Analyse statistique

[temps de lecture : 4 minutes]

L’analyse statistique emploie des méthodes mathématiques pour analyser les résultats obtenus dans les études scientifiques avec des outcomes numériques et juger de leur pertinence.

La statistique peut être de type descriptif (par exemple pouvoir répondre à la question : « Quelle proportion de la population d’une ville a plus de soixante ans ? ») ou de type d’inférence autrement dit elle peut étudier les données d’un échantillon de population pour évaluer si elles peuvent être généralisées à l’ensemble de la population.

En simplifiant autant que possible, et à des fins d’illustration seulement, on peut dire que les chercheurs engagés dans un essai clinique typique divisent la population de départ en deux groupes et formulent une question, pouvant être par exemple : « L’intervention que nous avons l’intention d’appliquer fera-t-elle une différence entre ceux la reçoivent et ceux ne la reçoivent pas ? »

Pour conduire une étude, la procédure scientifique prévoit de partir du postulat qui sera ladite hypothèse nulle (H₀), ou on suppose qu’il faudra donner une réponse négative à la question. En d’autres termes, l’intervention appliquée n’aura aucun effet. En pareil cas, à la fin de l’expérimentation on ne rencontrera pas de différences entre les groupes ou bien les différences relevées seront infimes ou encore le seul fruit du hasard.

A contrario, quand les différences sont suffisamment grandes ou pour utiliser le langage technique statistiquement significatives, on pourra accepter ladite hypothèse alternative autrement dit on pourra affirmer que les différences entre les groupes ne sont pas dues au hasard. Si cela se vérifie, les chercheurs peuvent répondre positivement à la question de recherche en concluant que l’intervention provoque une différence entre la personne ceux la reçoivent et ceux qui ne le reçoivent pas.

L’analyse statistique sert justement à fournir les outils appropriés pour mesurer les différences entre les groupes à la seule fin de comprendre si cette différence statistiquement significative existe.

Afin d’effectuer les calculs, les chercheurs peuvent avoir recours à de nombreux types de test statistiques, chacun doté de caractéristiques qui le rendent plus propice à analyser les types de données déterminés. Par exemple, pour confronter deux proportions ou deux pourcentages on peut utiliser le test du chi carré X² alors que pour calculer la différence entre les moyennes des deux groupes on peut recourir au test t de Student.

On suppose que les chercheurs impliqués dans une étude ECR aient collecté les ensembles de données (dataset), voire les différentes valeurs numériques se référant à un certain temps initial et à un certain temps final (avant et après l’intervention envisagée par le projet d’étude), calculés pour chacun des sujets inclus dans le groupe d’étude et pour chacun de ceux inclus dans le groupe témoin.

Si les conditions précises d’applicabilité de chacun des tests sont remplies, on pourra procéder à l’analyse statistique. L’objectif sera de comprendre s’il demeure une différence et, le cas échéant, de la quantifier.

Bref, l’analyse statistique devrait permettre aux chercheurs de trouver une valeur de probabilité, ou p-value, qui leur permet d’estimer suffisamment improbable que la différence observée entre les groupes de l’étude soit due au simple hasard.

La valeur numérique de cette probabilité est mesurée par la valeur p, qui étant une probabilité ne peut prendre que des valeurs comprises entre 0 et 1. Si la valeur p est égale à 1, cela signifie que l’hypothèse nulle est satisfaite, ou qu’ils n’existent pas même de différences entre les groupes. Plus la valeur p est petite, plus la probabilité que les résultats ne soient pas attribuables au hasard est grande.

Si les chercheurs fixent un niveau de significativité statistique à 5%, la valeur p doit être inférieure à 0,05 (rapport de 1/20) pour permettre de rejeter l’hypothèse nulle et d’accepter l’hypothèse alternative. Pour calculer la valeur p, on a recours à des formules spéciales provenant de feuilles de calcul et de logiciels statistiques.

Comme exemple pratique on cite une étude de Fornari et al.¹

Cette étude prévoit l’administration de l’OMTh, une abréviation correspondant au libellé international pour indiquer l’Osteopathic Manipulative Therapy, soit le traitement manipulateur ostéopathique administré par des praticiens non diplômés en médecine, contrairement à l’OMT, qui par ailleurs est le traitement administré par les médecins ostéopathes.

Les 20 participants doivent réaliser certains calculs arithmétiques pendant 5 minutes face à une commission de trois personnes (évènement déclencheur du stress), successivement la moitié d’eux reçoit une unique session d’OMTh.

On effectue des enregistrements électrocardiographes avant et après les sessions, évaluant la fréquence cardiaque et HRV, à la recherche du rapport LF :HF, considéré comme un indice de balance sympatho-vagal. En outre, on prélevait des échantillons de salive pour déterminer le cortisol.

A partir de l’analyse statistique apparaissent des différences statistiquement significatives (p < 0,05) entre le groupe d’étude traité par thérapie crânio-sacrée et le groupe contrôle qui reçoit une thérapie simulée.

Pour de plus amples informations nous vous renvoyons à l’article cité¹, à la vaste littérature sur le sujet et au volume de Francesco Cerritelli et Diego Lanaro².

Bibliographie

1. Fornari M, Carnevali L, Sgoifo A. Single Osteopathic Manipulative Therapy Session Dampens Acute Autonomic and Neuroendocrine Responses to Mental Stress in Healthy Male Participants. J Am Osteopath Assoc. 2017 Sep 1;117(9):559-567.
2. Cerritelli F, Lanaro D. Elementi di ricerca in osteopatia e terapie manuali. Napoli: Edises, 2018.