L'analyse statistique : des indices à prendre en compte

   La statistique n'est pas une accumulation de chiffres mais plutôt un mode de pensée [1], et comme tout mode de pensée, celle-ci doit être explicitée afin de mieux l'appréhender. Les statistiques possèdent toute sa place dans le domaine des sciences de la santé, surtout dans une logique de pratique basée sur les preuves.

   Depuis les années 1960, les études scientifiques utilisent presque exclusivement la p-value, mais elle fait l’objet d’une méconnaissance et d’une mauvaise utilisation [2]. Les erreurs fréquentes de définition de la p-value ainsi que sa dépendance à la taille de l'échantillon fragilisent et remettent en question son utilisation au sein de la logique statistique fréquentiste.

   La p-value est la probabilité qui quantifie le désaccord observé entre la thérapeutique utilisée et l’hypothèse nulle, de ce fait le choix d’une hypothèse par rapport à une autre se fait grâce à la p-value. Il convient d’appeler une différence statistique significative tout différence qui a, au minimum, 5 chances sur 100 de se produire simplement par hasard [3]. Le seuil de la signification statistique est fixé historiquement à 5%, celui-ci peut être plus restrictif en fonction des études et correspond au risque d’erreur α [3]. De ce fait une p-value inférieure à 5% rejette l’H0 et l’hypothèse alternative est plus probable.

   La p-value ne renseigne pas sur l’importance de la différence. En ce sens il n’y a pas de différence hautement significative ou de résultats significativement élevé, mais plutôt des petites p-values concluant à une différence significative ou des résultats significativement différents entre deux échantillons. C'est toute la différence entre des p-value de 0,04 et 0,003 [4]. Il est indispensable de connaître la valeur exacte de cette p-value afin de désacraliser ce seuil de p<0,05 [2,4]. Une p-value non significative ne prouve pas que l'étude soit sans résultat, sachant que la p-value est dépendante de la taille de l'échantillon, il vous sera difficile de trouver une différence statistiquement significative avec des groupes de petites tailles. Il faut toujours garder en tête que « the absence of evidence is not evidence of absence » [5]

 

   Lorsqu'une p-value est égale à 0,048 ou à 0,052, quelle décision prendre quand les valeurs sont proches d'une significativité statistique ? L’intervalle de confiance (IC) complète la p-value en donnant une information sur l’ensemble des valeurs compatibles avec une moyenne ou une proportion. L’IC95% est le plus cité dans les études, cet IC est alors une fourchette de valeurs qui possède 95% de chances de contenir la vraie moyenne ou proportion [6]. En fonction de la limite clinique et des valeurs statistiquement significatives que vous avez fixées, l'IC contient valeurs qui sont cliniquement importante. Concrètement, lorsque la différence entre 2 thérapeutique n'est pas statistiquement significative, l'amplitude de l'IC contient la valeur zéro [6]. Plus l’écart entre la valeur retrouvée et les bornes supérieures et inférieures de l’IC95% est faible, plus votre résultat est précis. Cette précision est dépendante du nombre de sujet présent dans l'échantillon, plus l'échantillon est important plus cette précision augmente.

.

   La p-value détermine donc la probabilité existante que l'effet observé soit seulement du à la chance et l’IC indique l'écart des valeurs pour le réel effet dans une population. Cet IC est au cœur de la pratique basée sur des résultats précis en rapport avec la pratique et modère la portée des résultats de l’étude [7].

Au lieu d'annoncer que l'effet de votre prise en charge est statistiquement significatif, préférez l'annonce de vos résultats en y intégrant l'IC : Le renforcement musculaire en excentrique a augmenté la force de 41 N.m en moyenne, de 123 à 164 N.m (IC95% = 27 à 55 N.m, p=0,007). Bien que de plus en plus recommandée par les différentes revues scientifiques, l'utilisation de l'IC peine à trouver sa place dans l'interprétation des résultats au sein des études cliniques [8].

