Les biais : sélection, classement, confusion

Il naît de la façon dont les sujets entrent dans l'étude (ou en sortent). Si les personnes analysées ne représentent pas la population visée, la comparaison est faussée avant même la première mesure.

Exemple original. On veut estimer la gravité d'une grippe saisonnière et l'on ne recrute que des patients hospitalisés. On conclut à une létalité de 8 %. Mais les formes bénignes, restées chez elles, ne sont jamais entrées dans l'étude : la sélection sur l'hospitalisation a mécaniquement gonflé la gravité apparente.

Autre visage fréquent : le biais de survie. On analyse les dossiers de patients « toujours suivis » à 5 ans dans un service ; ceux qui sont décédés ou perdus de vue ont disparu des données, ce qui embellit artificiellement le pronostic.

Ici les sujets sont bien choisis, mais mal mesurés : l'exposition ou la maladie est classée avec erreur. On l'appelle aussi biais d'information.

Cas typique en étude cas-témoins, le biais de mémorisation : une mère dont l'enfant est malade se remémore plus intensément ses prises de médicaments pendant la grossesse qu'une mère dont l'enfant va bien. L'exposition passée est donc mieux « déclarée » chez les cas que chez les témoins — un écart artificiel apparaît.

On distingue deux régimes :

• Erreur de classement non différentielle (identique dans les deux groupes) : elle tend à diluer l'association, à rapprocher la mesure de « pas d'effet ».
• Erreur de classement différentielle (inégale selon le groupe) : elle peut fabriquer une association qui n'existe pas, ou en masquer une réelle.

C'est le plus subtil. Un facteur de confusion est une variable liée à la fois à l'exposition étudiée et à la maladie, sans être sur le chemin causal entre les deux. Il crée une association trompeuse.

L'exemple d'école : le café semble associé au cancer du poumon. Faut-il incriminer le café ? Non : les gros buveurs de café fument davantage, et c'est le tabac qui cause le cancer. Le tabac est lié au café (habitudes communes) et à la maladie (cause réelle) : il confond la relation.

Un chiffre pour fixer les idées. Imaginons un risque de cancer de 20 pour 1 000 chez les buveurs de café contre 5 pour 1 000 chez les non-buveurs, soit un risque relatif brut de 4. Si l'on regarde à tabagisme égal — fumeurs entre eux, non-fumeurs entre eux — l'écart s'effondre à un risque relatif proche de 1 : l'association café–cancer n'était qu'une ombre projetée par le tabac.

Chaque famille appelle des parades, à deux moments : la conception de l'étude et l'analyse.

• Randomisation (à la conception). Tirer au sort l'attribution du traitement équilibre les groupes sur tous les facteurs de confusion — y compris ceux qu'on ne connaît pas. C'est l'arme décisive de l'essai contrôlé, et la seule qui neutralise l'inconnu.
• Appariement (à la conception). On associe à chaque cas un témoin de même âge, même sexe, même statut tabagique. On neutralise ainsi les facteurs choisis, mais seulement ceux-là.
• Ajustement statistique (à l'analyse). On mesure le facteur de confusion et on le neutralise par une analyse stratifiée ou un modèle multivarié (régression logistique en G-10, modèle de Cox en G-9). On ne peut ajuster que sur ce que l'on a mesuré.
• Contre le biais de classement : mesures standardisées, définitions objectives, évaluation en aveugle.
• Contre le biais de sélection : critères d'inclusion clairs, recrutement exhaustif, chasse aux perdus de vue.

Une étude peut échouer de deux manières indépendantes, et le remède n'est pas le même.

Une étude manquant de puissance (effectif trop faible, chapitre F-4) risque de ne pas détecter un effet réel : son intervalle de confiance est large, mais centré au bon endroit. Ajouter des patients règle le problème.

Une étude biaisée vise à côté de la cible : son intervalle de confiance peut être étroit et rassurant, tout en entourant une valeur fausse. Ajouter des patients ne fait qu'aggraver l'illusion de précision.

• Un biais est une erreur systématique ; il persiste et se renforce quand l'échantillon grandit, contrairement au hasard.
• Sélection : erreur d'entrée/sortie des sujets. Classement (information) : erreur de mesure de l'exposition ou de la maladie.
• Confusion : une tierce variable liée à l'exposition et à la maladie (café–cancer confondu par le tabac) fabrique une association trompeuse.
• Contrôle : randomisation (neutralise même l'inconnu), appariement et ajustement (seulement le connu et mesuré), mesures en aveugle, recrutement exhaustif.
• Biais ≠ manque de puissance : le premier décale la vérité, le second l'estime imprécisément. Plus de patients corrige le second, jamais le premier.