Dans le domaine de la recherche translationnelle, de la psychologie clinique et des sciences comportementales, l’établissement rigoureux des paramètres pré-interventionnels constitue le socle indispensable sur lequel repose la validité de toute inférence causale. La notion de caractéristique initiale (souvent désignée sous le terme anglophone de baseline characteristic) désigne l’ensemble des données démographiques, cliniques, biologiques, psychométriques et contextuelles recueillies auprès d’un sujet avant qu’il ne reçoive une quelconque manipulation expérimentale ou un traitement thérapeutique. Sans une cartographie détaillée de cet état antérieur, il devient méthodologiquement impossible de distinguer l’effet réel d’une intervention du simple bruit de fond lié aux trajectoires individuelles spontanées.
Caractéristique initiale
1. Définition concise
Une caractéristique initiale désigne une variable mesurée ou observée chez un participant ou un groupe au tout début d’une étude scientifique, précisément avant l’administration d’une intervention, d’un traitement expérimental ou d’une exposition spécifique. Elle représente l’état de référence à partir duquel l’évolution ultérieure des trajectoires psychologiques ou cliniques est évaluée.
Dans le contexte des sciences psychologiques et psychiatriques, cette notion dépasse le simple relevé signalétique de l’âge ou du genre. Elle englobe la sévérité initiale des symptômes, les comorbidités psychiatriques, les profils cognitifs, les antécédents familiaux, ainsi que les facteurs psychosociaux tels que le niveau d’éducation, le soutien social perçu ou les événements de vie stressants récents. Ces données permettent de définir précisément la population échantillonnée et de s’assurer de sa conformité avec les critères d’éligibilité définis a priori par le protocole.
Sur le plan méthodologique, ces caractéristiques constituent les variables d’ancrage indispensables pour évaluer l’équivalence initiale entre les groupes de comparaison au sein des essais cliniques randomisés, pour ajuster statistiquement les estimations d’efficacité dans les études observationnelles, et pour détecter d’éventuels modérateurs de l’effet thérapeutique.
2. Étymologie et origine linguistique
L’expression française « caractéristique initiale » (ou « caractéristique à l’inclusion », voire « donnée de base ») est la traduction directe du concept anglophone de baseline characteristic. Le mot « caractéristique » puise ses racines dans le grec ancien kharaktêr (χαρακτήρ), signifiant originellement « marque empreinte », « gravure » ou « signe distinctif », dérivé du verbe kharassein (graver, entailler). Il s’est diffusé dans la langue scientifique pour désigner les attributs spécifiques et discriminants d’un individu ou d’un phénomène.
L’adjectif « initial » découle du latin initialis, formé sur initium (« commencement », « début »), lui-même issu du verbe inire (« entrer dans », « commencer »). Il souligne explicitement le caractère inaugural de la mesure temporelle. Dans la littérature internationale, le terme baseline trouve son origine dans le domaine de la topographie et de l’arpentage au XIXe siècle, où la base line (ligne de base) représentait une ligne méticuleusement mesurée sur le terrain, à partir de laquelle s’effectuaient les calculs de triangulation géodésique. Transposée au milieu du XXe siècle dans la méthodologie statistique et la biomédecine, la notion a conservé cette idée d’un niveau zéro ou d’un repère géométrique stable indispensable à toute mesure relative.
3. Prononciation et forme grammaticale
Sur le plan morphologique et grammatical, « caractéristique » est un nom commun féminin, et « initiale » est un adjectif qualificatif féminin accordé en genre et en nombre. La prononciation phonétique en français standard se transcrit par [ka.ʁak.te.ʁis.tik i.ni.sjal]. Au pluriel, la locution s’écrit « caractéristiques initiales » ([ka.ʁak.te.ʁis.tik.z‿i.ni.sjal]).
