Triangulation des preuves

Aucune méthode épidémiologique n’est parfaite.

Un essai randomisé peut être trop court pour détecter un effet indésirable rare. Une cohorte peut souffrir de facteurs de confusion. Une étude cas-témoins peut être vulnérable au biais de mémorisation. Une expérience naturelle repose sur des hypothèses particulières.

La triangulation des preuves consiste à utiliser plusieurs approches différentes pour étudier la même hypothèse causale.

L’idée centrale est simple :

si des méthodes possédant des biais différents conduisent indépendamment vers la même conclusion, il devient plus difficile d’expliquer cette convergence par une seule erreur méthodologique.

Une métaphore géométrique

En navigation, on peut localiser une position en utilisant plusieurs directions provenant de points différents.

Chaque mesure peut être imparfaite.

Mais leur intersection permet d’estimer une position plus précisément.

En épidémiologie, on cherche de la même manière à approcher une relation causale depuis plusieurs angles.

Une étude isolée est rarement suffisante

Supposons qu’une cohorte trouve :

exposition X → risque de maladie multiplié par 1,8.

Ce résultat peut être intéressant.

Mais plusieurs explications alternatives restent possibles :

  • facteur de confusion ;
  • mauvaise mesure ;
  • sélection ;
  • hasard.

Une deuxième étude utilisant exactement la même méthode peut reproduire le résultat sans éliminer ces possibilités.

Réplication et triangulation ne sont pas exactement la même chose

La réplication cherche à reproduire un résultat.

La triangulation cherche à le tester avec des méthodes différentes.

Les deux sont complémentaires.

Par exemple :

  • cohorte A retrouve l’association ;
  • cohorte B la retrouve également.

C’est une réplication.

Mais si l’on ajoute :

  • étude cas-témoins ;
  • expérience naturelle ;
  • essai randomisé ;
  • mécanisme expérimental,

on commence véritablement à trianguler.

Pourquoi la diversité méthodologique compte

Supposons que toutes les cohortes souffrent d’un même facteur de confusion non mesuré.

Dix cohortes peuvent alors produire dix résultats similaires.

La répétition est rassurante, mais le biais commun reste possible.

Si un essai randomisé retrouve également l’effet, ce confondeur devient beaucoup moins plausible comme explication générale.

Les biais doivent être différents

La triangulation est particulièrement informative lorsque les méthodes ont des vulnérabilités indépendantes ou au moins différentes.

Par exemple :

Cohorte

Vulnérable à :

  • confusion ;
  • erreur de mesure.

Essai randomisé

Plus protégé contre la confusion initiale, mais peut souffrir de :

  • mauvaise observance ;
  • durée limitée ;
  • sélection des participants.

Expérience naturelle

Peut réduire certains confondeurs mais dépend :

  • de la validité de l’assignation naturelle ;
  • de l’absence d’autres changements simultanés.

La convergence devient informative précisément parce que les biais ne sont pas identiques.

Exemple conceptuel : exposition toxique

Supposons qu’une substance X soit soupçonnée d’augmenter le risque d’une maladie.

On dispose de :

  1. cohortes professionnelles montrant davantage de maladies chez les personnes les plus exposées ;
  2. études cas-témoins retrouvant davantage d’exposition passée chez les malades ;
  3. relation dose-réponse ;
  4. expériences animales montrant des lésions compatibles ;
  5. mécanisme cellulaire plausible ;
  6. diminution du risque après réduction de l’exposition.

Aucune pièce ne suffit forcément seule.

Mais l’ensemble construit un dossier causal beaucoup plus solide.

Le tabac comme exemple historique

La causalité entre tabagisme et cancer du poumon a été établie par convergence de nombreuses sources :

  • études cas-témoins ;
  • cohortes ;
  • relation dose-réponse ;
  • temporalité ;
  • diminution du risque après arrêt ;
  • données pathologiques et expérimentales.

Il n’existait pas d’essai randomisé imposant aux participants de fumer pendant plusieurs décennies.

La force de la preuve venait de la convergence.

