{"id":10915,"date":"2025-06-26T10:37:19","date_gmt":"2025-06-26T08:37:19","guid":{"rendered":"https:\/\/monde25.info\/index.php\/2025\/06\/26\/regardez-vous-le-temps-par-la-fenetre-ou-contentez-vous-de-la-meteo-a-la-tele-ou-sur-internet-fait-on-pareil-pour-les-statistiques-en-medecine\/"},"modified":"2025-06-26T10:37:19","modified_gmt":"2025-06-26T08:37:19","slug":"regardez-vous-le-temps-par-la-fenetre-ou-contentez-vous-de-la-meteo-a-la-tele-ou-sur-internet-fait-on-pareil-pour-les-statistiques-en-medecine","status":"publish","type":"post","link":"https:\/\/monde25.info\/index.php\/2025\/06\/26\/regardez-vous-le-temps-par-la-fenetre-ou-contentez-vous-de-la-meteo-a-la-tele-ou-sur-internet-fait-on-pareil-pour-les-statistiques-en-medecine\/","title":{"rendered":"Regardez-vous le temps par la fen\u00eatre, ou contentez-vous de la m\u00e9t\u00e9o \u00e0 la t\u00e9l\u00e9 ou sur internet? Fait-on pareil pour les statistiques en m\u00e9decine?"},"content":{"rendered":"


\n<\/p>\n

\n

Par France Soir<\/a>, publi\u00e9 le 24 juin 2025<\/p>\n

Comment les statistiques trompent la m\u00e9decine : des erreurs simples expliqu\u00e9es avec des exemples concrets et une plong\u00e9e dans les critiques du Pr Greenland<\/h2>\n
\n
\"\"
\u00a0Pixabay, France-Soir<\/figcaption><\/figure>\n<\/div>\n

Imaginez que vous voulez savoir s\u2019il fait soleil aujourd\u2019hui ce 24 juin 2025, mais que vous d\u00e9cidez de ne pas regarder par la fen\u00eatre. \u00c0 la place, vous consultez des donn\u00e9es sur internet qui disent : \u00ab\u00a0En moyenne, il fait soleil 60 % du temps en juin \u00e0 cet endroit.<\/em>\u00a0\u00bb Vous concluez donc que c\u2019est probablement ensoleill\u00e9, sans v\u00e9rifier la m\u00e9t\u00e9o r\u00e9elle ou tenir compte d\u2019un nuage qui pourrait passer juste maintenant. C\u2019est un peu comme \u00e7a que les statistiques sont parfois utilis\u00e9es en m\u00e9decine : on se fie \u00e0 des chiffres moyens ou \u00e0 des outils compliqu\u00e9s sans regarder la r\u00e9alit\u00e9 de pr\u00e8s, et \u00e7a peut mener \u00e0 des d\u00e9cisions absurdes.\u00a0<\/p>\n

Cet article, inspir\u00e9 des\u00a0articles du Pr Sander Greenland<\/a>\u00a0illustr\u00e9s dans une s\u00e9rie de tweets de\u00a0Fred Stalder<\/a>\u00a0va vous\u00a0expliquer ces erreurs avec des exemples simples<\/strong>, et montrer pourquoi elles posent probl\u00e8me, surtout quand on d\u00e9cide de la sant\u00e9 de millions de personnes.<\/p>\n

\n
\"Cours
Mirage optique \u2013 DR<\/em><\/figcaption><\/figure>\n<\/div>\n
Pourquoi les statistiques peuvent nous tromper<\/strong><\/h5>\n

En m\u00e9decine, les chercheurs utilisent des outils comme la p-values, une mesure utilis\u00e9e pour \u00e9valuer la force des preuves dans les tests statistiques et les \u00ab\u00a0intervalles de confiance<\/em>\u00a0\u00bb pour\u00a0dire si un traitement marche ou si une maladie est dangereuse<\/strong>. Mais ces outils ne sont pas magiques. Ils reposent sur des suppositions, comme\u00a0l\u2019id\u00e9e que les donn\u00e9es sont parfaites et que personne ne triche<\/strong>. Le Pr Sander Greenland, \u00e9pid\u00e9miologiste et statisticien \u00e0 l\u2019Universit\u00e9 de Californie \u00e0 Los Angeles, un expert en statistiques,\u00a0dit que ces suppositions sont souvent fausses<\/strong>.<\/p>\n

