2
140 Biostatistiques pour le clinicien
Inversement, des analyses multifactorielles peuvent faire apparaître
des associations statiquement significatives entre deux variables qui ne
l’étaient pas en analyse unidimensionnelle, du moins de façon significative (p d 0,05).
Les analyses pas-à-pas
Les analyses multifactorielles commencent, nous l’avons indiqué,
par une sélection des covariables en analyse unifactorielle. Cette sélection est fondée sur une valeur de p d 0,20, voire d 0,25. Il y a ensuite
deux façons de procéder. Le pas-à-pas ascendant commence par introduire dans le modèle la covariable la plus significativement associée à
la variable expliquée dans l’étude unifactorielle. C’est le pas 1. Le pas 2
consiste à introduire la covariable restante la plus associée à la variable
expliquée, l’apport de la première ayant été pris en compte, et ainsi de
suite. Au fur et à mesure de l’introduction d’une nouvelle covariable,
c’est-à-dire à chaque pas, celle-ci contribue à l’explication de la variable
expliquée, poids du nouveau-né dans notre premier exemple, infarctus
du myocarde dans le second. En définitive, le modèle ne garde que les
covariables associées de façon significative à la variable expliquée.
Une autre stratégie consiste, inversement, à effecteur un pas-à-pas
descendant. Toutes les covariables sont initialement introduites dans
le modèle (c’est le pas zéro). Les variables sont alors retirées tour à
tour en partant de la moins significative. À chaque introduction d’une
nouvelle covariable, si celle-ci n’est pas associée à la variable expliquée,
elle est exclue du modèle. Il ne reste au dernier pas que les covariables
indépendamment et significativement associées à la variable expliquée.
Le pas-à-pas descendant est aujourd’hui le plus utilisé. En effet, cette
stratégie privilégie des modèles plus grands, et prend en compte les
facteurs de confusion avec un plus grand nombre de variables.
Importance et pertinence du choix de la population étudiée
Les études multifactorielles portant sur de très vastes échantillons qui,
de ce fait, sont d’autant plus hétérogènes qu’ils sont importants, ne font
parfois que confirmer ce que l’expérience simple, voire le bon sens, avaient
déjà prouvé. Une très vaste étude sur les covariables associées au pronostic du cancer du poumon incluant tous les malades qui ont un cancer
du poumon, va montrer qu’un mauvais pronostic est lié à l’existence de
métastases, à l’étendue locorégionale de la tumeur, et à des facteurs de comorbidité associés liés au tabagisme, ce qui n’apprend pas grand-chose.
140 Biostatistiques pour le clinicien
Inversement, des analyses multifactorielles peuvent faire apparaître
des associations statiquement significatives entre deux variables qui ne
l’étaient pas en analyse unidimensionnelle, du moins de façon significative (p d 0,05).
Les analyses pas-à-pas
Les analyses multifactorielles commencent, nous l’avons indiqué,
par une sélection des covariables en analyse unifactorielle. Cette sélection est fondée sur une valeur de p d 0,20, voire d 0,25. Il y a ensuite
deux façons de procéder. Le pas-à-pas ascendant commence par introduire dans le modèle la covariable la plus significativement associée à
la variable expliquée dans l’étude unifactorielle. C’est le pas 1. Le pas 2
consiste à introduire la covariable restante la plus associée à la variable
expliquée, l’apport de la première ayant été pris en compte, et ainsi de
suite. Au fur et à mesure de l’introduction d’une nouvelle covariable,
c’est-à-dire à chaque pas, celle-ci contribue à l’explication de la variable
expliquée, poids du nouveau-né dans notre premier exemple, infarctus
du myocarde dans le second. En définitive, le modèle ne garde que les
covariables associées de façon significative à la variable expliquée.
Une autre stratégie consiste, inversement, à effecteur un pas-à-pas
descendant. Toutes les covariables sont initialement introduites dans
le modèle (c’est le pas zéro). Les variables sont alors retirées tour à
tour en partant de la moins significative. À chaque introduction d’une
nouvelle covariable, si celle-ci n’est pas associée à la variable expliquée,
elle est exclue du modèle. Il ne reste au dernier pas que les covariables
indépendamment et significativement associées à la variable expliquée.
Le pas-à-pas descendant est aujourd’hui le plus utilisé. En effet, cette
stratégie privilégie des modèles plus grands, et prend en compte les
facteurs de confusion avec un plus grand nombre de variables.
Importance et pertinence du choix de la population étudiée
Les études multifactorielles portant sur de très vastes échantillons qui,
de ce fait, sont d’autant plus hétérogènes qu’ils sont importants, ne font
parfois que confirmer ce que l’expérience simple, voire le bon sens, avaient
déjà prouvé. Une très vaste étude sur les covariables associées au pronostic du cancer du poumon incluant tous les malades qui ont un cancer
du poumon, va montrer qu’un mauvais pronostic est lié à l’existence de
métastases, à l’étendue locorégionale de la tumeur, et à des facteurs de comorbidité associés liés au tabagisme, ce qui n’apprend pas grand-chose.