Facteurs de confusion et ajustement multivarié
Votre analyse montre que les patients exposés ont plus de complications. Mais est-ce vraiment l'exposition qui est en cause, ou seulement le fait qu'ils sont plus âgés, plus graves, plus comorbides ? C'est toute la question de la confusion, et c'est le premier point qu'un jury vérifiera dans une analyse étiologique. Cet article clarifie ce qu'est un facteur de confusion, comment le distinguer d'un médiateur et d'un modificateur d'effet, et comment construire un modèle ajusté que vous saurez défendre.
Parcours express — l'essentiel en quatre points. Si vous ne retenez que cela, vous avez déjà l'essentiel :
- Un facteur de confusion est une cause commune de l'exposition et du résultat (l'âge, la gravité…). Non neutralisé, il fausse votre résultat : il faut l'ajuster.
- Choisissez vos variables d'ajustement avant de voir les résultats, sur le raisonnement clinique — pas sur leur p-value.
- N'ajustez pas sur un médiateur (une étape par laquelle passe l'effet — sauf analyse de médiation dédiée) ni sur un collider (une conséquence de l'exposition et du résultat).
- Rapportez les résultats bruts et ajustés, le nombre d'événements, et la liste justifiée de vos covariables.
Le reste de l'article détaille chacun de ces points. Les encadrés « Pour aller plus loin » sont des approfondissements pour l'oral : sautez-les en première lecture, aucun n'est nécessaire pour construire un premier modèle solide.
Qu'est-ce qu'un facteur de confusion ?
Un facteur de confusion (ou variable de confusion, confounder) est avant tout une cause commune de l'exposition et du résultat : une variable située en amont des deux, qui influence à la fois la probabilité d'être exposé et le risque de survenue de l'événement. On la reconnaît classiquement à trois signes : elle est associée à l'exposition que vous étudiez ; elle est associée au résultat indépendamment de l'exposition (c'est un facteur de risque de l'événement, y compris chez les non-exposés) ; et elle n'est pas située sur le chemin causal entre l'exposition et le résultat (ce n'est pas un médiateur : l'exposition n'agit pas à travers elle). Sa présence crée une association trompeuse entre l'exposition et le résultat, association qui ne reflète pas un lien causal direct.
L'exemple canonique est l'âge. Supposons que vous étudiez le lien entre un traitement et la survenue d'un événement cardiovasculaire. Si les patients traités sont en moyenne plus âgés, et que l'âge augmente lui-même le risque cardiovasculaire, alors une partie du sur-risque observé chez les traités vient simplement de leur âge, pas du traitement. L'âge est ici une cause commune : il influence la probabilité de recevoir le traitement et il influence le risque d'événement. Tant qu'on ne le neutralise pas, on ne sait pas quelle part de l'association revient réellement à l'exposition.
Pour aller plus loin — les limites de l'aide-mémoire. Le triptyque « associée à E, associée à Y, hors du chemin causal » n'est qu'un repère commode, et il peut tromper. Un collider (défini plus bas) coche lui aussi ces trois cases sans être un facteur de confusion : il ne faut surtout pas l'ajuster. La différence décisive tient à l'antériorité causale : un vrai facteur de confusion est une cause commune de E et de Y, tandis que le collider en est une conséquence. C'est pourquoi les méthodes causales modernes remplacent ces trois cases par un schéma causal (DAG) et le critère de la porte dérobée.
En clair — Un facteur de confusion est une « troisième variable », en amont, qui explique en partie l'association que vous observez. Si vous l'ignorez, vous attribuez à votre exposition un effet qui appartient en réalité à cette autre variable.