Dans les rapports de recherche clinique et les publications académiques en langue française, plusieurs variantes synonymiques coexistent : « caractéristiques de référence », « caractéristiques à l’inclusion », « données initiales » ou « paramètres à l’état de base ». Bien que le calque « caractéristiques de baseline » soit fréquemment rencontré dans le jargon de laboratoire et les échanges informels entre chercheurs, l’usage académique formel préconise l’emploi de « caractéristiques initiales » ou « à l’inclusion », qui s’intègrent harmonieusement aux règles typographiques et stylistiques de la francophonie médicale et psychologique.
4. Explication conceptuelle détaillée
La compréhension approfondie d’une caractéristique initiale exige de la replacer au cœur de la logique inférentielle de la méthode expérimentale. Dans toute démarche cherchant à identifier un lien de cause à effet — par exemple, vérifier si une thérapie cognitivo-comportementale réduit l’intensité d’un trouble panique —, l’expérimentateur doit comparer un état observé après intervention à un contrefactuel, c’est-à-dire ce qui se serait produit en l’absence de cette intervention. La caractéristique initiale fournit l’étalonnage empirique direct de cet état antérieur au sein de chaque unité d’observation.
Sur le plan conceptuel, les caractéristiques initiales remplissent quatre fonctions épistémologiques fondamentales :
Premièrement, elles établissent la comparabilité des groupes. Dans un essai contrôlé randomisé, la randomisation théorique vise à répartir équitablement les facteurs de confusion connus et inconnus entre les bras d’intervention. La vérification empirique de cette répartition équilibrée s’effectue par l’inspection minutieuse des caractéristiques initiales, traditionnellement résumées dans ce que la communauté biomédicale appelle le « Tableau 1 » (Table 1) des manuscrits scientifiques. Un déséquilibre marqué sur une caractéristique fortement corrélée au critère de jugement principal (par exemple, un groupe présentant un score de dépression initial moyen de 28 sur l’inventaire de Beck, contre 18 dans le groupe témoin) menace directement la validité interne de l’étude.
Deuxièmement, elles permettent l’ajustement statistique pour augmenter la précision et la puissance analytique. L’utilisation de modèles linéaires tels que l’analyse de covariance (ANCOVA) ou les modèles mixtes pour mesures répétées permet d’intégrer la valeur initiale de la variable d’intérêt en tant que covariable. En éliminant la variance interindividuelle préexistante, l’analyste réduit considérablement l’erreur résiduelle, ce qui accroît la sensibilité de l’étude à détecter un véritable effet de l’intervention sans nécessiter un accroissement démesuré de la taille d’échantillon.
Troisièmement, elles conditionnent la validité externe et l’hétérogénéité des effets du traitement. Aucune intervention psychologique n’exerce des effets strictement uniformes sur l’ensemble des individus. Les caractéristiques initiales constituent la matière première des analyses en sous-groupes préspécifiées et des modèles de modération. Ainsi, une intervention de remédiation cognitive peut se révéler particulièrement efficace chez des sujets présentant un déficit exécutif initial sévère, tout en s’avérant superflue ou inefficace chez des participants dont les fonctions exécutives de base sont préservées.
Quatrièmement, elles contrôlent les biais de sélection et documentent l’attrition sélective. Tout au long d’une étude longitudinale, des participants sont susceptibles d’abandonner le protocole (perdus de vue). La comparaison des caractéristiques initiales des sujets ayant complété l’étude avec celles des sujets ayant décroché permet de vérifier si les données manquantes surviennent de manière totalement aléatoire (MCAR) ou si elles introduisent un biais d’attrition systématique qui compromettrait l’interprétation des résultats.
5. Développement historique
L’histoire de la formalisation des caractéristiques initiales est intimement liée à l’émergence de la statistique moderne et de l’épidémiologie clinique au XXe siècle. Avant les années 1930, la recherche médicale et psychologique reposait principalement sur des séries de cas observationnelles où l’état antérieur des patients était décrit de manière anecdotique, qualitative et non standardisée. L’absence de rigueur dans l’enregistrement systématique des paramètres initiaux empêchait de distinguer l’effet réel des thérapeutiques de l’évolution naturelle des affections.
