{"id":4512,"date":"2026-10-14T18:01:16","date_gmt":"2026-10-14T18:01:16","guid":{"rendered":"http:\/\/french.arabpsychology.com\/statistics\/ratio-taux-incidence-definition-exemple\/"},"modified":"2026-10-14T18:01:16","modified_gmt":"2026-10-14T18:01:16","slug":"ratio-taux-incidence-definition-exemple","status":"publish","type":"psych_stat","link":"https:\/\/french.arabpsychology.com\/?psych_stat=ratio-taux-incidence-definition-exemple","title":{"rendered":"Qu&rsquo;est-ce que le ratio des taux d&rsquo;incidence ? (D\u00e9finition et exemple)"},"content":{"rendered":"<p>L&rsquo;\u00e9pid\u00e9miologie moderne et la recherche biom\u00e9dicale contemporaine reposent sur la quantification pr\u00e9cise de la survenue des \u00e9v\u00e9nements de sant\u00e9 au sein de populations d\u00e9finies. Parmi l&rsquo;arsenal m\u00e9thodologique \u00e0 la disposition des chercheurs, des biostatisticiens et des cliniciens, les mesures d&rsquo;association occupent une place pr\u00e9pond\u00e9rante pour d\u00e9terminer la force du lien causal unissant une exposition environnementale, comportementale ou g\u00e9n\u00e9tique \u00e0 l&rsquo;apparition d&rsquo;une affection pathologique. Si le risque relatif cumul\u00e9 et le rapport de cotes (<a target=\"_blank\" rel=\"noopener noopener noreferrer\" href=\"https:\/\/www.ncbi.nlm.nih.gov\/books\/NBK431098\/\">Odds Ratio<\/a>) constituent des outils largement diss\u00e9min\u00e9s dans la litt\u00e9rature, ils \u00e9chouent fr\u00e9quemment \u00e0 int\u00e9grer la dimension temporelle dynamique propre aux cohortes ouvertes et aux pathologies dont la latence d&rsquo;apparition varie substantiellement selon les individus. C&rsquo;est pr\u00e9cis\u00e9ment au sein de cette br\u00e8che m\u00e9thodologique que s&rsquo;impose le ratio des taux d&rsquo;incidence, couramment d\u00e9sign\u00e9 sous le sigle anglophone IRR pour <em>Incidence Rate Ratio<\/em>.<\/p>\n<p>Le ratio des taux d&rsquo;incidence se d\u00e9finit comme le rapport math\u00e9matique entre deux densit\u00e9s d&rsquo;incidence, calcul\u00e9es chacune en rapportant le nombre d&rsquo;\u00e9v\u00e9nements incidents \u00e0 la somme cumul\u00e9e des p\u00e9riodes de temps pendant lesquelles les sujets ont \u00e9t\u00e9 effectivement suivis et expos\u00e9s au risque. Contrairement aux proportions statiques, l&rsquo;IRR incorpore intrins\u00e8quement l&rsquo;unit\u00e9 de personnes-temps (telle que les personnes-ann\u00e9es ou les personnes-mois), conf\u00e9rant ainsi \u00e0 l&rsquo;indicateur une capacit\u00e9 analytique sup\u00e9rieure face aux cohortes dynamiques caract\u00e9ris\u00e9es par des entr\u00e9es \u00e9chelonn\u00e9es, des pertes de vue impr\u00e9vues ou des dur\u00e9es d&rsquo;observation in\u00e9gales entre les participants. Cette m\u00e9trique s&rsquo;av\u00e8re particuli\u00e8rement cruciale non seulement dans l&rsquo;\u00e9tude des maladies infectieuses aigu\u00ebs et des affections n\u00e9oplasiques, mais \u00e9galement en psychiatrie, en psychologie clinique et en sant\u00e9 publique, o\u00f9 la survenue de rechutes, de transitions syndromiques ou d&rsquo;\u00e9v\u00e9nements comportementaux majeurs requiert un suivi longitudinal rigoureux et flexible.<\/p>\n<p>Comprendre, calculer et interpr\u00e9ter avec exactitude le ratio des taux d&rsquo;incidence repr\u00e9sente une comp\u00e9tence fondamentale pour quiconque souhaite analyser de mani\u00e8re critique les publications scientifiques ou concevoir des protocoles d&rsquo;\u00e9tudes observationnelles robustes. Cet article propose une exploration exhaustive et didactique de l&rsquo;IRR : depuis ses fondements math\u00e9matiques jusqu&rsquo;\u00e0 son int\u00e9gration dans les mod\u00e8les multivari\u00e9s avanc\u00e9s tels que la r\u00e9gression de Poisson et la r\u00e9gression binomiale n\u00e9gative, en passant par ses distinctions fondamentales avec les autres mesures d&rsquo;association, ses pi\u00e8ges m\u00e9thodologiques courants et son impl\u00e9mentation logicielle au sein des environnements statistiques de r\u00e9f\u00e9rence.