Variables et types d'études

Une variable est une caractéristique mesurée ou observée chez chaque individu d’une population. Elle peut être qualitative (catégories : sexe, groupe sanguin, stade de douleur) ou quantitative (nombres : âge, glycémie, nombre de crises). Les variables qualitatives se divisent en nominales (sans ordre) et ordinales (avec un ordre naturel). Les variables quantitatives sont discrètes (valeurs entières, comme le nombre d’enfants) ou continues (valeurs possibles dans un intervalle, comme la taille). Bien classer la variable conditionne le tableau, le graphique et le test statistique à utiliser.

Les études descriptives décrivent une population sans tester d’hypothèse causale, tandis que les études analytiques cherchent une association entre exposition et maladie. En observationnel, le chercheur ne choisit pas l’exposition : l’étude transversale mesure exposition et maladie au même moment, la cohorte suit dans le temps des exposés et non exposés, et le cas-témoins compare des malades à des témoins selon l’exposition passée. En expérimental, l’essai randomisé répartit aléatoirement une intervention et constitue le meilleur design pour établir une relation causale. Le choix dépend de la question, de la rareté de la maladie, du coût et du temps disponible.

Une question de prévalence appelle plutôt une étude transversale, car on mesure la fréquence à un instant donné. Une question sur le risque de survenue d’un événement appelle une cohorte, qui permet d’estimer incidence et risque relatif. Une question sur une maladie rare peut justifier un cas-témoins, avec un odds ratio comme mesure d’association. Un essai randomisé teste l’efficacité d’un traitement ou d’une prévention, mais il doit respecter l’éthique et les critères d’inclusion. Le design ne rend pas automatiquement causal : il faut aussi vérifier la temporalité, la qualité des mesures et les biais.

Un biais est une erreur systématique qui éloigne le résultat de la vérité, contrairement à la variabilité aléatoire qui diminue avec la taille d’échantillon. Le biais de sélection survient quand les groupes ne sont pas comparables, le biais de mesure quand l’exposition ou la maladie est mal mesurée, et le biais de confusion quand un troisième facteur est lié à la fois à l’exposition et à l’événement. La randomisation, le aveugle, un protocole standardisé et l’ajustement sur les facteurs de confusion limitent ces erreurs. Une association statistique n’est pas automatiquement causale : il faut discuter temporalité, plausibilité, dose-réponse et robustesse.