Triangulation et hiérarchie des preuves

On représente parfois les preuves sous forme de pyramide :

cas cliniques → observationnel → essais randomisés → méta-analyses.

Cette représentation est utile comme simplification, mais elle peut devenir trompeuse.

La qualité de la preuve dépend aussi de :

  • la question ;
  • le design précis ;
  • les biais ;
  • la cohérence avec les autres données.

Une mauvaise méta-analyse de mauvaises études ne produit pas automatiquement une preuve supérieure.

Un réseau plutôt qu’une pyramide

Pour les questions causales complexes, il est souvent plus utile d’imaginer un réseau de preuves.

Chaque méthode éclaire une partie différente du problème.

Par exemple :

  • essai randomisé : efficacité à court terme ;
  • cohorte : effets rares et long terme ;
  • pharmacovigilance : détection de signaux ;
  • études mécanistiques : plausibilité biologique ;
  • expérience naturelle : effet populationnel.

La connaissance résulte de leur combinaison.

Triangulation et essais randomisés

L’essai randomisé est particulièrement puissant pour contrôler la confusion.

Mais il ne répond pas toujours à toutes les questions.

Un essai peut être :

  • trop petit pour un événement rare ;
  • trop court pour un cancer apparaissant vingt ans plus tard ;
  • impossible pour des raisons éthiques.

Les données observationnelles restent alors essentielles.

Exemple d'effet indésirable rare

Supposons qu’un essai inclue 10 000 personnes.

Un effet indésirable survient naturellement une fois pour 50 000.

L’essai peut être incapable de détecter une augmentation modérée du risque.

Après commercialisation, des millions de personnes sont exposées.

Les données de pharmacovigilance et les grandes bases observationnelles deviennent beaucoup plus informatives.

Les méthodes répondent à des questions différentes

Il ne faut donc pas attendre que toutes les études donnent exactement le même chiffre.

Un essai peut estimer :

effet biologique dans une population sélectionnée.

Une cohorte peut estimer :

effet dans la pratique réelle.

Les valeurs peuvent différer sans être contradictoires.

La triangulation cherche surtout une cohérence de direction et d’interprétation.

Exemple

Essai clinique :

RR = 0,70.

Étude en vie réelle :

RR ajusté = 0,80.

Ces chiffres ne sont pas identiques.

Mais ils peuvent raconter la même histoire :

l’intervention réduit probablement le risque, avec une efficacité plus faible dans les conditions réelles.

Discordance utile

La triangulation est également intéressante lorsque les résultats ne convergent pas.

Une discordance oblige à demander :

pourquoi cette méthode donne-t-elle une conclusion différente ?

Cela peut révéler :

  • biais ;
  • différence de population ;
  • modification de l’effet ;
  • mauvaise définition de l’exposition.

La contradiction n’est donc pas seulement un problème ; elle peut produire de la connaissance.

Exemple : observationnel favorable, essais négatifs

Supposons que plusieurs cohortes montrent qu’un traitement est associé à une mortalité plus faible.

Mais des essais randomisés ne trouvent aucun bénéfice.

Cela suggère fortement que les cohortes pouvaient être affectées par :

  • healthy user bias ;
  • confusion ;
  • sélection.

Les essais permettent alors de réinterpréter les observations antérieures.

Exemple classique conceptuel

Un comportement associé à un niveau socio-économique élevé peut sembler protecteur dans plusieurs études observationnelles.

Si un essai randomisé modifiant spécifiquement ce comportement ne reproduit pas le bénéfice, l’effet observationnel initial peut être largement confondu.

C’est précisément la valeur de méthodes aux biais différents.

L’inverse peut aussi arriver

Supposons qu’un essai ne détecte aucun effet.

Mais :

  • il est très court ;
  • l’événement étudié apparaît après dix ans.

Une cohorte de longue durée peut alors être plus informative sur cette question particulière.

La hiérarchie des preuves doit toujours être reliée à la question.

Triangulation et causalité génétique

La génétique peut fournir une autre source de variation.

Supposons qu’un biomarqueur soit associé observationnellement à une maladie.

On peut ajouter :

  • données génétiques ;
  • essais pharmacologiques ;
  • études mécanistiques.