Un point de bascule conceptuel a été franchi grâce aux travaux du statisticien Ronald A. Fisher dans les années 1920 et 1930. En formalisant les principes de l’expérimentation agricole et la technique de l’analyse de covariance, Fisher a démontré mathématiquement que la mesure d’une covariable avant l’application d’un engrais permettait de purifier l’estimation de l’effet expérimental en réduisant l’erreur expérimentale due à l’hétérogénéité naturelle des parcelles de terre.
Cette approche a été transposée au domaine médical lors du célèbre essai sur la streptomycine pour la tuberculose pulmonaire mené par le Medical Research Council britannique en 1948, sous la direction de Sir Austin Bradford Hill. Pour la première fois de manière rigoureusement documentée, les caractéristiques initiales des patients (âge, gravité radiologique des lésions pulmonaires, température corporelle, vitesse de sédimentation) ont été collectées de façon standardisée avant le tirage au sort afin de prouver formellement que les deux groupes thérapeutiques étaient superposables au départ.
En psychologie et en psychiatrie clinique, le développement des échelles psychométriques standardisées à partir des années 1960 — notamment par des pionniers tels qu’Aaron T. Beck (Beck Depression Inventory) ou Max Hamilton (Hamilton Rating Scale for Depression) — a permis de substituer aux descriptions cliniques subjectives des scores quantitatifs fiables. L’avènement des critères diagnostiques opérationnels avec le DSM-III en 1980 a achevé d’institutionnaliser l’évaluation exhaustive des caractéristiques initiales, rendant indispensable la description rigoureuse de la sévérité syndromique, de la durée de l’épisode et des caractéristiques de personnalité avant toute inclusion expérimentale.
À partir du milieu des années 1990, la standardisation internationale des protocoles de recherche par les déclarations de référence telles que le relevé CONSORT (Consolidated Standards of Reporting Trials) a rendu obligatoire la présentation exhaustive des caractéristiques initiales dans toute publication d’essai contrôlé randomisé, interdisant le recours trompeur aux tests de signification statistique univariés pour valider la qualité d’une randomisation.
6. Fondements théoriques
La théorisation des caractéristiques initiales repose sur plusieurs piliers conceptuels issus de l’épistémologie de la causalité, de la modélisation statistique et de la psychométrie contemporaine.
Le premier cadre fondamental est le modèle causal de Rubin (Rubin Causal Model ou cadre des résultats potentiels développé par Donald Rubin). Selon cette approche, l’effet causal d’une intervention pour une unité donnée est la différence entre son résultat potentiel sous condition de traitement et son résultat potentiel sous condition de contrôle. Puisqu’il est métaphysiquement impossible d’observer simultanément ces deux états pour le même individu au même moment (le problème fondamental de l’inférence causale), les chercheurs doivent s’appuyer sur des moyennes de groupes. Pour que ces comparaisons soient valides sans biais, l’assignation au traitement doit satisfaire l’hypothèse de forte ignorabilité conditionnelle. Cette hypothèse stipule que, conditionnellement à l’ensemble des caractéristiques initiales observées, la distribution des résultats potentiels est indépendante du statut d’assignation.