Le repère de l'essai randomisé. Pourquoi l'essai contrôlé randomisé est-il la référence ? Parce que tirer l'exposition au sort équilibre en moyenne les deux groupes sur tous les facteurs de confusion — connus comme inconnus, mesurés comme non mesurés — sans qu'on ait à les nommer : la comparaison est d'emblée équitable, et il n'y a rien à « ajuster » pour neutraliser la confusion. Tout ce qui suit ne concerne donc que les études observationnelles, où l'on n'a pas tiré au sort : l'ajustement y tente de reconstituer après coup cette comparabilité, mais seulement sur les confondants qu'on a su mesurer — d'où sa fragilité. En clair : ajuster, c'est imiter la randomisation avec les moyens du bord.
Trois rôles à ne jamais confondre
On appelle souvent « confusion », à tort, toute variable « qui gêne ». Or il faut distinguer plusieurs rôles très différents, car ils appellent des décisions opposées : certains s'ajustent, d'autres surtout pas. Cette section détaille les trois rôles à ne jamais confondre : le facteur de confusion, le médiateur et le modificateur d'effet. La figure ci-dessous aide à les situer : elle montre les structures de flèches du confondant et du médiateur (le modificateur d'effet, lui, est une interaction, pas une structure de flèches), et y ajoute le collider, une quatrième variable piège dont la section lui est consacrée plus bas.
Le facteur de confusion (schéma du haut) est une cause commune de E et de Y. On doit l'ajuster pour obtenir un effet non biaisé.
Le médiateur (schéma du milieu) se situe sur le chemin causal : l'exposition agit à travers lui pour produire le résultat. Exemple : un traitement fait baisser la pression artérielle (médiateur), ce qui réduit le risque d'AVC. Si vous voulez l'effet total du traitement, vous ne devez pas ajuster sur la pression artérielle : l'ajuster « bloque » une partie de l'effet que vous cherchez à mesurer et le fait disparaître artificiellement. On n'ajuste sur un médiateur que dans une analyse de médiation dédiée, pour séparer effet direct et effet indirect — un objectif différent, à annoncer explicitement.
Pour aller plus loin — pourquoi une médiation ne se résume pas à « ajouter le médiateur ». Estimer l'effet direct en glissant simplement le médiateur dans le modèle exige une hypothèse supplémentaire (aucun facteur de confusion entre le médiateur et le résultat) ; si un tel confondant existe, conditionner sur le médiateur peut même rouvrir un biais de collider. Les vraies analyses de médiation reposent donc sur des méthodes spécifiques.
Le modificateur d'effet correspond à une interaction : l'effet de l'exposition n'est pas le même selon le sous-groupe. Par exemple, un médicament réduit fortement le risque chez les moins de 65 ans mais pas chez les plus âgés. Ici on ne « corrige » pas un biais : on décrit une réalité clinique. On le teste par un terme d'interaction et, s'il est présent, on rapporte des effets stratifiés plutôt qu'un seul chiffre moyen. Un point à retenir : la modification d'effet dépend de l'échelle de mesure — une variable peut modifier un OR ou un HR (échelle multiplicative) sans modifier la différence de risques (échelle additive), et inversement. Précisez donc toujours sur quelle mesure vous testez l'interaction.
En clair — Le facteur de confusion brouille le message, le médiateur fait passer le message, le modificateur d'effet change le message selon à qui il s'adresse. Trois rôles, trois décisions différentes.
Pour aller plus loin — « modification d'effet » ≠ « interaction ». Les deux mots s'emploient souvent l'un pour l'autre, car on les explore avec le même outil (un terme produit dans le modèle). Mais constater que l'effet varie selon le sexe (modification d'effet) n'est pas affirmer un mécanisme d'action conjoint entre deux interventions (interaction au sens strict). Décrire une hétérogénéité n'est pas expliquer un mécanisme.
Piège de soutenance : ajuster sur un médiateur. Si un membre du jury voit que vous avez introduit dans le modèle une variable qui est manifestement une conséquence de l'exposition et une étape vers le résultat, il vous demandera pourquoi vous « annulez » une partie de l'effet étudié. Décidez à l'avance, pour chaque variable, si elle est en amont (confusion) ou en aval (médiateur) de l'exposition.
