Contrôle de la confusion 107!

La confusion est une erreur systématique que les investigateurs visent à enlever d’une étude. Différentes méthodes générales peuvent servir à prévenir la confusion au moment de la conception de l’étude. D’autres méthodes permettent de minimiser l’effet de la variable confondante voire d’éliminer son effet, au moment de l’analyse.

1.6.5.1. Prévention de la confusion

Deux méthodes peuvent être utilisées pour prévenir la confusion : la randomisation et la restriction.

1.6.5.1.1. La randomisation

Dans un devis d’études expérimentales, un investigateur peut assigner l’exposition à l’étude d’une manière aléatoire au sujet d’étude. Ce processus aléatoire comporte de nombreux avantages puissants. Avec une population d’étude suffisamment large, la randomisation produit des groupes d’étude qui ont une distribution similaire de toutes les caractéristiques. Ceci permet donc d’équilibrer entre les groupes les facteurs confondants connus. D’une manière encore plus importante, ce processus aléatoire permet aussi d’assurer une distribution équitable entre les groupes des facteurs de confusion qui ne sont pas connus. Ainsi, même les facteurs de risque de confusion qui ne sont pas encore connus ne confondront pas un essai randomisé si la taille échantillonnale de l’étude est suffisamment grande pour équilibrer ces facteurs. Le corollaire de ceci est que la randomisation ne garantit pas l’absence complète de confusion : un processus aléatoire peut

encore mener à des différences entre les groupes. Ceci survient lorsque les tailles échantillonnales sont petites.

1.6.5.1.2. La restriction

Contrairement à la randomisation, la restriction ne peut pas contrôler pour des facteurs de confusion inconnus. Il est possible de prévenir la confusion par des facteurs connus en restreignant la population d’étude. L’exemple classique est une étude de la consommation d’alcool et le cancer de la gorge. Le tabagisme est clairement une variable confondante et peut être éliminé de l’étude. On peut confiner l’étude aux non-fumeurs ce qui élimine donc l’effet confondant du tabagisme. Il est impossible, toutefois, d’étudier des effets interactifs de cette manière.

Le processus de restriction peut même être utilisé dans des expériences en addition au processus aléatoire pour augmenter le degré de certitude que certains facteurs de confusion ne surviennent pas. Par exemple, des expériences de laboratoire sur des animaux seront souvent conduites sur des souris provenant d’une seule lignée. Cette lignée pourra avoir le même génotype, le même âge et souvent le même sexe si on pense que ça peut être une variable importante.

L’objectif ultime de ceci est d’atteindre un niveau de certitude élevé quant à la validité interne de l’étude. En effet, une école de pensée insiste sur le processus d’inférence scientifique. Ceci demeure le processus le plus important : moins il y a de confusion, plus l’inférence scientifique peut être certaine. Ainsi, la restriction augmente l’habilité de conduire ce processus d’inférence en épidémiologie, d’une manière un peu similaire à ceux qui travaillent sur des animaux de laboratoire.

Ceci peut paraître en opposition au principe de représentativité de l’échantillon d’étude. Ce principe voudrait baser une étude sur une population qui représente la population cible d’intérêt. Lorsqu’un chercheur définit sa population d’étude avec le seul objectif qu’elle soit représentative de la population en général, afin qu’il puisse généraliser

ses conclusions à une population plus large, il peut, en contrepartie, diminuer la validité interne de son étude. C’est-à-dire qu’il peut miner capacité d’arriver à une conclusion vraie à propos du concept sous-jacent à l’association observée. Ceci représente l’inférence scientifique.

1.6.5.2. Contrôle de la confusion au moment de l’analyse

Différentes méthodes d’analyses de données collectées existent pour corriger les biais reliés au facteur de confusion. Ils seront survolés dans cette section.

1.6.5.2.1. La standardisation

La standardisation permet d’éliminer, dans la mesure du possible, l’effet de variables connues et mesurées tel que l’âge, le sexe ou autres.

Le processus de standardisation directe utilise la distribution d’une variable dans une population de référence. On choisit, d’une manière arbitraire, une population de référence pour laquelle on pondère la proportion de classe de facteurs. Par exemple, on peut pondérer la distribution d’âge. Il suffit de mesurer les taux spécifiques dans chaque catégorie d’âge et d’appliquer le facteur de pondération commun aux deux populations d’étude de manière à rendre comparable les taux entre chacune des populations. Pour l’âge, on appellera donc le taux global âge standardisé ou âge ajusté.

Le processus de standardisation indirecte applique les taux spécifiques à chacun des stratèmes de la variable confondante à la distribution de la population cible de manière à calculer le nombre attendu de l’issu à l’étude. On peut ensuite calculer le ratio de décès observé et le comparer au nombre de décès attendus suite au processus de standardisation indirecte. On peut donc calculer des ratios de mortalité standardisés si l’issu est la mortalité. Sinon on appelle ce ratio le ratio standardisé de morbidité.

La stratification permet d’explorer l’effet d’une variable par strate d’une autre variable. Elle permet de quantifier l’effet différentiel de la variable stratifiante sur le taux global. Ceci illustre comment la variable de stratification est confondante. Il est ensuite possible de grouper les résultats du processus de stratification en un résultat global pondéré d’une manière similaire au processus de standardisation. La technique la plus répandue de mesure de pondération a été établie par les travaux de Mantel et Haenzel.

Ce processus de stratification est facile à décrire et très intuitif. Toutefois, il comporte certaines limites : de stratifier sur plusieurs facteurs confondants à la fois peut être problématique puisque chacune des strates peut éventuellement devenir trop petites pour être comparables. Parfois le processus de sous-stratification peut mener à une perte d’information lorsque des catégories de sous-stratification se retrouvent sans sujet exposé ou sans issue.

Le processus de stratification implique une catégorisation des variables. Ceci est intéressant pour illustrer le fait mais ignore que certaines variables peuvent être mieux mesurées d’une manière continue. Ceci mène au concept de confusion résiduelle.

Le processus ayant pour objectif de contrôler l’influence d’une variable confondante peut être incomplet dans la mesure où cette variable n’a pas été catégorisée ou modélisée d’une manière à ce qu’elle capture complètement la nature de sa relation avec la maladie ou avec l’exposition. Aussi, une variable peut ne pas avoir été mesurée assez précisément pour quantifier son effet. En général, toutefois, des erreurs de mesures non différentielles d’une variable confondante peuvent mener à une mesure plus près de l’effet nul. On peut donc penser que l’association réelle sera généralement identique ou plus grande que celle qui est mesurée en ce qui a trait à la variable de confusion.