés constituent un outil particulièrement puissant pour évaluer certaines interventions.

Les quasi-expériences et expériences naturelles permettent d’étudier des politiques ou expositions impossibles à randomiser.

Les revues systématiques et méta-analyses synthétisent l’ensemble des études disponibles.

La question fondamentale n’est donc jamais seulement :

« Quel est le type d’étude ? »

mais :

« Ce type d’étude est-il le bon outil pour répondre à cette question, et a-t-il été correctement utilisé ? »

Pour aller plus loin

Leon Gordis — Epidemiology. Une excellente introduction comparative aux principaux plans d’étude et à leurs usages respectifs.

Kenneth J. Rothman, Sander Greenland et Timothy L. Lash — Modern Epidemiology. Une référence approfondie pour comprendre la logique des plans d’étude, des biais et de l’inférence causale.

Cochrane Handbook for Systematic Reviews of Interventions. Une référence utile pour comprendre pourquoi l’évaluation de la preuve dépend à la fois du plan d’étude et de sa qualité réelle.

Geoffrey Rose — The Strategy of Preventive Medicine. Un texte important pour comprendre pourquoi les questions individuelles et populationnelles nécessitent parfois des stratégies méthodologiques différentes.