   Énoncées en début d'article, des différences significatives sont retrouvées parce que la taille de l'échantillon est tout simplement grande. L'analyse de la puissance statistique (PS) et de la taille de l'effet (TE) permet de relativiser l'importance des tests d'hypothèses et donc de l'interprétation de la significativité statistique. Bien que ces termes commencent à être de plus en plus intégrés dans les articles scientifiques, il est encore rare de voir des discussions autour de la TE et de la PS [9].

 

   La TE supplémente les tests d'hypothèses en donnant une indication sur la présence du phénomène dans une population via les valeurs de la distribution. De ce fait, plus la TE sera grande, plus l'écart avec l'H0 sera important et inversement. L'oubli de traiter et d'interpréter les TE des différentes études engendre des interprétations contradictoires entre diverses études portant sur le même thème. Pour les échantillons de petites tailles il faut des différences importantes pour retrouver une p-value inférieure à 0,05. Même si la TE donne une signification aux écarts retrouvés, celle-ci reste tout de même dépendante à la taille de l'échantillon [9].

   La PS d’un test d’hypothèses est la probabilité qu’il rejette H0 lorsque H0 est fausse, elle est souvent annotée 1-β. C'est donc sa capacité à déceler une différence significative quand il y en a réellement une [3]. La PS d’un test peut être comparée à celle d’une loupe : si un signe est perçu, son existence peut être affirmée. Dans le cas contraire, ceci ne veut pas dire que ce signe n’existe pas, mais peut être serait-il perceptible avec une loupe plus puissante [1]. Celle-ci dépend principalement de trois paramètres : le seuil de signification, la taille de l’échantillon et la taille de l’effet. Ainsi, quand le seuil de signification est grand et que la taille de l'échantillon est important, la TE et la PS augmentent.  Comme la TE, la PS est dépendante de l'analyse statistique [9].

   De nombreuses études énoncent des différences via des conclusions hâtives en se basant sur des puissances statistiques trop faibles car la taille des échantillons est trop petite, même si la p-value est inférieure à 0,05. La plupart du temps les logiciels récents vous apporte sur un plateau la puissance statistiques ainsi que la taille de l'effet [8].

MV.

Bibliographie :

[1] Schwartz D, Lazar P, Papoz L. Statistique médicale et biologique. 5th Ed. Flammarion Médecine-Sciences. 1993. Ouvrage  [2] Lang T. Twenty Statistical Errors Even YOU Can Find in Biomedical Research Articles. Croat Med J. 2004 45:361-70. Accès libre.  [3] Cucherat M. Interprétation des essais cliniques pour la pratique médical. 2009. Site internet.  [4] Cohen J. The Earth Is Round (p <0.05). American Psychologist. 1994 49;12:997-1003  Accès restreint. [5] Whithley E, Ball J. Statistics review 4: Sample size calculations. Critical Care. 2002, 6:335-41. Accès libre.  [6] Sim J, Reid N. Statistical inference by confidence intervals: issues of interpretation and utilization. Phys Ther. 1999 79:186-95. Accès libre.  [7] Whithley E, Ball J. Statistics review 3: Hypothesis testing and P values. Critical Care. 2002 6:222-5.  Accès libre.  [8] Champely S,Verdot C. Que signifie la significativité statistique ? L'apport de la taille d'effet et de la puissance statistique. Staps; 2007/3; 77:49-61. Accès libre.  [9] Bourque J, Blais JG, Larose F. L'interprétation des tests d’hypothèses : p, la taille de l’effet et la puissance. Revue des sciences de l'éducation. 2009 35;1:211-26. Accès libre.

NB : Cet article ainsi que les suivants traitant de l’analyse statistique, sont librement inspirés du dossier spécial « biostatistiques : la dimension collective de nos individualités », paru dans la revue Kinésithérapie La Revue numéro 138, auquel le GERAR a participé. Il est bien évident que vous retrouverez de plus amples détails (contenu et bilbiographie) dans les articles originaux.  

Vergnault M. Place des biostatistiques dans la littérature scientifique. Kinesither Rev 2013;13(138):16–19 Accès restreint. 

Vergnault M. Principes et raisonnement en biostatistiques. Kinesither Rev 2013;13(138):20–24 Accès restreint. 

Vergnault M. Quelles biostatistiques pour quelles études? Kinesither Rev 2013;13(138):25–30 Accès restreint