Si ces sources convergent, l’hypothèse causale devient plus forte.

Randomisation mendélienne

La randomisation mendélienne utilise certains variants génétiques comme instruments.

Elle peut parfois réduire :

  • causalité inverse ;
  • certains facteurs de confusion.

Si :

biomarqueur élevé observé → maladie

et

variants augmentant le biomarqueur → maladie

la causalité devient plus plausible, sous réserve des hypothèses de l’instrument.

Mais la randomisation mendélienne possède ses propres biais

Elle peut être affectée par :

  • pléiotropie ;
  • sélection ;
  • faibles instruments ;
  • structure de population.

Elle ne remplace donc pas les autres méthodes.

Sa valeur vient justement de sa place dans une stratégie de triangulation.

Negative controls

Les contrôles négatifs constituent une autre source de preuve.

Supposons qu’une exposition soit supposée provoquer Y mais ne devrait pas provoquer Z.

Si l’exposition apparaît pourtant associée aussi à Z, cela peut signaler :

  • confusion ;
  • biais de sélection.

Un contrôle négatif permet ainsi de tester indirectement certaines explications alternatives.

Exemple conceptuel

On étudie l’effet d’un médicament sur une maladie cardiovasculaire.

Après ajustement, le médicament semble réduire fortement :

  • infarctus ;
  • fractures ;
  • infections ;
  • accidents.

Une protection universelle devient biologiquement suspecte.

Un healthy user bias peut être plus plausible.

Exposition négative

On peut aussi utiliser une exposition située à un moment où elle ne peut pas causalement produire le résultat.

Si elle reste associée, cela peut révéler :

  • confusion ;
  • causalité inverse.

Les contrôles négatifs ne prouvent pas automatiquement le biais, mais ils fournissent un diagnostic utile.

Triangulation temporelle

On peut également comparer plusieurs temporalités.

Supposons qu’une exposition provoque une maladie après une latence attendue de plusieurs années.

On peut examiner :

  • exposition récente ;
  • ancienne ;
  • cumulée.

Si les associations suivent le schéma temporel attendu, la causalité devient plus plausible.

Exemple

Une exposition cancérogène supposée agir après vingt ans devrait difficilement provoquer une explosion de cancers deux semaines après l’exposition.

Une temporalité incompatible fragilise l’interprétation.

À l’inverse, une latence cohérente avec le mécanisme soutient l’hypothèse.

Triangulation par dose

Une autre approche consiste à comparer :

  • faible exposition ;
  • exposition intermédiaire ;
  • forte exposition.

Une relation dose-réponse cohérente peut renforcer le dossier.

Mais elle doit être combinée à d’autres preuves, car un facteur de confusion peut aussi présenter un gradient.

Triangulation entre populations

Une relation peut être étudiée chez :

  • hommes ;
  • femmes ;
  • différents pays ;
  • professions différentes.

La réplication dans des contextes variés renforce la généralisation.

Mais il faut aussi comprendre pourquoi l’effet pourrait varier.

L’hétérogénéité n’est pas forcément une contradiction

Supposons que l’effet soit plus fort chez les personnes âgées.

Si l’âge modifie biologiquement l’effet, cette hétérogénéité est cohérente.

La triangulation ne demande donc pas :

« toutes les études doivent-elles donner exactement la même chose ? »

mais :

« leurs différences sont-elles explicables par leurs populations, méthodes et contextes ? »

Triangulation mécanistique

On peut associer :

  • données populationnelles ;
  • expérimentation animale ;
  • biologie cellulaire ;
  • physiologie.

Chaque niveau répond à des questions différentes.

Les études mécanistiques peuvent expliquer comment l’effet se produit.

L’épidémiologie montre s’il se manifeste réellement dans les populations humaines.

Le mécanisme ne remplace pas le résultat clinique

Supposons qu’un traitement réduise fortement une molécule considérée comme pathogène.

Cela soutient un mécanisme.

Mais seul un résultat clinique peut montrer si cette modification améliore réellement la santé.

