Maîtriser l’intervalle de confiance : l’art de la nuance en épidémiologie

Comprendre l’intérêt fondamental de l’intervalle de confiance en épidémiologie

En épidémiologie, les conclusions reposent souvent sur des échantillons. Se contenter d’une estimation ponctuelle – pour un taux d’incidence, une mortalité ou un risque relatif – est dangereux : l’aléa du tirage laisse planer l’incertitude. C’est là que l’intervalle de confiance (IC) intervient : il formalise quantitativement l’incertitude entourant une mesure. Loin d’être un détail “statistique”, il signe la rigueur d’une analyse.

L’intervalle de confiance à 95 % est de loin le plus utilisé : il définit une fourchette, issue de la variabilité de l’échantillonnage, dans laquelle on s’attend (si on répétait l’étude un grand nombre de fois) à retrouver la vraie valeur du paramètre dans 95 % des cas (Fisher, 1935 ; CDC, Concepts de base en statistiques).

• C'est une mesure de précision : Un IC large signale des résultats moins précis.
• C'est un indicateur de robustesse : L’IC doit toujours être examiné avant toute communication ou prise de décision.
• C'est un outil comparatif : Entre études, l’IC aide à évaluer la valeur et la fiabilité d’un résultat.

Les bases du calcul de l’intervalle de confiance

Le calcul dépend à la fois du paramètre étudié (moyenne, proportion, odds ratio…) et de la distribution statistique sous-jacente. L’IC classique pour une moyenne suit une logique presque “universelle”, mais chaque contexte a ses spécificités.

La formule générale de l’IC pour une moyenne

• Formule (IC à 95 %) : Moyenne ± 1,96 × Erreur standard
• Où :
  • Erreur standard (SE) = σ / √n, avec σ écart-type et n la taille de l’échantillon.
  • 1,96 est la valeur de la loi normale centrée réduite pour un niveau de confiance de 95 %.

Exemple : Si, sur un échantillon de 100 adultes, la moyenne du taux de cholestérol est de 5,0 mmol/L avec un écart-type de 0,8, alors l’IC à 95 % se calcule ainsi :

• Erreur standard = 0,8 / √100 = 0,08
• IC à 95 % : 5,0 ± (1,96 × 0,08) = [4,844 ; 5,156]

Interpréter cela, c’est dire que l’on est raisonnablement confiant que la moyenne réelle du taux de cholestérol de la population se situe entre 4,84 et 5,16 mmol/L.

Proportion, pourcentage : un ajustement nécessaire

Pour une proportion (p), la formule à appliquer est la suivante :

• Erreur standard : √ [p × (1-p) / n]
• IC à 95 % : p ± 1,96 × SE

Contexte pratique : Supposons qu’on observe une prévalence de diabète de 10 % chez 500 patients.

• SE = √[0,10 × 0,90 / 500] ≈ 0,0134
• IC = 0,10 ± 1,96 × 0,0134 = [0,0737 ; 0,1263], soit 7,37 % à 12,63 %.

Risques relatifs, odds ratios, et autres mesures : une subtilité supplémentaire

Pour les paramètres qui ne sont pas bornés (comme les odds ratios ou les risques relatifs), on travaille sur le logarithme de la mesure : on calcule l’IC autour du log(OR), puis on “re-transforme” le résultat par une exponentiation.

• Formule pour l’odds ratio : ln(OR) ± 1,96 × SE(ln OR)
• On obtient l’IC sur l’échelle log, puis :
  • IC(OR) = [exp(valeur-basse), exp(valeur-haute)]

Une bonne pratique consiste à toujours rapporter ces deux étapes, pour clarifier la méthode auprès des collègues et relecteurs (voir BMJ, 1996).

Interpréter un intervalle de confiance : au-delà des apparences

L’IC n’est pas une “boîte magique” : il appelle un regard critique, car son interprétation évolue selon la question posée, la rigueur du protocole, et la pertinence des données.

• L’IC ne garantit pas que la vraie valeur est “dans” l’intervalle : Notre certitude ne porte pas sur la population réelle, mais sur la procédure de calcul. Autrement dit : 95 % des IC calculés selon la même méthode contiendront la vraie valeur. Pour cet exemple précis, on ignore si c’est le cas (StatPearls, 2023).
• L’IC large = résultats incertains ; IC étroit = précision renforcée
• Une valeur “seuil” franchie ne fait pas tout : Un IC incluant la valeur nulle (0 pour une différence, 1 pour un rapport) suggère l’absence d’effet statistiquement démontré au seuil de 5 %. Mais la pertinence clinique, la taille de l’effet et le contexte priment souvent sur la stricte statistique.

