Le Paradoxe de Simpson
Dans le cadre d’un traitement d’un cancer les chercheurs constatent que le taux de guérison d’un cancer par médicament est de 76% et seulement de 66% avec la chirurgie.
En revanche si ces chercheurs analysent les données à un niveau de granularité inférieure en prenant en compte la taille des tumeurs, les taux de guérison avec la chirurgie (63% et 90%) sont supérieurs à ceux observés avec l’usage des médicaments( 49% et 82%). Les conclusions de l’analyse de ces mêmes données sont paradoxales.
La taille de la tumeur qui a un impact à la fois sur la cause (le traitement) et la conséquence (la guérison) est un facteur de confusion. La présence d’un facteur de confusion explique le paradoxe de Simpson décrit précédement.
Inférence causale pour valider une étude observationnelle sur l’efficacité du vaccin de BioNTech, Fosun Pharma, Pfizer
Pour valider les essais cliniques d’un vaccin, les chercheurs ont le choix entre l’essai randomisé contrôlé et l’étude observationnelle.
L’essai randomisé contrôlé est un protocole expérimental de recherche clinique comparant un groupe expérimental («intervention») testant le nouveau vaccin et un groupe(«contrôle») prenant un placebo.
L’étude observationnelle a comme objectif d’évaluer la relation de cause à effet entre une exposition spécifique au vaccin et un évènement de santé (immunité).
L’essai randomisé de phase 3 du vaccin à ARNm BNT162b2 contre la COVID-19 comprenait 21 720 personnes qui ont été assignées au hasard au groupe vacciné, ce qui n’a permis d’estimer l’efficacité du vaccin que sur un petit nombre de sous-populations. De plus, les patients souffrant de maladies chroniques n’étaient inclus que si leur état était jugé stable par les investigateurs.
Des épidémiologistes, dont Miguel Hernán, ont voulu compléter cet essai randomisé par une étude observationnelle. Ils ont exploité les référentiels de données de la plus grande organisation de soins de santé d’Israël pour évaluer l’efficacité du vaccin dans les cas suivants : infection par le SRAS-CoV-2, COVID-19 symptomatique, hospitalisation, maladie grave et décès.
Cette étude observationnelle de l’efficacité du vaccin BioNTech, Fosun Pharma, Pfizer ne doit pas être biaisée par des facteurs de confusion. Pour éviter le syndrome de Simpson, les chercheurs ont recours à l’inférence causale.
L’inférence causale désigne le processus par lequel on peut établir une relation de causalité entre un élément et ses effets. Pour se faire il faut éléminer les facteurs de confusion qui peuvent venir fausser les conclusions d’une étude observationnelle.
Identifier les facteurs de confusion
Pour supprimer les facteurs de confusion. Miguel Hernán commence par identifier les facteurs de confusion potentiels. Par exemple : l’âge et le sexe. Les campagnes de vaccination donnent la priorité aux personnes âgées et ces dernières sont plus susceptibles de développer une maladie grave.
Après l’ajustement de l’âge, comment savoir s’il existe une confusion résiduelle? Les chercheurs savent grâce à l’essai randomisé effectué sur 21 720 personnes, que le vaccin n’a aucun effet dans les premiers jours. Donc l’ajustement des données observationnelles en fonction de l’âge et du sexe doit permettre de reproduire le fait que le vaccin n’a aucun effet dans les premiers jours.
Or après ajustement sur l’âge et le sexe, les courbes d’infection commencent à diverger à partir du premier jour. Conclusion : l’ajustement sur l’âge et le sexe est insuffisant. Il y a d’autres facteurs qui impactent l’effet de la vaccination.
La prise en compte d’autres facteurs de confusion comme la localisation, les co-morbidités, l’accès aux soins de santé permet de reproduire cette fois-ci le fait que le vaccin n’a aucun effet dans les premiers jours (les courbes ne divergent pas immédiatement) et de valider les résulats de cette étude observationnelle.
L’efficacité du vaccin de BioNTech, Fosun Pharma, Pfizer est démontrée. L’incidence cumulée en % parmi les vaccinés est bien inférieure à celle des non-vaccinés aux environs du 12ème jour.
Aller plus loin sur les sujets évoqués dans cet article
Le Paradoxe de Simpson
Causal Diagrams MOOC on EDX: Draw Your Assumptions Before Your Conclusions par Miguel Hernán