Comme Greenland l\u2019\u00e9crit :\u00a0<\/p>\n

\n

\u00ab\u00a0Les m\u00e9thodes statistiques sont remplies d\u2019hypoth\u00e8ses implicites dont la violation peut avoir des cons\u00e9quences mortelles lorsqu\u2019elles sont utilis\u00e9es pour \u00e9tablir des politiques<\/em>\u00a0\u00bb. Ces hypoth\u00e8ses incluent l\u2019id\u00e9e que les donn\u00e9es sont g\u00e9n\u00e9r\u00e9es, g\u00e9r\u00e9es, analys\u00e9es et rapport\u00e9es avec une impartialit\u00e9, une comp\u00e9tence et une int\u00e9grit\u00e9 absolues \u2013 des conditions rarement r\u00e9unies dans la r\u00e9alit\u00e9. Par exemple, il raconte l\u2019histoire de 21 \u00e9tudes sur des m\u00e9dicaments qui n\u2019existaient m\u00eame pas, mais qui ont \u00e9t\u00e9 publi\u00e9es et utilis\u00e9es pendant des ann\u00e9es (Rubinstein, 2009).\u00a0<\/p>\n<\/blockquote>\n

\u00c7a montre que\u00a0les chiffres peuvent mentir si les donn\u00e9es sont mal collect\u00e9es ou manipul\u00e9es<\/strong>.<\/p>\n

Fred Stalder, dans ses tweets, critique aussi les scientifiques qui demandent d\u2019\u00ab\u00a0avoir confiance<\/em>\u00a0\u00bb en la science, comme le physicien \u00c9tienne Klein\u00a0dans une vid\u00e9o<\/a>. Mais\u00a0si les outils qu\u2019ils utilisent sont biais\u00e9s<\/strong>, cette\u00a0confiance peut \u00eatre dangereuse<\/strong>. Par exemple, pendant le Covid-19,\u00a0certaines \u00e9tudes ont conclus que des traitements comme l\u2019hydroxychloroquine ne marchaient pas<\/a>, juste parce que leurs p-values n\u2019\u00e9taient pas significatives, mais ces \u00e9tudes ignoraient des erreurs dans les donn\u00e9es, comme des dosages inappropri\u00e9s,\u00a0voire toxiques dans Recovery<\/strong><\/a>, des patients mal choisis ou des moments d\u2019administrations contraire aux recommandations.<\/p>\n

\"100%\"<\/figure>\n

Efficacit\u00e9 des vaccins : tout est une question de pr\u00e9sentation !<\/em><\/a><\/p>\n

Des exemples concrets pour comprendre<\/strong><\/h5>\n

L\u2019histoire du soleil et des moyennes<\/strong>\u00a0: reprenons l\u2019exemple du soleil. Si vous vous fiez \u00e0 la moyenne de 60 % de soleil en juin, vous pourriez sortir sans parapluie, m\u00eame s\u2019il pleut aujourd\u2019hui. En m\u00e9decine, c\u2019est pareil : une \u00e9tude peut dire qu\u2019un vaccin r\u00e9duit le risque de maladie de 50 % en moyenne, mais si les donn\u00e9es viennent de groupes tr\u00e8s diff\u00e9rents (jeunes et vieux, sains et malades), cette moyenne cache la v\u00e9rit\u00e9. Peut-\u00eatre que le vaccin marche bien pour les vieux, mais pas du tout pour les jeunes.\u00a0Ou encore on regarde les risques relatifs qui donnent des ratios \u00e9lev\u00e9s (90-95%) qui ont un effet psychologiques positifs d\u2019efficacit\u00e9<\/a>, alors que le risque absolu est faible. Sans regarder les d\u00e9tails, on prend une d\u00e9cision qui ne convient \u00e0 personne.<\/p>\n

Noyer les bons \u00e9l\u00e8ves dans la masse<\/strong>\u00a0: imaginez une classe o\u00f9 il y a des \u00e9l\u00e8ves brillants, mais aussi beaucoup d\u2019\u00e9l\u00e8ves moyens. Si on calcule la moyenne des notes, les excellents r\u00e9sultats des meilleurs sont \u00ab\u00a0noy\u00e9s<\/em>\u00a0\u00bb et on ne les remarque pas. En m\u00e9decine, c\u2019est comme \u00e7a qu\u2019on peut rater des traitements qui marchent pour un petit groupe de patients. Par exemple, une \u00e9tude sur un m\u00e9dicament pourrait montrer qu\u2019il n\u2019a \u00ab\u00a0pas d\u2019effet<\/em>\u00a0\u00bb en moyenne, parce qu\u2019il ne marche que pour 10 % des gens. Si on s\u2019arr\u00eate \u00e0 la moyenne, on jette un traitement utile et on ne voit pas les \u00ab\u00a0excellents \u00e9l\u00e8ves<\/em>\u00a0\u00bb qui en b\u00e9n\u00e9ficient.<\/p>\n