La triangulation empêche de transformer un mécanisme intermédiaire en conclusion clinique trop rapide.

Triangulation et modèles animaux

Les études animales permettent :

  • contrôle expérimental ;
  • manipulation directe ;
  • analyses biologiques détaillées.

Mais la transposition à l’être humain peut être imparfaite.

Une convergence avec les données humaines est donc plus convaincante qu’une preuve animale isolée.

Preuves écologiques

Les études écologiques peuvent également contribuer.

Supposons qu’après une forte réduction nationale d’une exposition, l’incidence d’une maladie diminue progressivement comme prévu.

Cela peut renforcer un dossier.

Mais les changements simultanés doivent être pris en compte.

La preuve écologique est une pièce parmi d’autres.

Expériences naturelles

Une politique publique, un changement de réglementation ou une variation externe peut fournir une expérience naturelle.

Si le résultat évolue après une variation indépendante de l’exposition, cela peut aider à départager causalité et confusion.

Exemple conceptuel

Des régions adoptent une réglementation à des moments différents.

On compare leurs trajectoires avant et après.

Si l’évolution est cohérente dans plusieurs configurations et méthodes, la confiance augmente.

Triangulation analytique

On peut aussi appliquer plusieurs stratégies analytiques aux mêmes données :

  • régression ;
  • appariement ;
  • pondération ;
  • analyses de sensibilité.

Si les résultats sont proches malgré différentes spécifications plausibles, ils sont moins dépendants d’un choix analytique unique.

Mais ce n’est pas la triangulation la plus forte

Toutes ces méthodes utilisent la même population et souvent les mêmes variables.

Elles peuvent donc partager :

  • même confondeur non mesuré ;
  • même erreur de mesure ;
  • même sélection.

La convergence analytique est rassurante, mais moins forte que la convergence de designs véritablement indépendants.

Même base ≠ preuve indépendante

Dix articles utilisant la même base administrative ne représentent pas nécessairement dix preuves indépendantes.

Ils peuvent reproduire :

  • les mêmes erreurs de codage ;
  • les mêmes données manquantes ;
  • les mêmes limites de sélection.

Il faut examiner les sources de données.

Même équipe ≠ problème en soi

Une même équipe peut produire d’excellentes réplications.

Mais la réplication par d’autres équipes réduit le risque que :

  • choix méthodologiques ;
  • hypothèses implicites ;
  • erreurs de programmation

soient reproduits systématiquement.

L’indépendance scientifique possède donc une valeur supplémentaire.

Pré-enregistrement et triangulation

Une étude pré-enregistrée testant une hypothèse produite auparavant par une analyse exploratoire constitue une triangulation temporelle intéressante :

découverte exploratoire → test confirmatoire.

La seconde étude n’est plus influencée par le même processus de découverte.

Triangulation et publication sélective

Une convergence apparente peut être artificielle si seules les études concordantes sont publiées.

Supposons :

  • 20 études réalisées ;
  • 6 positives publiées ;
  • 14 négatives invisibles.

La littérature visible semble converger.

Le biais de publication peut fabriquer une fausse triangulation.

Revues systématiques

Les revues systématiques sont importantes pour reconstruire l’ensemble des preuves.

Elles cherchent à identifier :

  • études positives ;
  • négatives ;
  • différentes méthodologies.

Une synthèse causale sérieuse doit examiner la diversité des designs, pas seulement calculer une moyenne.

Méta-analyse et triangulation

Une méta-analyse combine quantitativement des estimations comparables.

La triangulation peut aller plus loin en intégrant des preuves qui ne sont pas nécessairement combinables dans un seul chiffre.

Par exemple :

  • RCT ;
  • cohortes ;
  • pharmacovigilance ;
  • expériences animales.

Il n’est pas toujours souhaitable de les mélanger statistiquement.

Synthèse narrative structurée

Certaines questions nécessitent donc une synthèse raisonnée :

quelles méthodes existent ?

quels biais chacune pourrait-elle produire ?

dans quelle direction ?

les résultats convergent-ils malgré ces différences ?

Cette approche est particulièrement utile pour les causalités complexes.

