L'inférence causale est importante dans la recherche médicale pour aider à déterminer si les traitements sont bénéfiques et si les expositions naturelles sont nocives. Dans de nombreux contextes, la collecte de données rend l'inférence causale difficile sans faire des hypothèses trop optimistes ou idéalistes. Dans un nouvel article publié dans le Journal de l'Association statistique américaine , les chercheurs du Karolinska Institutet développent de nouvelles méthodes statistiques pour rendre l'inférence causale possible dans certains contextes sans faire de telles hypothèses.

Les auteurs Erin Gabriel, Michael Sachs et Arvid Sjölander au Département d'épidémiologie médicale et de biostatistique, décrire dans le nouvel article comment ces méthodes peuvent être utilisées et interprétées.

De nouveaux outils pouvant être appliqués dans une variété de contextes de recherche différents

Les essais randomisés sont un type d'expérience où des groupes de volontaires sont assignés au hasard pour obtenir ou non un nouveau médicament, puis une comparaison est faite entre les deux groupes randomisés pour évaluer l'effet du médicament randomisé sur la survie, infection, ou le bien-être des patients. Contrairement aux nouveaux médicaments, il y a beaucoup de choses qui ne peuvent pas être attribuées au hasard aux volontaires, comme le tabagisme et l'exposition à l'amiante, ou qui pourrait être randomisé, mais sont le plus souvent étudiés dans des études observationnelles, comme le vin rouge et la consommation de fruits.

Dans ces paramètres, l'effet d'une exposition peut être difficile à déterminer parce que d'autres facteurs peuvent influencer à la fois l'exposition d'intérêt et le résultat. Par exemple, vivre en Suède est associé à une mortalité plus faible et à une consommation plus élevée de chicouté qu'en Hongrie, Ainsi, la recherche de l'effet des chicoutés sur la mortalité dans un groupe comprenant des personnes de Hongrie et de Suède peut amener un chercheur à croire que les chicoutés réduisent la mortalité.

Méthodes statistiques développées selon une nouvelle approche

Bien qu'il existe de nombreux outils pour traiter les facteurs mesurés, comme le pays de résidence, pour permettre le test et l'estimation de ces effets, toutes ces méthodes exigent qu'un chercheur soit prêt à deviner tous les autres facteurs qu'il n'a pas mesurés. Le travail présenté ici utilise les mathématiques, la logique et les statistiques pour relâcher le besoin de deviner et, plutôt que de donner une valeur unique de l'effet, donne une gamme de tailles d'effets possibles. Bien que certains chercheurs aient développé des méthodes similaires, les méthodes sont très peu nombreuses et sont spécifiques au type de données et à la manière dont les données ont été collectées. Erin Gabriel et ses collègues développent de nouvelles méthodes pour permettre un plus grand nombre de styles de collecte de données, dont beaucoup sont très courants en Suède en raison des registres.

« Ces méthodes statistiques, qui sont faciles à mettre en œuvre, peut aider dans de nombreux contextes où l'inférence causale est menacée par des biais de confusion et/ou de sélection non mesurés, " dit le premier auteur Erin Gabriel.

Les auteurs espèrent que leurs outils seront utilisés par des chercheurs du monde entier pour les aider à prendre des décisions sans avoir à deviner des facteurs non mesurés dans leurs données. Dans leurs travaux en cours et futurs, ils visent à construire et à décrire de nouveaux outils statistiques utilisables dans des essais cliniques imparfaits.