De l'analyse univariée à l'analyse multivariée
L'analyse univariée (dite aussi « brute » ou non ajustée) mesure l'association entre l'exposition et le résultat sans tenir compte d'aucune autre variable. Elle est utile pour décrire, mais elle est vulnérable à la confusion : l'odds ratio ou le hazard ratio brut peut mélanger l'effet de l'exposition et celui des facteurs de confusion.
L'analyse multivariable (régression logistique, modèle de Cox, régression linéaire…) inclut simultanément l'exposition et les facteurs de confusion. Chaque coefficient s'interprète alors « à autres variables du modèle égales par ailleurs » : c'est l'effet ajusté. C'est le mécanisme statistique qui vous permet de neutraliser la confusion sans avoir à stratifier manuellement sur chaque variable.
Voir la confusion en chiffres. Supposons une étude d'un traitement sur la mortalité, chez 250 patients traités et 250 non traités. La gravité initiale est ici le facteur de confusion : les patients graves ont été traités en priorité (donc « traité » va de pair avec « plus grave »), et la gravité augmente elle-même la mortalité. Regardons les décès, d'abord globalement, puis à gravité égale.
| Sous-groupe | Traités : décès | Non traités : décès | OR (traité vs non traité) |
|---|---|---|---|
| Patients graves | 80 / 200 (40 %) | 25 / 50 (50 %) | ≈ 0,67 |
| Patients légers | 5 / 50 (10 %) | 40 / 200 (20 %) | ≈ 0,44 |
| Ensemble (brut) | 85 / 250 (34 %) | 65 / 250 (26 %) | ≈ 1,47 |
| Ajusté sur la gravité | estimation combinée des deux strates (Mantel-Haenszel) | ≈ 0,58 | |
Le résultat brut (OR ≈ 1,47) laisse croire que le traitement augmente la mortalité. Pourtant, dans chaque strate de gravité, les traités s'en sortent mieux (OR ≈ 0,44 et 0,67), et l'effet ajusté le confirme (OR ≈ 0,58, protecteur). L'association brute s'inverse simplement parce que les traités étaient plus graves au départ : c'est la confusion, et cette inversion spectaculaire porte un nom, le paradoxe de Simpson. Retenez l'ordre de grandeur du message plus que les décimales : un OR brut et un OR ajusté peuvent non seulement différer, mais pointer dans des directions opposées.
Pour aller plus loin — d'où vient l'OR ajusté ≈ 0,58 ? Rien de magique : c'est un OR combiné qui agrège les strates en pondérant chacune par son effectif (méthode de Mantel-Haenszel) — le résultat tombe donc entre les OR des strates, sans en être la moyenne arithmétique. On compare traités et non-traités à gravité égale, là où ils sont vraiment comparables, puis on agrège les deux strates.
Piège de jury : la « Table 2 fallacy » (Westreich & Greenland, 2013). Dans un modèle ajusté, seul le coefficient de votre exposition s'interprète comme l'effet que vous avez conçu l'étude pour estimer. Les coefficients des covariables d'ajustement affichés sur les autres lignes du même tableau ne sont pas leurs effets causaux : chacune a été ajustée pour les facteurs de confusion de l'exposition, pas pour les siens, et l'une d'elles peut même être un médiateur de l'exposition. Ne commentez donc pas « l'âge multiplie le risque par 1,8 » à partir d'un modèle bâti pour estimer l'effet du traitement, et ne transformez pas cette colonne de coefficients en un tableau de « facteurs de risque ».
La régression n'est d'ailleurs pas la seule voie pour neutraliser la confusion. Le score de propension (la probabilité d'être exposé compte tenu des covariables) permet d'apparier, stratifier ou pondérer les sujets (pondération IPTW) ; il existe aussi la standardisation et les méthodes apparentées. Toutes visent la même chose que la régression — comparer des exposés et des non-exposés rendus comparables sur les confondants — et reposent sur les mêmes hypothèses causales. Pour une thèse, la régression ajustée reste le choix par défaut ; sachez simplement que ces alternatives existent et savoir les nommer.