D\u00e9cider sans regarder dehors<\/strong>\u00a0: pendant le Covid-19, des d\u00e9cisions comme les confinements ont \u00e9t\u00e9 bas\u00e9es sur des mod\u00e8les statistiques qui pr\u00e9disaient des morts massives. Mais ces mod\u00e8les ignoraient des faits simples, comme le fait que beaucoup de gens gu\u00e9rissaient naturellement ou que les h\u00f4pitaux avaient des capacit\u00e9s h\u00e9t\u00e9rog\u00e8nes. C\u2019est comme d\u00e9cider qu\u2019il pleut partout en France parce qu\u2019il pleut \u00e0 Paris, sans v\u00e9rifier Bordeaux ou Marseille. R\u00e9sultat : des mesures trop dures pour certains, inutiles pour d\u2019autres. Cela a pu aussi \u00eatre observ\u00e9 dans l\u2019\u00e9tude frauduleuse\u00a0Pradelle Lega<\/a>, aujourd\u2019hui r\u00e9tract\u00e9e,\u00a0qui pr\u00e9tendait que 17000 personnes seraient d\u00e9c\u00e9d\u00e9es de la prise d\u2019hydroxychloroquine<\/a>\u00a0sans pouvoir montrer le d\u00e9but d\u2019un d\u00e9c\u00e8s sur les pays pris en consid\u00e9ration. Ou encore en\u00a0utilisant un facteur de risque issu du Royaume Uni sans regarder si ce facteur de risque s\u2019appliquait au pays\u00a0!<\/a><\/p>\n

\n
\"\"
Torus de Penrose \u2013 Pixabay<\/em><\/figcaption><\/figure>\n<\/div>\n
Les aberrations des d\u00e9cisions bas\u00e9es sur de mauvaises statistiques<\/strong><\/h5>\n

Ces erreurs m\u00e8nent \u00e0 des choix absurdes qui peuvent co\u00fbter des vies ou de l\u2019argent<\/strong>\u00a0: Traitement forc\u00e9 qui ne marche pas : Si une \u00e9tude dit qu\u2019un m\u00e9dicament est \u00ab efficace \u00bb parce que son p-value est bas, mais que les donn\u00e9es sont truqu\u00e9es (par exemple, en cachant les effets secondaires), des milliers de patients peuvent le prendre sans b\u00e9n\u00e9fice, voire avec des risques. Pendant le Covid-19, certains traitements comme les vaccins ont \u00e9t\u00e9 pouss\u00e9s alors que les essais sur les traitements pr\u00e9coces \u00e9taient mal faits ou par des tests de non inf\u00e9riorit\u00e9 plut\u00f4t que sur des valeurs absolues de reduction des risques.<\/p>\n

Ignorer les exceptions<\/strong>\u00a0: en se basant sur des moyennes, on peut ignorer des cas o\u00f9 un traitement sauve des vies. Par exemple, une \u00e9tude sur un cancer pourrait dire qu\u2019un m\u00e9dicament \u00ab\u00a0n\u2019a pas d\u2019effet<\/em>\u00a0\u00bb en moyenne, mais il pourrait gu\u00e9rir 5 % des patients les plus graves. Sans creuser, on prive ces patients d\u2019une chance.<\/p>\n

Confinements inutiles<\/strong><\/a>\u00a0: les mod\u00e8les statistiques ont pr\u00e9dit des morts massives sans tenir compte des diff\u00e9rences locales. R\u00e9sultat : des villes o\u00f9 il y avait peu de cas ont \u00e9t\u00e9 confin\u00e9es, perturbant des vies pour rien, pendant que d\u2019autres r\u00e9gions manquaient de soutien.<\/p>\n

\"Optical<\/figure>\n

Illusion d\u2019optique \u00a0-Pixabay<\/em><\/p>\n

Pourquoi on fait ces erreurs : un probl\u00e8me d\u2019apprentissage<\/strong><\/h5>\n

Le vrai probl\u00e8me, c\u2019est que beaucoup de chercheurs ne comprennent pas vraiment les statistiques. Ils apprennent \u00e0 appuyer sur des boutons dans des logiciels comme Excel ou R, qui crachent des p-values ou des intervalles de confiance, sans savoir ce que \u00e7a veut dire. Greenland dit que m\u00eame avec une bonne formation,\u00a0les gens tombent dans des pi\u00e8ges comme penser qu\u2019un p-value petit prouve quelque chose de s\u00fbr<\/strong>. Mais si les donn\u00e9es sont mauvaises ou les suppositions fausses, ces chiffres ne valent rien.<\/p>\n

