Quel test statistique choisir pour votre thèse de médecine ?

Partez de votre question, pas du logiciel

L'erreur la plus courante est d'ouvrir SPSS et de chercher « le test qui marche ». Le choix se fait avant : il découle de votre objectif principal, tel qu'il est écrit dans votre protocole. Reformulez-le en une phrase du type « Je compare X entre tel et tel groupe » ou « Je cherche les facteurs associés à Y ».

Exemple : « Je compare le score SAPS II entre les patients décédés et les survivants » est une comparaison de deux groupes. « Je cherche les facteurs associés au décès à 90 jours » appelle une analyse multivariée. Les deux phrases ne mènent pas au même test.

Identifiez le type de vos variables

Chaque variable de votre base entre dans l'une de ces familles :

• Quantitative (continue ou discrète) : âge, tension, score SAPS II, durée de séjour. On la résume par une moyenne ± écart-type ou une médiane [IQR].
• Qualitative binaire : décès oui/non, sexe, HTA oui/non. On la résume par un effectif et un pourcentage.
• Qualitative à plus de deux modalités : groupe sanguin, stade, service d'origine. Si les modalités sont ordonnées (stade I à IV), on parle de variable ordinale.
• Délai jusqu'à un événement : temps jusqu'au décès ou à la récidive, avec des patients perdus de vue. C'est une donnée de survie, qui a ses propres méthodes.

Distinguez aussi la variable que vous cherchez à expliquer (le critère de jugement) des variables qui pourraient l'expliquer (les facteurs étudiés).

Groupes indépendants ou mesures appariées ?

Deux groupes sont indépendants quand ils contiennent des patients différents (hommes contre femmes, traités contre non traités). Les mesures sont appariées quand ce sont les mêmes patients mesurés deux fois (avant et après traitement), ou des patients appariés un à un (cas-témoins appariés). Les tests ne sont pas les mêmes : utiliser un test pour groupes indépendants sur des données appariées fait perdre de la puissance et fausse les conclusions.

Paramétrique ou non paramétrique ?

Les tests paramétriques (Student, ANOVA) comparent des moyennes et supposent une distribution à peu près normale dans chaque groupe. Ils sont robustes quand les effectifs sont suffisants et la distribution peu asymétrique. Les tests non paramétriques (Mann-Whitney, Kruskal-Wallis, Wilcoxon) comparent des rangs : ils conviennent aux petits effectifs, aux distributions très asymétriques et aux variables ordinales.

Ne vous fiez pas qu'au test de Shapiro-Wilk : sur un grand échantillon, il devient significatif pour d'infimes écarts ; sur un petit, il ne détecte presque rien. Regardez aussi l'histogramme et comparez moyenne et médiane.

Le tableau de décision

Plusieurs facteurs à la fois : la régression

Les tests ci-dessus comparent les groupes deux à deux, sans tenir compte des autres facteurs. Or en clinique, tout est lié : les patients les plus âgés sont souvent les plus graves. Pour savoir si un facteur reste associé au critère de jugement à âge et gravité égaux, il faut un modèle multivarié :

• Régression linéaire si le critère de jugement est quantitatif (durée de séjour, par exemple).
• Régression logistique s'il est binaire (décès oui/non) : elle donne des odds ratios ajustés.
• Modèle de Cox s'il s'agit d'un délai jusqu'à un événement : il donne des hazard ratios.

Règle de prudence : prévoyez environ dix événements par variable introduite dans le modèle (dix décès pour chaque facteur testé en régression logistique). Au-delà, le modèle devient instable et ses résultats peu fiables.

Les cas fréquents en thèse

Évaluer un test diagnostique ou un score pronostique

Sensibilité, spécificité, valeurs prédictives et courbe ROC. L'aire sous la courbe (AUC) résume la capacité du score à distinguer malades et non-malades : 0,5 correspond au hasard, 1 à une discrimination parfaite. L'indice de Youden aide à choisir le seuil.

Étudier la survie

Courbes de Kaplan-Meier pour décrire la survie, test du log-rank pour comparer deux groupes, modèle de Cox pour ajuster sur plusieurs facteurs. Ces méthodes gèrent les patients perdus de vue, ce que ne fait pas un simple pourcentage de décès.

Mesurer un accord entre deux observateurs

Coefficient kappa de Cohen pour une variable qualitative, coefficient de corrélation intraclasse (ICC) pour une variable quantitative.

Les erreurs qui reviennent

• Multiplier les tests sur vingt variables sans le dire : sur vingt comparaisons, une sortira significative par hasard.
• Utiliser le Chi-2 avec des effectifs attendus inférieurs à 5 au lieu du test exact de Fisher.
• Comparer avant et après traitement avec un test pour groupes indépendants.
• Donner une valeur de p sans l'effet mesuré ni son intervalle de confiance.
• Confondre significativité statistique et pertinence clinique : une différence de 1 mmHg peut être significative sur 5 000 patients sans rien changer pour eux.
• Choisir le test après avoir vu les résultats, pour obtenir p < 0,05.

Comment le présenter dans vos méthodes

Le paragraphe « Analyse statistique » de votre partie Matériel et méthodes doit permettre à un lecteur de refaire vos calculs. Il précise : le logiciel et sa version, la façon de décrire les variables, le test choisi pour chaque comparaison, le seuil de significativité et la gestion des données manquantes. Par exemple :

« Les variables quantitatives ont été exprimées en moyenne ± écart-type ou en médiane [intervalle interquartile] selon leur distribution, et comparées par le test t de Student ou le test de Mann-Whitney. Les variables qualitatives ont été exprimées en effectif (pourcentage) et comparées par le test du Chi-2 ou le test exact de Fisher. Les facteurs associés au décès à 90 jours ont été recherchés par régression logistique multivariée. Le seuil de significativité a été fixé à 5 %. Les analyses ont été réalisées avec SPSS. »

Vous ne savez pas par où commencer ? Testez d'abord votre base : vous saurez en quelques minutes si elle est exploitable, avant de choisir le moindre test.