Agir au stade du plan, pas seulement de l'analyse. Tous ces outils corrigent la confusion après coup, au moment de l'analyse. On peut aussi la limiter dès la conception de l'étude, et c'est souvent plus robuste : par restriction (n'inclure qu'une seule catégorie du confondant — p. ex. n'étudier que des non-fumeurs pour neutraliser le tabac) ; par appariement des exposés et des non-exposés sur les confondants au moment du recrutement ; et, quand c'est éthiquement et pratiquement possible, par la randomisation, qui les équilibre tous d'un coup (voir plus haut). Le score de propension est justement à cheval sur les deux mondes : on s'en sert pour apparier au stade du plan comme pour ajuster au stade de l'analyse. En clair : contre la confusion, vous avez deux moments pour agir — la conception et l'analyse —, pas seulement le modèle final.
Pour aller plus loin — la non-collapsibilité de l'OR et du HR. Pour l'odds ratio et le hazard ratio, l'estimation ajustée diffère de l'estimation brute même en l'absence totale de confusion, du seul fait d'ajouter au modèle un prédicteur du résultat : ce sont des mesures dites non collapsibles (à la différence de la différence de moyennes et de la différence de risques, qui restent collapsibles ; le risque relatif l'est ici, mais sa collapsibilité dépend en toute rigueur du contexte — ne la présentez pas comme une propriété absolue). En clair : pour un OR ou un HR, ajouter une variable déplace le chiffre même sans aucune confusion — ne concluez donc pas « il y avait de la confusion » simplement parce que le brut et l'ajusté diffèrent.
Pour aller plus loin — « multivarié » ou « multivariable » ? Au sens strict, un modèle à plusieurs variables explicatives est multivariable ; multivarié désigne un modèle à plusieurs variables réponse. L'usage médical francophone dit couramment « multivarié » et « univarié » — que reprennent les intitulés de cet article ; dans le corps du texte nous employons plutôt le terme techniquement exact, « multivariable ». La distinction peut être relevée à l'oral.
Choisir les variables : d'abord le raisonnement, pas la p-value
La question qui revient le plus souvent est : « quelles variables mettre dans mon modèle ? » La réponse tenue pour la bonne pratique aujourd'hui est : celles que votre connaissance clinique et causale désigne comme facteurs de confusion, définis avant de regarder les résultats.
La méthode recommandée consiste à formaliser vos hypothèses dans un schéma causal ou DAG (directed acyclic graph) : on dessine les flèches de causalité entre exposition, résultat et variables tierces, ce qui rend visible qui est confondant, qui est médiateur et qui est collider. Le DAG, via le critère de la porte dérobée, indique alors un ensemble suffisant de variables à ajuster (idéalement un ensemble minimal, sans ouvrir de nouveau chemin biaisant, et il peut en exister plusieurs) pour estimer l'effet visé. Même sans le formaliser dans le manuscrit, ce raisonnement doit sous-tendre votre choix.
En clair — ce que « bloquer la porte dérobée » veut dire. Un chemin de porte dérobée est un chemin détourné qui relie l'exposition au résultat en remontant vers une cause commune (une flèche qui arrive sur l'exposition), au lieu de suivre le vrai chemin causal E → Y. Bien ajuster revient à fermer tous ces chemins parasites — en « conditionnant » sur les confondants qui s'y trouvent — tout en laissant ouvert le chemin causal que vous voulez mesurer (donc sans toucher aux médiateurs, et sans conditionner sur un collider, qui au contraire ouvrirait un chemin). C'est cela, « satisfaire le critère de la porte dérobée ».
Ajuster « comme il faut » ne donne toutefois un effet causal que si trois hypothèses d'identification tiennent — celles qui autorisent à lire l'association ajustée comme un effet.
- Échangeabilité conditionnelle (« pas de confusion résiduelle ») : une fois les covariables prises en compte, exposés et non-exposés sont comparables — autrement dit, on n'a oublié aucun confondant.