La direction attendue des biais

Une triangulation rigoureuse ne se contente pas de dire :

« plusieurs études sont positives ».

Elle demande :

« quels biais affectent chaque méthode, et dans quelle direction devraient-ils pousser l’estimation ? »

C’est une étape très importante.

Exemple

Supposons :

Étude A

Un biais probable tend à surestimer l’effet.

Étude B

Un autre biais probable tend à sous-estimer l’effet.

Si les deux montrent malgré tout un effet dans la même direction, la convergence devient particulièrement intéressante.

Triangulation intentionnelle

L’idéal est de choisir les méthodes précisément parce que leurs biais sont différents.

On ne cherche pas simplement davantage d’études.

On cherche des études capables de mettre à l’épreuve des explications alternatives spécifiques.

Exemple de programme de recherche

Hypothèse :

X cause Y.

On peut concevoir :

  1. cohorte pour établir temporalité et dose-réponse ;
  2. expérience naturelle pour réduire la confusion ;
  3. mécanisme expérimental pour tester plausibilité ;
  4. réplication dans une population différente.

Chaque étude répond à une faiblesse de la précédente.

Une causalité devient robuste aux critiques

La force du dossier augmente si chaque explication alternative nécessite une histoire différente.

Supposons que pour nier l’effet, il faille dire :

  • la cohorte est confondue ;
  • l’expérience naturelle est invalide ;
  • l’essai est dû au hasard ;
  • le mécanisme expérimental est sans rapport ;
  • la dose-réponse est artificielle.

À mesure que les preuves indépendantes convergent, cette accumulation d’explications devient moins parcimonieuse.

Mais la convergence n’est jamais une preuve logique absolue

Plusieurs méthodes peuvent malgré tout partager une erreur profonde.

Par exemple, toutes peuvent reposer sur :

  • mauvaise définition de la maladie ;
  • hypothèse biologique fausse ;
  • exposition mal classée.

La triangulation augmente le degré de confiance ; elle ne crée pas une certitude métaphysique.

Le rôle des hypothèses

Chaque méthode possède ses propres hypothèses.

Une bonne synthèse causale devrait expliciter :

  • ce qui doit être vrai pour chaque résultat ;
  • quelles hypothèses sont partagées ;
  • lesquelles sont indépendantes.

Plus les preuves reposent sur des hypothèses différentes, plus leur convergence est informative.

Triangulation et cohérence bayésienne

On peut interpréter intuitivement cette démarche en termes bayésiens.

Une première étude augmente notre probabilité qu’une hypothèse soit vraie.

Une deuxième preuve indépendante allant dans le même sens l’augmente encore.

La quantité exacte dépend :

  • de la qualité de chaque preuve ;
  • de son indépendance ;
  • de sa compatibilité avec les hypothèses alternatives.

La triangulation est donc une forme de mise à jour cumulative de la confiance.

Une étude spectaculaire n’est pas toujours supérieure

Supposons :

Étude A

RR = 4,0 dans une petite étude fragile.

Études B, C, D et E

RR entre 1,25 et 1,40 avec plusieurs méthodes robustes.

La convergence modeste des secondes peut être beaucoup plus convaincante que le résultat spectaculaire de la première.

La force d’une preuve ne se mesure pas uniquement à l’ampleur de l’effet.

Concordance parfaite peut être suspecte

Si toutes les études donnent presque exactement le même chiffre malgré :

  • populations différentes ;
  • méthodes différentes ;
  • périodes différentes,

cela peut parfois sembler étonnant.

Les effets réels varient souvent légèrement.

Une certaine hétérogénéité est normale.

La science cherche une cohérence raisonnable, pas l’uniformité

Par exemple :

  • RR 0,72 ;
  • RR 0,81 ;
  • RR 0,76.

Ces différences peuvent être parfaitement compatibles avec un même effet général.

Exiger une identité exacte serait irréaliste.

Triangulation et décisions

En santé publique, on doit souvent décider avant d’obtenir une preuve parfaite.

La triangulation aide à déterminer si :

  • plusieurs sources indépendantes convergent ;
  • les principales explications alternatives deviennent peu plausibles.