Type de mesure	Valeur nulle	Implication si l’IC inclut la valeur nulle
Moyenne	0	Pas de différence détectée entre groupes
Risque relatif (RR)	1	Effet non significatif sur le risque
Odds Ratio (OR)	1	Aucune association statistique prouvée

Limites à garder à l’esprit

• Hypothèse de normalité : L’IC “classique” (± 1,96 SE) suppose parfois une loi normale ; ce n’est pas toujours applicable, surtout pour de faibles n ou des distributions asymétriques.
• Biais d’échantillonnage : L’IC ne compense jamais des biais méthodologiques : il quantifie l’incertitude “statistique”, pas les erreurs de mesure, biais de sélection, etc.
• Multiplicité des tests : Attention à l’inflation du risque d’erreur si de nombreux IC sont calculés indépendamment sans ajustement (voir JAMA, 2018).

Cas pratiques et situations épidémiologiques courantes

Étude de cohorte : Estimation d’un risque relatif

Dans une cohorte de 2000 personnes, 140 maladies sont observées chez 1000 sujets exposés, 70 chez 1000 non exposés. Calcul :

• Risque exposés : 140/1000 = 14 %
• Risque non exposés : 70/1000 = 7 %
• Risque relatif = 14 % / 7 % = 2
• Erreur standard du log(RR) ≈ √[ (1/140)-(1/1000)+(1/70)-(1/1000)] ≈ 0,142
• IC du log(RR) : ln(2) ± 1,96 × 0,142 ≈ 0,693 ± 0,278 = [0,415 ; 0,971]
• RR IC à 95 % : [exp(0,415) ; exp(0,971)] = [1,51 ; 2,64]

La valeur 1 n’étant pas dans l’IC, l’association apparaît statistiquement significative — mais, comme toujours, ce n’est qu’une partie de l’évaluation : la causalité, les biais potentiels et la plausibilité biologique restent à apprécier.

Pourquoi bannir l’expression “p < 0,05” au profit de l’intervalle de confiance

Longtemps, le “p < 0,05” a été synonyme de validation. Or, l’IC permet une lecture infiniment plus nuancée :

• Il donne l’estimation de l’ampleur de l’effet, pas seulement sa présence.
• Il met au jour la précision réelle des estimations.
• Il aide à la synthèse entre la significativité statistique et l’importance clinique (voir JAMA, 2018).

Il est maintenant préconisé, notamment par le New England Journal of Medicine, de bannir la dépendance exclusive aux seuils de p-value dans les analyses.

Diversité des intervalles de confiance et cas spéciaux

• IC par Bootstrap : Lorsque l’hypothèse de normalité tombe, la méthode bootstrap permet de reconstituer empiriquement la distribution de la statistique, pour des IC robustes même avec peu de données.
• IC pour modèles complexes : En régression, la largeur de l’IC varie selon la richesse du modèle et la qualité des données. Toujours vérifier l’ajustement et la multicolinéarité !
• Privilégier la transparence : Toujours indiquer le niveau de confiance choisi (pas seulement 95 % mais, si pertinent, 99 %), la méthode et, si possible, le code ou la formule exacte employée.

Pour s’entraîner : ressources et outils validés

• Khan Academy – Exercices interactifs sur les IC pour proportions et moyennes
• Calculatrices en ligne :
  • GraphPad – IC pour moyenne, écart-type fourni
  • MedCalc – IC pour proportions
• Manuels de référence :
  • StatPearls : Confidence Interval
  • Guide to Epidemiology, World Health Organization

Élargir la réflexion : nuances statistiques et débat scientifique

L’intervalle de confiance tisse le lien entre les mathématiques et le réel, entre l’incertitude et la décision. Son maniement rigoureux encourage la transparence, la nuance – et, fondamentalement, la remise en question constante des dogmes statistiques établis. Acquérir des réflexes critiques face aux IC, c’est aussi gagner en maturité scientifique, et respecter l’incertitude qui accompagne inévitablement l’étude des phénomènes de santé, toujours complexes et jamais tout à fait prévisibles.

Rien n’empêche de donner systématiquement l’IC dans ses travaux, de discuter ses limites, et même de débattre publiquement de l’adéquation du fameux seuil de 95 %. La bonne santé de la rigueur méthodologique s’en portera d’autant mieux.