- Positivité : dans chaque strate de covariables, on trouve à la fois des exposés et des non-exposés (sinon aucune comparaison n'est possible dans cette strate).
- Consistance et non-interférence (réunies sous le sigle SUTVA) : l'exposition est définie assez précisément pour qu'« être traité » veuille dire la même chose d'un patient à l'autre (quelle dose ? quelle molécule ?), et le sort d'un patient n'influe pas sur le résultat d'un autre (hypothèse malmenée dans les maladies transmissibles ou la vaccination).
Ces hypothèses ne se vérifient pas dans les données ; elles se défendent par le raisonnement clinique — et un jury peut vous demander de les nommer.
Piège de soutenance : la confusion résiduelle et non mesurée. L'ajustement ne neutralise que les confondants que vous avez mesurés et correctement modélisés. Deux failles subsistent presque toujours. La confusion non mesurée : un confondant que vous n'avez pas recueilli (gravité réelle, statut socio-économique, tabagisme absent du dossier) reste totalement non corrigé — c'est l'échec de l'échangeabilité. La confusion résiduelle : un confondant mesuré mal — erreur de mesure, ou catégorisation trop grossière (par exemple « âge < ou ≥ 65 ans », qui laisse subsister une partie de l'effet de l'âge à l'intérieur de chaque tranche) — n'est que partiellement neutralisé. C'est pourquoi une étude observationnelle ne prouve jamais tout à fait la causalité. Reconnaissez la limite dans la discussion ; le cas échéant, une analyse de sensibilité (E-value…) chiffre à quel point un confondant non mesuré devrait être fort pour annuler votre résultat.
Piège de soutenance : « j'ai mis toutes les variables significatives en univarié ». La sélection fondée sur les p-values univariées, ou les procédures pas-à-pas automatiques (stepwise, ascendante/descendante), sont largement critiquées. Elles écartent des facteurs de confusion réels dont l'association marginale est faible, retiennent des variables par le seul jeu du hasard, sur-estiment les effets des variables conservées et faussent les intervalles de confiance et les p-values (qui ne tiennent pas compte de la sélection). Annoncez plutôt une liste de covariables définie a priori sur des arguments cliniques.
Un mot sur un cas légitime : on peut vouloir ajuster une variable qui déséquilibre visiblement les groupes même si sa p-value est non significative — la significativité n'est pas le bon critère pour juger de la confusion. À l'inverse, une variable fortement liée au résultat mais sans aucun lien avec l'exposition n'est pas un facteur de confusion : en régression linéaire, l'ajouter peut améliorer la précision de l'effet ; en régression logistique ou dans le modèle de Cox, le gain n'est pas garanti (là encore à cause de la non-collapsibilité).
Le collider : la variable qu'il ne faut surtout pas ajuster
Un collider (ou variable « collisionneuse », schéma du bas) est une variable causée à la fois par l'exposition et par le résultat (ou par leurs causes respectives). Contrairement à l'intuition, ajuster ou sélectionner sur un collider crée un biais là où il n'y en avait pas : c'est le biais de collider, une forme de biais de sélection. Conditionner sur un collider ouvre un chemin non causal entre l'exposition et le résultat et fabrique une association artificielle.
Le cas le plus fréquent en pratique est le biais de sélection lié au recrutement : si l'on n'analyse que les patients hospitalisés, et que l'hospitalisation dépend à la fois de l'exposition et de la gravité (liée au résultat), on conditionne implicitement sur un collider. D'où l'importance de réfléchir non seulement aux variables ajustées, mais aussi à la manière dont l'échantillon a été constitué.
Pour aller plus loin — « jamais » n'est pas une loi absolue. « Un collider ne s'ajuste jamais » est une excellente règle de départ, mais une même variable peut être à la fois collider et vrai facteur de confusion : c'est alors le DAG complet qui tranche, pas un réflexe. Symétriquement, ajuster une variable pourtant antérieure à l'exposition peut parfois ouvrir un chemin biaisant (le M-bias). Autrement dit, la règle mécanique « amont = bien, aval = mal » a ses exceptions.