Une décision peut alors être justifiée avec un degré élevé, mais non absolu, de confiance.

Exemple de risque rare grave

Supposons qu’un signal de sécurité apparaisse :

  1. pharmacovigilance : cas inhabituels ;
  2. base populationnelle : incidence plus élevée après exposition ;
  3. temporalité compatible ;
  4. mécanisme immunologique plausible ;
  5. résultat retrouvé dans plusieurs pays.

Chaque preuve est imparfaite.

Ensemble, elles peuvent justifier une conclusion causale suffisamment solide pour adapter les recommandations.

Triangulation et pharmacovigilance

La pharmacovigilance illustre particulièrement bien ce processus.

Un signal spontané seul ne mesure généralement pas le risque.

Il peut déclencher :

  • étude cas-témoins ;
  • cohorte ;
  • analyse observed-versus-expected ;
  • investigation biologique.

Le passage du signal à la causalité repose sur la convergence de plusieurs méthodes.

Triangulation et désinformation

Les débats publics sélectionnent parfois une seule étude compatible avec une conclusion préexistante.

Une personne peut dire :

« cette étude prouve que… »

en ignorant vingt autres sources.

Le raisonnement scientifique cherche au contraire à replacer chaque résultat dans l’ensemble du réseau de preuves.

Cherry-picking méthodologique

Il est possible de préférer systématiquement :

  • les essais lorsque leur résultat nous arrange ;
  • puis les cohortes lorsqu’ils ne nous arrangent plus.

C’est incohérent.

Les mêmes critères méthodologiques doivent être appliqués quelle que soit la conclusion.

La triangulation protège contre le raisonnement motivé

Une stratégie utile consiste à demander :

« Quelles preuves accepterais-je si elles allaient dans la direction opposée ? »

Puis rechercher des méthodes indépendantes.

Cela réduit le risque de sélectionner uniquement les éléments confirmant nos attentes.

Exemple de conclusion prudente

Au lieu de dire :

« l’étude X démontre que l’exposition cause Y »,

une conclusion plus solide peut être :

« l’association est retrouvée dans plusieurs cohortes, une expérience naturelle va dans le même sens, la temporalité et le mécanisme sont cohérents, et aucun facteur de confusion plausible ne semble expliquer l’ensemble des résultats. Une relation causale est donc fortement soutenue. »

La causalité vient de l’ensemble du dossier.

Triangulation et consensus scientifique

Un consensus scientifique robuste ne signifie pas que tous les scientifiques ont la même opinion par conformité.

Il peut émerger parce que :

  • de nombreuses méthodes ;
  • nombreuses équipes ;
  • nombreuses données

convergent progressivement vers la même explication.

Le consensus est alors la conséquence d’un réseau de contraintes empiriques.

Consensus provisoire

Ce consensus reste néanmoins révisable.

Une nouvelle méthode peut révéler :

  • biais partagé ;
  • mauvaise hypothèse ;
  • nouvelle interaction.

La force scientifique vient précisément de cette possibilité de révision.

Révision ne signifie pas échec

Si une nouvelle méthode plus robuste conduit à modifier une conclusion antérieure, cela montre le fonctionnement normal de la triangulation.

Les preuves plus discriminantes reçoivent progressivement davantage de poids.

La connaissance scientifique s’affine.

Exemple schématique

On peut représenter une enquête causale :

Association observationnelle

↓

Réplication

↓

Contrôle de la confusion

↓

Expérience naturelle

↓

Mécanisme

↓

Intervention

↓

Convergence

Il ne s’agit pas d’une séquence obligatoire.

Différents chemins peuvent construire la preuve.

La triangulation n’exige pas toutes les méthodes possibles

Pour certaines questions, trois sources solides suffisent à produire une forte confiance.

Pour d’autres, l’incertitude reste importante malgré des dizaines d’études.

Tout dépend :

  • qualité ;
  • indépendance ;
  • discriminabilité entre hypothèses.

Le nombre brut d’études est secondaire.

Questions pratiques

Lorsqu’on évalue un dossier causal, on peut demander :

Quelles méthodes différentes soutiennent la conclusion ?

