Introduction aux biostatistiques

La biostatistique est l’application des méthodes statistiques aux questions de santé et de biologie. Elle permet de décrire des données, par exemple des taux de guérison, et d’aider à décider malgré l’incertitude. On distingue la statistique descriptive, qui résume les observations, et la statistique inférentielle, qui généralise d’un échantillon à une population. En PASS, elle est indispensable pour lire une étude, interpréter un risque ou évaluer un traitement. Elle ne remplace pas le raisonnement clinique : elle le quantifie et le rend plus rigoureux.

En biostatistique, la population est l’ensemble des individus qui nous intéressent, alors que l’échantillon est le sous-ensemble réellement étudié. Un individu ou unité statistique peut être un patient, une consultation ou une cellule selon la question posée. Une variable décrit une caractéristique mesurée : elle est qualitative si ses modalités sont des catégories, quantitative si elles sont numériques. Une bonne étude précise clairement sa population cible, son échantillon et ses variables avant de recueillir les données.

Décrire des données commence souvent par des effectifs et des fréquences : par exemple, 45 patients sur 150 ont un facteur de risque, soit 30 %. Pour une variable quantitative, on résume la position avec la moyenne ou la médiane, et la dispersion avec l’écart-type ou l’étendue. La médiane est utile quand les valeurs sont très asymétriques ou comportent des extrêmes. Les graphiques, comme l’histogramme ou le diagramme en barres, doivent être choisis selon le type de variable. Un résumé chiffré sans graphique peut masquer des irrégularités importantes.

La statistique inférentielle utilise les données d’un échantillon pour estimer une quantité inconnue dans la population, par exemple une proportion ou une moyenne. Un intervalle de confiance exprime l’incertitude autour de l’estimation : plus il est étroit, plus l’estimation est précise. Un test d’hypothèse compare des observations à une hypothèse de départ, sans prouver à lui seul une causalité. Les biais de sélection, de mesure ou de confusion doivent être recherchés avant d’interpréter un résultat. Enfin, une association statistique n’implique pas automatiquement une relation causale.