Approches d’analyse causale en épidémiologie - 28/01/14
![](/templates/common/images/mail.png)
pages | 11 |
Iconographies | 4 |
Vidéos | 0 |
Autres | 0 |
Abstract |
Epidemiological research is mostly based on observational studies. Whether such studies can provide evidence of causation remains discussed. Several causal analysis methods have been developed in epidemiology. This paper aims at presenting an overview of these methods: graphical models, path analysis and its extensions, and models based on the counterfactual approach, with a special emphasis on marginal structural models. Graphical approaches have been developed to allow synthetic representations of supposed causal relationships in a given problem. They serve as qualitative support in the study of causal relationships. The sufficient-component cause model has been developed to deal with the issue of multicausality raised by the emergence of chronic multifactorial diseases. Directed acyclic graphs are mostly used as a visual tool to identify possible confounding sources in a study. Structural equations models, the main extension of path analysis, combine a system of equations and a path diagram, representing a set of possible causal relationships. They allow quantifying direct and indirect effects in a general model in which several relationships can be tested simultaneously. Dynamic path analysis further takes into account the role of time. The counterfactual approach defines causality by comparing the observed event and the counterfactual event (the event that would have been observed if, contrary to the fact, the subject had received a different exposure than the one he actually received). This theoretical approach has shown limits of traditional methods to address some causality questions. In particular, in longitudinal studies, when there is time-varying confounding, classical methods (regressions) may be biased. Marginal structural models have been developed to address this issue. In conclusion, “causal models”, though they were developed partly independently, are based on equivalent logical foundations. A crucial step in the application of these models is the formulation of causal hypotheses, which will be a basis for all methodological choices. Beyond this step, statistical analysis tools recently developed offer new possibilities to delineate complex relationships, in particular in life course epidemiology.
Le texte complet de cet article est disponible en PDF.Résumé |
La recherche en épidémiologie est largement basée sur des études observationnelles. La possibilité de démontrer des relations causales dans des études observationnelles reste discutée. Plusieurs méthodes d’analyse « causale » ont été développées. Cet article a pour but de décrire certaines de ces méthodes : les modèles graphiques, l’analyse des chemins et ses extensions, et les modèles basés sur l’approche contrefactuelle, avec un intérêt particulier pour les modèles marginaux structuraux. Des approches graphiques ont été développées pour permettre de représenter synthétiquement des relations causales supposées dans un problème donné, et servent de support qualitatif à leur étude. Le modèle de cause composante suffisante a été développé en réponse au problème de la multicausalité posé par l’émergence des maladies chroniques multifactorielles. Les graphes acycliques orientés sont utilisés comme un outil visuel pour identifier les phénomènes de confusion possibles dans une étude. Les modèles à équations structurelles, une extension de l’analyse des chemins, associent un système d’équations à un diagramme en chemins, représentant un ensemble de relations causales possibles. Ils permettent de quantifier des effets directs et indirects dans un modèle global où plusieurs relations peuvent être testées simultanément. L’analyse dynamique des chemins permet en plus de prendre en compte le rôle du temps. L’approche contrefactuelle définit la causalité par une comparaison de l’évènement observé et de l’évènement contrefactuel (l’évènement qui aurait été observé si, contrairement aux faits, le sujet avait eu une exposition différente de celle qu’il a eu). Cette approche théorique a mis en évidence les limites de méthodes traditionnelles pour traiter certains problèmes de causalité. En particulier, dans les études longitudinales, en présence de confusion dépendant du temps, les méthodes classiques (régressions) peuvent être biaisées. Les modèles marginaux structuraux ont été développés en réponse à ce problème. En conclusion, les « modèles causaux », bien que développés parfois indépendamment, reposent sur une logique équivalente. Une phase cruciale d’application de ces modèles est la formulation d’hypothèses causales, qui sera une base pour tous les choix méthodologiques. Au-delà de cette phase, des outils d’analyse statistique récemment développés offrent de nouvelles possibilités pour évaluer des relations complexes, notamment en épidémiologie vie entière.
Le texte complet de cet article est disponible en PDF.Keywords : Causality, Models, Structural, Bias (Epidemiology), Confounding factors (Epidemiology)
Mots clés : Causalité, Modèle structural, Biais (Épidémiologie), Facteur de confusion (Épidémiologie)
Plan
Vol 62 - N° 1
P. 53-63 - février 2014 Retour au numéroBienvenue sur EM-consulte, la référence des professionnels de santé.
L’accès au texte intégral de cet article nécessite un abonnement.
Bienvenue sur EM-consulte, la référence des professionnels de santé.
L’achat d’article à l’unité est indisponible à l’heure actuelle.
Déjà abonné à cette revue ?