Le second cadre théorique relève de la psychométrie classique et de la modélisation des trajectoires latentes. Dans la perspective des modèles de croissance latente (Latent Growth Curve Modeling) et des modèles autorégressifs croisés, la caractéristique initiale n’est pas considérée comme une constante statique dénuée d’erreur, mais comme un construit latent observé avec une certaine imprécision de mesure. La théorie classique des tests rappelle que tout score initial observé se décompose en un score vrai et une composante d’erreur aléatoire. Si un échantillon est sélectionné sur la base d’un score extrême lors de l’évaluation initiale (par exemple, des scores d’anxiété très élevés), une partie de ce score est imputable à une erreur transitoire positive. Lors de l’évaluation suivante, même en l’absence totale de thérapie, la moyenne du groupe aura tendance à se rapprocher de la moyenne de la population générale : c’est le phénomène statistique inévitable de régression vers la moyenne, mis en évidence par Francis Galton. La mesure rigoureuse de la caractéristique initiale permet d’isoler mathématiquement cette dynamique régressive de l’efficacité spécifique du traitement.
Enfin, la théorie des systèmes complexes et des réseaux psychopathologiques (développée notamment par Denny Borsboom) offre une perspective contemporaine selon laquelle les caractéristiques initiales ne sont pas de simples prédicteurs passifs, mais représentent la configuration topologique d’un réseau dynamique de symptômes interconnectés. La structure initiale de ce réseau (densité des connexions, centralité de certains symptômes spécifiques comme l’insomnie ou l’anhédonie) détermine la vulnérabilité du système psychique face aux perturbations et prédit sa réactivité aux agents thérapeutiques.
7. Composantes clés, types et dimensions
Les caractéristiques initiales recueillies dans le cadre des protocoles de recherche en psychologie et en santé mentale s’articulent autour de plusieurs dimensions interdépendantes :
- Caractéristiques sociodémographiques : Variables fondamentales incluant l’âge chronologique, le genre biologique, l’identité de genre, le statut matrimonial, la composition du foyer, le groupe ethnoculturel autodéclaré, le niveau d’instruction et la catégorie socioprofessionnelle. Ces facteurs structurent l’exposition aux déterminants sociaux de la santé.
- Paramètres cliniques et psychopathologiques : Durée d’évolution du trouble principal, nombre d’épisodes antérieurs, âge de début, sévérité symptomatique mesurée par des échelles standardisées, antécédents d’hospitalisation psychiatrique, tentatives de suicide passées et comorbidités psychiatriques actuelles (évaluées via des entretiens diagnostiques structurés).
- Données biomédicales et pharmacologiques : Traitements psychotropes et somatiques en cours (molécules, posologies, observance), antécédents médicaux généraux, indice de masse corporelle (IMC), biomarqueurs sanguins ou inflammatoires (taux de protéine C-réactive, cortisol salivaire) et données génétiques ou épigénétiques le cas échéant.
- Variables cognitives et neuropsychologiques : Quotient intellectuel estimé, performance de la mémoire de travail, flexibilité cognitive, vitesse de traitement de l’information et capacités attentionnelles mesurées avant toute intervention cognitive ou rééducative.
- Facteurs psychologiques dynamiques et traits de personnalité : Dimensions de personnalité (stabilité émotionnelle, extraversion, névrosisme), stratégies habituelles de régulation émotionnelle, style d’attachement, sentiment d’auto-efficacité, disposition à la pleine conscience et croyances métacognitives.
- Déterminants environnementaux et contextuels : Niveau de stress perçu au cours du dernier mois, présence d’un soutien social informel robuste, antécédents de traumatismes durant l’enfance (mesurés par exemple par le questionnaire ACE ou le CTQ) et précarité financière perçue.
- Attentes et représentations du traitement : Croyance préalable du patient quant à la crédibilité du protocole thérapeutique, attentes de guérison, motivation intrinsèque au changement et degré de stigmatisation intériorisée liée à la maladie mentale.
