Rando-LCA – Décryptage d’article. Tout savoir sur le degré de signification « p »

Vous avez aimé notre article : 

Coup de pompe après le déjeuner ? Les deux techniques pour des après-midi de travail vraiment efficace.

Nous avons pu l’écrire grâce à un article scientifique publié en 2015 par cinq neuroscientifiques dans la revue PlosOne. Nous pensons que cet article est pertinent pour comprendre plusieurs notions clés de LCA. Nous vous proposons donc de décortiquer ensemble un passage de l’article.

Cette étude comparait trois groupes de patients : le premier groupe ne faisait pas la sieste et n’était pas exposé au soleil, le deuxième faisait une sieste dans le noir complet, le troisième était exposé à une lumière importante >2000lux et ne faisait pas la sieste.

Voici un extrait intéressant de l’article (Partie Méthode) :

Significance level was set at p<0.05 {..} P-values were adjusted using Bonferroni correction

Si on traduit en français cela donne : « le degré de signification a été fixé à p<0.05 {…} Les valeurs de « p » ont été ajusté en utilisant la méthode de correction de Bonferroni. »

Qu’est ce que le degré de signification « p » ?

Le degré de signification, « p », est une notion fondamentale en LCA. C’est la valeur que tout le monde recherche lorsqu’on lui présente les résultats d’une étude et que les laboratoires s’empresseront de mettre en avant lorsqu’ils vous feront de la pub ! En effet, celle-ci permet théoriquement de savoir en un clin d’oeil si l’on peut faire confiance aux résultats que l’on nous présente. 

Imaginez que vous faîtes parti des chercheurs qui veulent comparer l’efficacité de la sieste par rapport à l’exposition lumineuse sur la concentration au travail. Votre hypothèse de base est :   » les individus qui font la sieste sont plus concentrés dans leur travail que les individus qui s’exposent à la lumière « . Toute étude scientifique comporte une part d’imprévus. Peut-être que le groupe des individus qui vont être exposés à la lumière ont tous fait une randonnée de trois jours sans dormir avant de venir participer à votre étude !

Ainsi vos résultats, peu importe les précautions que vous prenez, sont soumis à un risque d’erreur.

C’est pourquoi, au moment de créer votre étude, vous devez déterminer le risque que vos conclusions soient fausses : « le risque de conclure à tort à une différence » (autrement appelé « risque alpha« ). Dans notre étude, il était fixé à priori à 5%. 

Une fois que les chercheurs ont fait l’analyse statistique des résultats, le logiciel de calcul a déterminé le degré de signification « p ». C’est une valeur déterminée à postériori. Si le « p » est inférieur au risque fixé à priori (c’est à dire le risque alpha) alors les résultats de l’étude sont significatifs.

Ainsi, lorsque les chercheurs trouvent à l’issue de leurs calculs un p inférieur au risque alpha, il est possible de se fier aux résultats qu’ils ont trouvé. Le risque de conclure à tort à une différence entre les deux groupes testés est très faible. Ils s’affranchissent ainsi de la part d’aléatoire qui pouvait fausser les résultats de leur étude à priori. 

Attention notez bien :

1. la valeur du p ne donne aucune information sur l’importance de la différence entre les groupes. Si le risque alpha est de 5% = 0.05. Trouver un p=0.04 ou un p=0.00001 a exactement la même signification : la différence est significative. Ce n’est pas parce que l’on trouve un p très inférieur au risque alpha fixé à priori que l’on peut dire que la différence est très significative. 
2. Si le petit « p » est supérieur au risque alpha. Par exemple si p=0.06. On ne pourra pas conclure à une égalité des groupes comparés. Dans notre exemple, si on trouve un degré de signification de 0.07 lorsque l’on compare le groupe « sieste » par rapport au groupe « lumière ». On ne pourra pas dire que l’intervention « sieste » est aussi efficace que l’intervention « lumière » pour améliorer la concentration au travail. Pour cela il faudrait faire une étude dédiée. 
3. la valeur du p est mesurée à postériori. Elle ne modifie pas le risque alpha. Si le p est à 0.02 et que le risque alpha a été fixé à 5%, le risque alpha reste de 5%. 
4. Lorsque l’on fait plusieurs calculs statistiques, la valeur du « p » ne reflète plus la réalité. La multiplication des calculs et des comparaisons entre les groupes augmentent fortement le risque d’erreur aléatoire. Ainsi, il est indispensable de corriger la valeur du petit lors des calculs grâce à des modèles statistiques. Le plus connu est le modèle de Bonferroni. (notion présente dans le glossaire du CNCI. 

En espérant que vous apprécierez cette méthode d’étude de la LCA. N’hésitez pas à nous donner votre avis !

En BONUS QCMs d’internat spécial 6 ème année  : Dans une étude randomisée contrôlée, le p est inutile dans le tableau 1 lorsque les auteurs comparent les deux groupes de patient. Cf ECNI blanc 2017 Q5.