Ont-elles les mêmes biais ?

Les données proviennent-elles réellement de populations indépendantes ?

Existe-t-il des résultats discordants ?

Sont-ils expliqués ou simplement ignorés ?

Existe-t-il une méthode susceptible de départager les hypothèses concurrentes ?

Ces questions donnent une vision beaucoup plus riche que :

« quelle étude est au sommet de la pyramide ? »

Une matrice de triangulation

On peut résumer conceptuellement :

MéthodeForce principaleLimite principale
CohorteTemporalité, incidenceConfusion
Cas-témoinsMaladies raresSélection, mémorisation
Essai randomiséContrôle de la confusionCoût, durée, généralisation
Expérience naturelleVariation quasi externeHypothèses d’identification
PharmacovigilanceDétection de signaux raresPas de dénominateur causal simple
Études mécanistiquesCompréhension biologiqueTransposition clinique
Données génétiquesCertaines causalités longuesHypothèses instrumentales

Une conclusion est particulièrement convaincante lorsque plusieurs lignes indépendantes convergent.

Quand la triangulation échoue

Supposons :

  • cohortes positives ;
  • essais négatifs ;
  • mécanisme incertain ;
  • aucune dose-réponse ;
  • forte possibilité de confusion.

Dans ce cas, il serait excessif de parler de causalité établie.

Le bon résultat de la triangulation peut être :

« les preuves restent contradictoires ».

L’incertitude est une conclusion légitime

Une méthode scientifique rigoureuse ne doit pas toujours aboutir à :

oui

ou

non.

Elle peut conclure :

probable

possible

peu probable

insuffisamment démontré.

La triangulation sert aussi à quantifier qualitativement cette confiance.

Une leçon d’esprit critique

Lorsqu’une étude est utilisée pour défendre une affirmation importante, demandez :

Que disent les autres méthodes ?

Existe-t-il une réplication indépendante ?

Les mêmes biais pourraient-ils expliquer tous les résultats ?

Des méthodes moins vulnérables à ces biais vont-elles dans le même sens ?

Les résultats opposés ont-ils été pris en compte ?

Le mécanisme, la temporalité et l’intervention convergent-ils ?

Une preuve scientifique forte est rarement un article spectaculaire isolé.

Elle ressemble davantage à un ensemble de contraintes indépendantes qui finissent par pointer vers la même explication.

À retenir

La triangulation des preuves consiste à étudier une même hypothèse à l’aide de plusieurs méthodes dont les biais et hypothèses diffèrent.

Sa force ne vient pas simplement du nombre d’études, mais de leur diversité méthodologique et de leur indépendance.

Une convergence entre :

  • observation ;
  • expérimentation ;
  • quasi-expérimentation ;
  • mécanismes ;
  • données génétiques ;
  • temporalité ;
  • réplications

rend une explication causale progressivement plus crédible.

La triangulation ne remplace pas l’analyse critique de chaque étude.

Elle ajoute une question supplémentaire :

« Une même erreur pourrait-elle raisonnablement produire tous ces résultats ? »

Lorsque la réponse devient de moins en moins plausible, la confiance causale augmente.

Le principe fondamental est donc :

les méthodes scientifiques sont souvent plus fortes ensemble précisément parce qu’elles ne se trompent pas de la même manière.

Pour aller plus loin

George Davey Smith et collaborateurs — travaux sur la triangulation en épidémiologie. Ils ont particulièrement développé l’idée d’utiliser des approches possédant des structures de biais différentes pour renforcer l’inférence causale.

Miguel Hernán et James Robins — Causal Inference: What If. Une référence importante pour comprendre les hypothèses propres aux différentes stratégies causales.

Kenneth J. Rothman, Sander Greenland et Timothy L. Lash — Modern Epidemiology. Une référence centrale pour évaluer la diversité des biais et des designs épidémiologiques.

Austin Bradford Hill — « The Environment and Disease: Association or Causation? » Un texte historique montrant déjà l’importance de la convergence entre différents types d’arguments dans l’évaluation d’une relation causale.