8. Exemples et cas illustratifs
Pour illustrer la portée concrète de ces paramètres, examinons trois cas de recherche représentatifs des sciences psychologiques :
Exemple 1 : Essai d’une thérapie numérique pour la dépression majeure. Une équipe de recherche évalue une application pour smartphone dispensant des modules d’activation comportementale chez 200 adultes diagnostiqués avec un épisode dépressif majeur. Les caractéristiques initiales collectées comprennent le score à l’échelle PHQ-9 (Patient Health Questionnaire), le niveau de littératie numérique, le degré d’anhédonie de base et le temps d’écran hebdomadaire. Lors de l’analyse finale, les chercheurs découvrent que l’efficacité de l’intervention est fortement modérée par une caractéristique initiale précise : l’aisance technologique de base. Les participants ayant un faible niveau de littératie numérique à l’inclusion n’ont tiré aucun bénéfice de l’outil en raison d’une mauvaise navigabilité, tandis que ceux ayant une familiarité numérique élevée ont présenté une rémission marquée. L’absence de mesure de cette caractéristique initiale aurait dilué l’effet thérapeutique et conduit à des conclusions erronées sur la viabilité intrinsèque du programme.
Exemple 2 : Étude longitudinale sur l’intervention précoce post-traumatique. Dans un centre de crise hospitalier, des chercheurs évaluent l’effet d’une intervention psychologique d’urgence chez des victimes d’accidents de la voie publique pour prévenir le trouble de stress post-traumatique (TSPT). À l’inclusion, les caractéristiques initiales enregistrées regroupent le rythme cardiaque dans les minutes suivant l’admission, le niveau de dissociation péri-traumatique, les antécédents d’abus dans l’enfance et le soutien social immédiat. Les résultats démontrent que la caractéristique initiale « niveau de dissociation péri-traumatique élevé » identifie de façon spécifique les sujets pour lesquels l’intervention est vitale, tandis que chez les sujets présentant une dissociation nulle, l’intervention n’apporte pas de gain supérieur au simple réconfort usuel.
Exemple 3 : Randomisation déséquilibrée dans une clinique d’addictologie. Lors d’un essai pilote comparant un nouveau protocole d’entretien motivationnel à la prise en charge standard pour la dépendance à l’alcool, la randomisation par petits blocs a produit par pur hasard un groupe expérimental dont la durée moyenne de dépendance initiale était de 15 ans, contre 6 ans dans le groupe témoin. Grâce à la documentation méticuleuse de cette caractéristique clinique à l’inclusion dans le Tableau 1, les statisticiens ont pu intégrer cette variable comme covariable d’ajustement dans un modèle de régression de Cox évaluant le délai avant la première rechute, évitant ainsi de conclure faussement à l’infériorité du traitement expérimental.
9. Mesure et évaluation
La quantification des caractéristiques initiales obéit à des normes méthodologiques particulièrement strictes afin de garantir l’absence de biais de mesure.
Le timing de l’évaluation constitue la règle méthodologique la plus impérative : toutes les caractéristiques initiales doivent impérativement être mesurées avant l’assignation aléatoire (dans un essai randomisé) ou avant le début formel de l’exposition au traitement. Si une mesure est effectuée après que le patient a découvert le groupe auquel il appartient (par exemple, savoir qu’il recevra une pilule placebo ou une psychothérapie active), les réponses psychologiques peuvent être immédiatement contaminées par des biais de déception ou d’anticipation, ce qui détruit le statut de « baseline » pure de la mesure.
Sur le plan des instruments, la fidélité et la validité des outils employés à l’état de base sont primordiales :
- Pour les diagnostics psychopathologiques : Utilisation d’entretiens standardisés semi-structurés tels que le SCID (Structured Clinical Interview for DSM) ou la MINI (Mini International Neuropsychiatric Interview), administrés par des cliniciens indépendants préalablement étalonnés pour assurer un accord inter-juges élevé (coefficient Kappa de Cohen supérieur à 0,80).
- Pour la sévérité symptomatique : Recours à des échelles validées internationalement présentant d’excellentes qualités de consistance interne (alpha de Cronbach > 0,85) et une bonne sensibilité au changement, comme l’échelle d’évaluation de l’anxiété de Hamilton (HAM-A) ou l’échelle d’évaluation de la dépression de Montgomery-Åsberg (MADRS).
