🇬🇧 Read this article in English
Introduction
Chaque jour, nous sommes exposés à des affirmations qui semblent évidentes :
- Les personnes qui mangent plus de chocolat vivent plus longtemps.
- Les consommateurs de café présentent moins de maladies cardiovasculaires.
- Les utilisateurs de compléments alimentaires sont en meilleure santé.
- Les sportifs ont un microbiote plus diversifié.
Ces observations sont souvent exactes. Pourtant, une question essentielle demeure :
Ces facteurs sont-ils la cause du phénomène observé ou sont-ils simplement associés à celui-ci ?
Cette distinction constitue l’un des fondements de la pensée scientifique moderne. Car si deux phénomènes évoluent ensemble, cela ne signifie pas nécessairement que l’un provoque l’autre. Autrement dit : corrélation n’est pas causalité.
Qu’est-ce qu’une corrélation ?
Une corrélation mesure la tendance de deux variables à évoluer ensemble. Par exemple :
- plus une personne est grande, plus son poids tend à être élevé ;
- plus l’âge augmente, plus le risque cardiovasculaire augmente ;
- plus le nombre de cigarettes consommées augmente, plus le risque de cancer pulmonaire augmente.
Dans ces exemples, les deux variables sont corrélées. Mais la corrélation ne nous indique pas pourquoi cette relation existe. Elle ne décrit qu’une coexistence statistique.
Le piège de l’interprétation intuitive
Notre cerveau est une formidable machine à détecter des relations. Cette capacité a constitué un avantage évolutif majeur. Cependant, elle possède un défaut : nous avons tendance à transformer automatiquement une association en relation de cause à effet.
Si deux événements surviennent ensemble, nous supposons spontanément qu’ils sont liés. La science existe précisément pour nous protéger de cette illusion.
L’exemple classique : les glaces et les noyades
Chaque été, deux phénomènes augmentent simultanément :
- les ventes de glaces ;
- le nombre de noyades.
Les données montrent une corrélation réelle. Pourtant :
- les glaces ne provoquent pas les noyades ;
- les noyades n’augmentent pas la consommation de glaces.
Le véritable facteur causal est la température estivale. Lorsqu’il fait chaud :
- davantage de personnes achètent des glaces ;
- davantage de personnes se baignent.
La corrélation observée résulte d’une troisième variable cachée.
Les trois grandes explications possibles
Lorsqu’une corrélation est observée, trois scénarios principaux peuvent l’expliquer.
1. A provoque B
Exemple : le tabac augmente le risque de cancer pulmonaire. Dans ce cas, la relation est réellement causale.
2. B provoque A
Exemple : on observe que les personnes hospitalisées reçoivent davantage d’antibiotiques. Ce ne sont pas les antibiotiques qui provoquent l’hospitalisation. Ce sont les infections graves qui entraînent simultanément l’hospitalisation et la prescription d’antibiotiques. Le sens de la causalité est inversé.
3. Une troisième variable influence A et B
Exemple : les personnes qui consomment davantage de fruits présentent souvent une meilleure santé. Mais elles ont également tendance à :
- faire davantage d’exercice ;
- moins fumer ;
- consulter plus régulièrement leur médecin ;
- avoir un niveau socio-économique plus élevé.
Le fruit n’est peut-être qu’un marqueur d’un mode de vie globalement plus favorable.
Les corrélations absurdes
L’une des meilleures façons de comprendre le problème consiste à observer des corrélations totalement absurdes. On peut montrer statistiquement que :
- le nombre de films dans lesquels apparaît un acteur est corrélé aux noyades dans les piscines ;
- la consommation de fromage est corrélée au nombre de personnes décédées en s’emmêlant dans leurs draps ;
- certaines dépenses publiques évoluent parallèlement à des phénomènes sans aucun rapport.
Ces corrélations sont réelles. Mais elles ne possèdent aucune signification causale. Elles apparaissent simplement parce que de nombreuses variables évoluent simultanément dans le temps.
Pourquoi la nutrition est particulièrement vulnérable
La nutrition est probablement l’un des domaines les plus exposés à ce problème. Imaginons une étude montrant que les consommateurs de thé vert vivent plus longtemps. Faut-il conclure que le thé vert augmente l’espérance de vie ? Pas nécessairement.
Les consommateurs réguliers de thé vert peuvent également :
- avoir un niveau d’éducation plus élevé ;
- pratiquer davantage d’activité physique ;
- avoir une alimentation plus riche en végétaux ;
- présenter un meilleur suivi médical.
L’effet observé pourrait être attribuable à l’ensemble de ces facteurs. C’est pourquoi les études observationnelles doivent toujours être interprétées avec prudence.
Le microbiote : un terrain fertile pour les confusions
Les recherches sur le microbiote intestinal illustrent parfaitement cette difficulté. De nombreuses études montrent que certaines bactéries sont associées à :
- l’obésité ;
- le diabète ;
- la dépression ;
- les maladies inflammatoires.
Mais plusieurs questions demeurent ouvertes : les bactéries sont-elles la cause de la maladie ? Ou la maladie modifie-t-elle le microbiote ? Ou encore existe-t-il un troisième facteur qui influence simultanément les deux ? Cette distinction est fondamentale pour comprendre les limites des conclusions scientifiques actuelles.
Comment démontrer une causalité ?
La causalité exige des preuves supplémentaires. Parmi les critères les plus importants :
Temporalité
La cause doit précéder l’effet.
Relation dose-réponse
Une exposition plus importante doit produire un effet plus marqué.
Cohérence biologique
Un mécanisme plausible doit exister.
Reproductibilité
Les résultats doivent être retrouvés dans différentes études.
Essais contrôlés randomisés
Ils restent la méthode de référence pour établir une relation causale.
Corrélation et réduction de complexité
La corrélation constitue un outil extrêmement puissant. Elle permet d’identifier rapidement des signaux dans des systèmes complexes. Cependant, elle représente déjà une réduction de la réalité.
Deux variables peuvent sembler liées alors qu’elles s’inscrivent dans un réseau beaucoup plus vaste d’interactions biologiques, environnementales, sociales et comportementales. Autrement dit : une corrélation est souvent le début d’une enquête scientifique, jamais sa conclusion.
Conclusion
La confusion entre corrélation et causalité constitue l’une des erreurs les plus fréquentes dans l’interprétation des données scientifiques. Une association statistique peut être :
- causale ;
- inversée ;
- liée à un facteur caché ;
- ou simplement fortuite.
Comprendre cette distinction est essentiel pour analyser les études, interpréter les recommandations et développer une véritable pensée critique.
Dans un monde saturé de données, la question n’est plus seulement « Existe-t-il une corrélation ? » mais plutôt : « Quelle histoire biologique cette corrélation raconte-t-elle réellement ? »
Et parfois, la réponse est : aucune.
Laisser un commentaire