Pour aller plus loin — les confondants qui varient dans le temps. Tout ce qui précède suppose des confondants fixes, mesurés une fois en amont. Lorsqu'un confondant varie dans le temps et se trouve à la fois conséquence d'une exposition passée et cause de l'exposition future (un traitement réajusté au fil du suivi), l'ajustement classique par régression échoue : il faut alors des méthodes g (g-formule, modèles structurels marginaux). C'est un sujet à part entière, que nous ne traitons pas ici.
Piège : le sur-ajustement (over-adjustment). Ajouter « par sécurité » un maximum de variables n'est pas neutre. Empiler des médiateurs, des colliders ou des variables intermédiaires peut biaiser l'estimation au lieu de l'améliorer. Chaque covariable doit avoir une justification : elle est un facteur de confusion. Le réflexe « plus j'ajuste, plus c'est rigoureux » est faux. À ne pas confondre avec le surapprentissage (overfitting) — trop de paramètres pour trop peu d'événements —, un problème distinct traité juste après.
Combien de variables ? La contrainte des événements par variable
Un modèle a besoin d'assez d'information pour estimer chaque coefficient de façon stable. En régression logistique et dans le modèle de Cox, ce qui limite n'est pas l'effectif total mais le nombre d'événements : le nombre de sujets de la modalité la plus rare du résultat (par exemple le nombre de décès, de récidives), ou le nombre d'événements observés en survie.
La règle empirique classique est d'environ 10 événements par variable (EPV, d'après Peduzzi et coll.) : avec 40 décès, on s'autorise environ 4 prédicteurs (en comptant chaque degré de liberté, donc chaque modalité d'une variable catégorielle au-delà de la référence, et chaque terme d'interaction). En deçà, les estimations deviennent instables, les intervalles de confiance très larges et le modèle risque le surapprentissage (overfitting).
Pour aller plus loin — le seuil de 10 n'est qu'une approximation. Les travaux récents montrent que le nombre d'événements nécessaire dépend aussi du nombre de prédicteurs candidats, de la fréquence de l'événement et de la performance visée : selon les cas, 5 par variable peuvent suffire ou 20 rester insuffisants. Ces règles ont d'abord été pensées pour les modèles de prédiction ; pour l'estimation d'un effet (le sujet ici), le souci apparenté est le biais des données éparses, qui déforme les estimations quand les événements sont rares face au nombre de covariables. Dans tous les cas, gardez l'EPV≈10 comme garde-fou et restez sobre en variables.
Piège : le modèle sur-paramétré. « J'ai 18 décès et 9 variables dans mon Cox » est un signal d'alarme immédiat pour un jury. Symptômes à repérer : coefficients énormes, odds ratios à plusieurs milliers, intervalles de confiance allant de presque zéro à l'infini (séparation), non-convergence. La solution n'est pas d'ajouter des données a posteriori mais de réduire le nombre de variables à celles réellement essentielles, décidées a priori.
Multicolinéarité : quand deux variables disent la même chose
La multicolinéarité survient lorsque deux prédicteurs (ou plus) sont fortement corrélés entre eux — par exemple le poids et l'IMC, ou deux marqueurs biologiques redondants. Le modèle ne peut alors pas séparer proprement leurs contributions : la variance des coefficients concernés est gonflée, les estimations deviennent instables et peuvent changer de signe pour de petites variations des données.
On la repère avec le facteur d'inflation de la variance (VIF) ; des valeurs élevées (souvent au-delà de 5, a fortiori 10) signalent un problème. La correction habituelle est de ne garder qu'une des variables redondantes, celle qui a le sens clinique le plus clair. Une réserve compte : si les deux variables sont toutes deux des facteurs de confusion, en retirer une peut laisser subsister une confusion résiduelle — mieux vaut alors les garder toutes deux et accepter des coefficients individuels moins précis.