- Pour les biomarqueurs : Standardisation des conditions de prélèvement (recueil salivaire ou sanguin à jeun, à heure fixe pour contrôler le cycle circadien du cortisol, contrôle des prises alimentaires et du tabagisme).
En matière de traitement analytique, la distribution statistique des caractéristiques initiales doit être systématiquement explorée afin de détecter d’éventuelles asymétries (skewness) ou des effets plancher/plafond qui nécessiteraient des transformations logarithmiques ou l’utilisation de tests non paramétriques.
10. Applications et portée pratique
La caractérisation de l’état initial des patients et des participants produit des retombées directes dans de multiples sphères appliquées :
En psychologie clinique et en psychiatrie de précision, la documentation des caractéristiques initiales guide l’algorithme d’orientation thérapeutique (stratified medicine). Plutôt que d’appliquer une approche universelle uniforme (one size fits all), le clinicien s’appuie sur le profil initial du patient — sévérité, altérations neurocognitives, traits de tempérament — pour sélectionner l’intervention ayant la plus forte probabilité statistique de succès chez des patients partageant exactement ces mêmes particularités.
Dans le secteur organisationnel et de la psychologie du travail, l’évaluation du climat organisationnel, du niveau d’épuisement professionnel (burnout) et de l’engagement initial chez les salariés avant la mise en œuvre d’une réorganisation managériale fournit l’ancrage indispensable pour calculer le retour sur investissement humain et économique de l’intervention.
Dans le domaine de l’éducation et de la psychopédagogie, mesurer les habiletés motrices, phonologiques et métacognitives au début de l’année scolaire permet de concevoir des programmes d’aide individualisée et de mesurer les gains réels d’apprentissage, en évitant de confondre la progression induite par l’enseignant avec les compétences préexistantes de l’enfant issues de son milieu familial.
11. Recherche et données empiriques
Une abondante littérature méthodologique s’est attachée à évaluer l’impact des caractéristiques initiales sur la validité des inférences scientifiques.
Concernant l’analyse statistique des essais cliniques, une étude méthodologique majeure publiée par Senn (1994) et corroborée par Austin et al. (2010) a comparé différentes approches statistiques pour traiter la valeur initiale du critère de jugement. Les simulations ont formellement démontré que l’analyse du simple changement par rapport à la valeur initiale (score final moins score initial) est systématiquement moins puissante et plus sensible aux fluctuations aléatoires que l’ANCOVA utilisant la valeur initiale comme covariable régressée sur le score final. L’ANCOVA offre un gain d’efficacité statistique équivalent à une réduction du nombre de sujets nécessaires pouvant aller jusqu’à 20 à 30 % lorsque la corrélation test-retest initiale-finale est substantielle.
Dans le domaine des études observationnelles non randomisées, les travaux séminaux de Rosenbaum et Rubin (1983) ont révolutionné l’exploitation des caractéristiques initiales grâce au calcul du score de propension (propensity score). En condensant l’ensemble des caractéristiques initiales multidimensionnelles d’un patient en une probabilité scalaire unique de recevoir un traitement, cette technique permet d’apparier des patients traités et non traités ayant des probabilités initiales strictement identiques, neutralisant ainsi les biais de confusion majeurs inhérents aux études non expérimentales.
Par ailleurs, de nombreuses méta-analyses publiées par le groupe Cochrane soulignent que l’incomplétude du reporting des caractéristiques initiales dans les publications primaires demeure une source critique de risque de biais. Altman et Doré (1990) ont mis en lumière la pratique inappropriée consistant à effectuer des tests statistiques d’hypothèse nulle (tests t de Student ou Chi-carré) sur les caractéristiques du Tableau 1 dans les essais randomisés : par définition, dans un essai convenablement randomisé, toute différence observée à l’inclusion est imputable au hasard seul, rendant le calcul de la valeur p méthodologiquement dénué de sens.