Comme Greenland l\u2019\u00e9crit : \u00ab\u00a0Les malentendus sur les p-values, les niveaux alpha et les intervalles de confiance proviennent de biais cognitifs humains inn\u00e9s, que m\u00eame la formation math\u00e9matique la plus avanc\u00e9e semble incapable de corriger<\/em>\u00a0\u00bb. Cette observation pointe un probl\u00e8me syst\u00e9mique :\u00a0une \u00e9ducation statistique souvent superficielle, ax\u00e9e sur l\u2019application m\u00e9canique plut\u00f4t que sur une compr\u00e9hension critique.<\/strong><\/p>\n

    \n
  1. Une formation inad\u00e9quate\u00a0\u2013\u00a0<\/strong>dans de nombreux programmes universitaires, les cours de statistiques pour les non-statisticiens se concentrent sur l\u2019application de tests standards (t-tests, ANOVA, r\u00e9gressions) sans insister sur les hypoth\u00e8ses qui les sous-tendent, comme l\u2019ind\u00e9pendance des observations ou l\u2019absence de biais dans la collecte des donn\u00e9es. Par exemple, un p-value < 0,05 est souvent enseign\u00e9 comme une preuve de \u00ab\u00a0significativit\u00e9<\/em>\u00a0\u00bb,\u00a0sans expliquer qu\u2019il ne mesure qu\u2019une divergence sous des conditions sp\u00e9cifiques<\/strong>. Cette approche produit des utilisateurs qui\u00a0appliquent des m\u00e9thodes sans en saisir les limites<\/strong>.<\/li>\n
  2. La culture du \u00ab\u00a0<\/strong>pr\u00eat-\u00e0-l\u2019emploi<\/strong><\/em>\u00a0\u00bb\u00a0\u2013\u00a0<\/strong>l\u2019av\u00e8nement des logiciels statistiques modernes a amplifi\u00e9 ce probl\u00e8me. Ces outils, bien qu\u2019utiles, favorisent une approche \u00ab bo\u00eete noire \u00bb o\u00f9 les chercheurs g\u00e9n\u00e8rent des p-values et des intervalles de confiance\u00a0sans r\u00e9fl\u00e9chir aux mod\u00e8les sous-jacents<\/strong>. Par exemple, un chercheur peut s\u00e9lectionner des covariables dans une r\u00e9gression en fonction des r\u00e9sultats statistiques (une pratique appel\u00e9e data dredging), sans documenter ce processus, ce qui fausse les interpr\u00e9tations. Cette m\u00e9canisation de l\u2019analyse statistique, encourag\u00e9e par un manque de formation critique, contribue \u00e0 la crise de la reproductibilit\u00e9.<\/li>\n
  3. Un manque de formation continue<\/strong>\u2013 m\u00eame les chercheurs exp\u00e9riment\u00e9s manquent souvent d\u2019opportunit\u00e9s pour mettre \u00e0 jour leurs comp\u00e9tences statistiques. Les approches plus nuanc\u00e9es, comme les analyses de sensibilit\u00e9 ou les m\u00e9thodes bay\u00e9siennes, sont rarement enseign\u00e9es dans les formations continues. Cela laisse les chercheurs d\u00e9pendants de paradigmes d\u00e9pass\u00e9s, comme le seuil de p < 0,05, qui, comme Greenland le note, a \u00e9t\u00e9 regrett\u00e9 par Fisher lui-m\u00eame pour son usage abusif.<\/li>\n
  4. Cons\u00e9quences sur la recherche et les politiques<\/strong>\u00a0\u2013 cette compr\u00e9hension limit\u00e9e des statistiques ne se limite pas aux chercheurs. Les d\u00e9cideurs politiques, les journalistes et le public, souvent d\u00e9pourvus de formation statistique, s\u2019appuient sur des conclusions mal interpr\u00e9t\u00e9es. En 2020, l\u2019article \u00ab\u00a0Covid-19 : la m\u00e9decine biais\u00e9e par les statistiques<\/em><\/a>\u00a0\u00bb illustrait ce probl\u00e8me dans\u00a0le contexte du Covid-19<\/strong>, o\u00f9\u00a0des \u00e9tudes avec des p-values faibles \u00e9taient utilis\u00e9es pour justifier des politiques publiques<\/strong>, sans consid\u00e9rer les incertitudes contextuelles, comme les biais dans la s\u00e9lection des participants ou les conflits d\u2019int\u00e9r\u00eats.<\/li>\n<\/ol>\n
    \n
    \"Optical<\/figure>\n<\/div>\n

    Les statistiques peuvent \u00eatre comme des illusions d\u2019optiques si elles ne sont pas calibr\u00e9es au r\u00e9el \u2013 Pixabay<\/em><\/p>\n

    Comment \u00e9viter ces pi\u00e8ges<\/strong><\/h5>\n

    Pour arr\u00eater de se tromper avec les statistiques, voici des id\u00e9es simples :<\/p>\n