En clair — La multicolinéarité brouille l'interprétation des coefficients concernés, mais ne gêne pas forcément l'effet ajusté de l'exposition (si elle n'est pas elle-même la variable colinéaire). Ne mélangez pas ces deux objectifs.
Ne pas passer à côté d'une interaction attendue
Enfin, si la clinique laisse fortement attendre que l'effet de l'exposition diffère selon un sous-groupe (par exemple selon le sexe, l'âge ou un stade), il faut le tester par un terme d'interaction, et non se contenter d'un effet moyen. Rapporter un seul hazard ratio là où l'effet est en réalité opposé selon les sous-groupes est trompeur. Là encore, testez l'interaction sur une échelle explicite (multiplicative pour l'OR/HR, additive pour les différences de risque) : la même donnée peut montrer une modification d'effet sur l'une et pas sur l'autre.
Piège : ignorer une interaction cliniquement attendue. Prévoyez a priori la (les) interaction(s) plausible(s) et testez-la(les). Mais restez parcimonieux : chaque interaction consomme des degrés de liberté (donc des événements) et une pêche aux interactions non planifiées, testées en masse, fabrique des faux positifs. On teste ce que l'on a annoncé.
Ce qu'il faut reporter
Voici la checklist concrète à faire figurer dans votre thèse ou votre article — le livrable de cet article. Elle suit la grille STROBE (études observationnelles) ; pour un modèle à visée pronostique, utilisez plutôt TRIPOD.
- La liste de vos covariables d'ajustement, et pourquoi vous les avez choisies. Ce sont des facteurs de confusion connus, décidés a priori — idéalement à l'appui d'un raisonnement causal (ou d'un DAG).
- Les résultats bruts et ajustés côte à côte. Pour chacun : l'estimation (OR, HR, différence de moyennes) et son intervalle de confiance à 95 %, à privilégier pour interpréter. Une p-value peut accompagner, mais ne la réduisez pas à « significatif / non significatif » au seuil de 0,05.
- Le nombre d'événements (pas seulement l'effectif total) et le nombre de variables du modèle, pour que le lecteur juge l'EPV.
- Comment vous avez choisi vos variables : sélection a priori (recommandée) plutôt que procédure automatique.
- Les interactions testées (planifiées à l'avance, avec l'échelle) et les résultats stratifiés si une modification d'effet est confirmée.
- La vérification de la multicolinéarité (VIF) et le sort des variables redondantes.
- Les hypothèses du modèle (log-linéarité, proportionnalité des risques pour Cox…).
- La gestion des données manquantes. Elle détermine l'échantillon réellement analysé : on préfère en général l'imputation multiple à une analyse limitée aux cas complets, sauf justification.
En résumé
L'ajustement multivariable sert à une seule chose : obtenir une estimation de l'effet de votre exposition qui ne soit pas polluée par les facteurs de confusion. Le travail décisif est conceptuel, pas informatique : pour chaque variable, décider de son rôle.
- Cause commune (facteur de confusion) → à ajuster.
- Médiateur (sur le chemin causal) → à ne pas ajuster si l'on veut l'effet total.
- Collider (conséquence de E et de Y) → à ne pas ajuster en règle générale.
- Modificateur d'effet → à tester et à rapporter en résultats stratifiés, sur une échelle explicite.
Choisissez vos covariables a priori, sur des arguments cliniques et causaux plutôt que sur les p-values univariées ; respectez la contrainte du nombre d'événements par variable ; surveillez la multicolinéarité ; et n'ignorez pas une interaction cliniquement attendue. Rappelez-vous enfin que seul le coefficient de l'exposition s'interprète (la « Table 2 fallacy ») et que l'ajustement ne corrige que les confondants mesurés. Un modèle sobre, justifié et transparent est bien plus solide devant un jury qu'un modèle surchargé de variables « significatives ».