12. Considérations culturelles et transculturelles
L’évaluation des caractéristiques initiales soulève des défis considérables lorsque les protocoles de recherche sont déployés dans des contextes transculturels ou auprès de minorités ethniques et linguistiques.
La validité des instruments de mesure initiale dépend de leur équivalence conceptuelle, linguistique et métrique. Un score obtenu à l’échelle de dépression de Beck ou à un test de mémoire de travail ne possède pas automatiquement la même signification clinique selon le contexte socioculturel du participant. Dans certaines cultures, la détresse psychologique s’exprime principalement à travers des plaintes somatiques (somatisation de la souffrance) plutôt que par des verbalisations d’affects dépressifs ou d’autodépréciation. Si la caractéristique initiale est enregistrée à l’aide d’un instrument non adapté aux idiomes locaux de détresse, la sévérité initiale du trouble sera systématiquement sous-estimée, faussant ainsi l’ensemble des analyses ultérieures.
De surcroît, la standardisation des variables sociodémographiques de base pose problème : les nomenclatures de statut socio-économique, de profession ou de niveau d’études issues des pays occidentaux, industrialisés, éduqués, riches et démocratiques (dits contextes WEIRD) s’avèrent fréquemment inapplicables ou trompeuses dans les pays du Sud global. L’ignorance de variables initiales spécifiques à certains contextes — telles que l’expérience de déplacements forcés, le statut de réfugié, les traumatismes de guerre collectifs ou le sentiment d’appartenance communautaire — prive les chercheurs de covariables d’ajustement fondamentales pour l’interprétation des résultats.
13. Critiques, débats et limites méthodologiques
Bien que le recueil des caractéristiques initiales soit unanimement reconnu comme une exigence méthodologique, leur exploitation analytique fait l’objet de vives controverses au sein de la communauté scientifique.
La première controverse porte sur le « braconnage de données » (data dredging) ou p-hacking lors des analyses de sous-groupes basées sur les caractéristiques initiales. Face à un essai clinique dont le résultat global est négatif, certains chercheurs cèdent à la tentation de tester rétrospectivement de multiples interactions entre le traitement et différentes caractéristiques initiales (âge, sexe, seuils de scores psychométriques) jusqu’à identifier fortuitement un sous-groupe où l’intervention semble significative. Ces analyses a posteriori, lorsqu’elles ne sont pas explicitement déclarées comme purement exploratoires et corrigées pour les comparaisons multiples, gonflent artificiellement le taux d’erreur de type I et inondent la littérature de fausses découvertes impossibles à répliquer.
Une seconde controverse concerne le sur-ajustement statistique. L’introduction indiscriminée d’un nombre excessif de caractéristiques initiales au sein de modèles de régression multivariée peut engendrer une multicolinéarité sévère, détruire les degrés de liberté du modèle et provoquer un surajustement (overfitting), où le modèle colle parfaitement au bruit des données de l’échantillon tout en perdant toute capacité de généralisation à de nouvelles populations.
Enfin, le fardeau d’évaluation imposé au participant représente une limite éthique et pratique majeure en psychologie clinique. Soumettre un patient en état de détresse psychique aiguë ou présentant une symptomatologie psychotique à des batteries de tests initiaux exhaustives durant plusieurs heures génère une fatigue cognitive importante, augmente les taux de refus d’inclusion et risque de biaiser artificiellement la sélection de l’échantillon vers les individus les plus coopératifs et les moins sévèrement atteints.
14. Termes connexes et distinctions notionnelles
Afin d’éviter toute confusion conceptuelle, il convient de distinguer la caractéristique initiale d’autres notions méthodologiques proches :
- Caractéristique initiale vs Critère de jugement principal (Outcome) : Le critère de jugement principal est la variable dépendante d’intérêt mesurée après l’intervention afin d’évaluer l’efficacité ou l’innocuité de celle-ci, alors que la caractéristique initiale est mesurée préalablement et sert de prédicteur, d’ajustement ou de repère comparatif.
- Caractéristique initiale vs Facteur de confusion (Confounder) : Un facteur de confusion est une caractéristique initiale spécifique qui est causalement liée à la fois à l’exposition et au résultat, créant une fausse association statistique. Toutes les caractéristiques initiales ne sont pas des facteurs de confusion : certaines ne prédisent que le résultat sans être corrélées au traitement.
- Caractéristique initiale vs Modérateur : Un modérateur est une caractéristique initiale qui interagit statistiquement avec l’intervention en modifiant la direction ou l’amplitude de l’effet thérapeutique (pour qui ou dans quelles circonstances le traitement fonctionne-t-il ?).
- Caractéristique initiale vs Médiateur : Contrairement à la caractéristique initiale qui précède l’intervention, une variable médiatrice se situe sur le chemin causal intermédiaire : elle survient pendant ou après l’intervention et explique le mécanisme psychologique par lequel le traitement produit son effet sur le résultat.
- Caractéristique initiale vs Critère d’inclusion/exclusion : Les critères d’éligibilité sont des seuils prédéfinis dans le protocole (par exemple, avoir entre 18 et 65 ans), tandis que les caractéristiques initiales représentent les valeurs empiriques réelles mesurées chez les sujets ayant franchi ces filtres de sélection.
15. Résumé et points clés
La maîtrise de la notion de caractéristique initiale constitue un prérequis incontournable pour la conception, l’exécution et la lecture critique des recherches empiriques en psychologie et en psychiatrie contemporaines :
- Une caractéristique initiale est un paramètre sociodémographique, psychologique, biologique ou clinique recueilli impérativement avant toute intervention ou randomisation.
- Elle sert de repère pour documenter la population étudiée, vérifier l’équilibre des groupes issus de la randomisation et autoriser la généralisation des conclusions cliniques.
- Elle permet de contrôler le phénomène inhérent de régression vers la moyenne et d’optimiser la puissance statistique des modèles analytiques via l’analyse de covariance (ANCOVA).
- Dans les études observationnelles, elle est le fondement du contrôle des facteurs de confusion, notamment par les méthodes d’appariement sur score de propension.
- Elle permet d’identifier l’hétérogénéité de la réponse thérapeutique et de déterminer quels sous-groupes de patients répondent de manière préférentielle à une intervention donnée.
- Son recueil doit obéir à une rigueur temporelle stricte et être réalisé à l’aide d’instruments psychométriques valides et transculturellement équivalents, tout en limitant le fardeau d’évaluation imposé aux participants.
Références
- Altman, D. G., & Doré, C. J. (1990). Randomisation and baseline comparisons in clinical trials. The Lancet, 335(8682), 149-153. https://doi.org/10.1016/0140-6736(90)90014-V
- Austin, P. C., Grootendorst, P., & Anderson, G. M. (2010). A comparison of the ability of different propensity score methods to balance baseline covariates between treated and untreated subjects: a Monte Carlo study. Statistics in Medicine, 26(4), 734-753. https://doi.org/10.1002/sim.2580
- Moher, D., Hopewell, S., Schulz, K. F., Montori, V., Gøtzsche, P. C., Devereaux, P. J., Elbourne, D., Egger, M., & Altman, D. G. (2010). CONSORT 2010 explanation and elaboration: updated guidelines for reporting parallel group randomised trials. BMJ, 340, c869. https://doi.org/10.1136/bmj.c869
- Rosenbaum, P. R., & Rubin, D. B. (1983). The central role of the propensity score in observational studies for causal effects. Biometrika, 70(1), 41-55. https://doi.org/10.1093/biomet/70.1.41
- Senn, S. (1994). Testing for baseline balance in clinical trials. Statistics in Medicine, 13(17), 1715-1726. https://doi.org/10.1002/sim.4780131703