<\/p>\n<h2>1. Fondements conceptuels du ratio des taux d&rsquo;incidence (IRR)<\/h2>\n<h3>1.1 D\u00e9finition th\u00e9orique et formalisation math\u00e9matique<\/h3>\n<p>Pour appr\u00e9hender la nature exacte du ratio des taux d&rsquo;incidence, il est imp\u00e9ratif de dissiper d&#8217;embl\u00e9e la confusion r\u00e9currente observ\u00e9e dans la litt\u00e9rature biom\u00e9dicale entre une proportion d&rsquo;incidence (ou incidence cumul\u00e9e) et un taux d&rsquo;incidence (ou densit\u00e9 d&rsquo;incidence). La proportion d&rsquo;incidence correspond au rapport entre le nombre de nouveaux cas d&rsquo;une affection apparus durant une p\u00e9riode donn\u00e9e et l&rsquo;effectif total d&rsquo;une population initialement indemne au d\u00e9but de l&rsquo;intervalle d&rsquo;observation. Cette proportion, comprise par d\u00e9finition entre z\u00e9ro et un, repr\u00e9sente une probabilit\u00e9 sans dimension temporelle explicite au d\u00e9nominateur, ce qui suppose implicitement que tous les participants soient suivis durant l&rsquo;int\u00e9gralit\u00e9 de la p\u00e9riode sans aucune d\u00e9fection, une condition presque utopique dans les grands protocoles longitudinaux.<\/p>\n<p>\u00c0 l&rsquo;inverse, le taux d&rsquo;incidence mesure la vitesse instantan\u00e9e ou moyenne \u00e0 laquelle un \u00e9v\u00e9nement nouveau survient au sein d&rsquo;une population \u00e0 risque. Sa formalisation repose sur la division du nombre de cas incidents par la masse temporelle globale cumul\u00e9e par l&rsquo;ensemble des participants expos\u00e9s au risque de d\u00e9velopper l&rsquo;\u00e9v\u00e9nement. Le ratio des taux d&rsquo;incidence (IRR) se d\u00e9finit alors comme une mesure relative d&rsquo;association quantifiant l&rsquo;ampleur du contraste \u00e9pid\u00e9miologique entre deux groupes distincts :<\/p>\n<ul>\n<li>Une cohorte expos\u00e9e \u00e0 un d\u00e9terminant d&rsquo;int\u00e9r\u00eat (substance toxique, facteur de stress psychologique, traitement exp\u00e9rimental ou caract\u00e9ristique g\u00e9n\u00e9tique).<\/li>\n<li>Une cohorte non expos\u00e9e, servant de groupe t\u00e9moin ou de r\u00e9f\u00e9rence dans l&rsquo;\u00e9valuation du ph\u00e9nom\u00e8ne.<\/li>\n<\/ul>\n<p>En effectuant le rapport strict entre le taux d&rsquo;incidence chez les expos\u00e9s et le taux d&rsquo;incidence chez les non-expos\u00e9s, l&rsquo;IRR permet d&rsquo;exprimer \u00e0 quel point le rythme temporel d&rsquo;apparition de la maladie se trouve acc\u00e9l\u00e9r\u00e9 ou ralenti par la pr\u00e9sence du facteur d&rsquo;exposition. Sur le plan math\u00e9matique, si l&rsquo;on d\u00e9signe par <span class=\"arabpsy-math-inline\" data-latex=\"I_1\">$I_1$<\/span> le taux chez les expos\u00e9s et par <span class=\"arabpsy-math-inline\" data-latex=\"I_0\">$I_0$<\/span> le taux chez les non-expos\u00e9s, l&rsquo;indicateur s&rsquo;exprime simplement sous la forme <span class=\"arabpsy-math-inline\" data-latex=\"IRR = I_1 \/ I_0\">$IRR = I_1 \/ I_0$<\/span>. Cette division relative \u00e9limine l&rsquo;unit\u00e9 de temps sous-jacente pour produire un nombre sans dimension, facilitant la comparaison de l&rsquo;effet d&rsquo;une exposition \u00e0 travers diverses \u00e9tudes scientifiques ind\u00e9pendantes de leurs dur\u00e9es respectives de suivi.<\/p>\n<h3>1.2 La m\u00e9trique des personnes-ann\u00e9es et temporalit\u00e9 dynamique<\/h3>\n<p>L&rsquo;\u00e9l\u00e9ment distinctif et novateur du calcul du taux d&rsquo;incidence r\u00e9side dans son d\u00e9nominateur, exprim\u00e9 en personnes-temps, le plus souvent quantifi\u00e9 sous la forme de personnes-ann\u00e9es, de personnes-mois ou de personnes-jours. Cette approche permet de traiter avec une rigueur analytique exceptionnelle les variations inh\u00e9rentes aux cohortes observationnelles du monde r\u00e9el. Chaque sujet participant \u00e0 l&rsquo;\u00e9tude contribue au d\u00e9nominateur uniquement pour la dur\u00e9e exacte durant laquelle il a \u00e9t\u00e9 suivi et est demeur\u00e9 indemne de la pathologie tout en \u00e9tant susceptible de la contracter. D\u00e8s lors qu&rsquo;un participant d\u00e9veloppe l&rsquo;\u00e9v\u00e9nement d&rsquo;int\u00e9r\u00eat, d\u00e9c\u00e8de d&rsquo;une autre cause, d\u00e9m\u00e9nage, refuse de poursuivre l&rsquo;investigation ou atteint la date d&rsquo;arr\u00eat programm\u00e9e du protocole, son accumulation de temps de suivi cesse imm\u00e9diatement.<\/p>\n<p>Consid\u00e9rons \u00e0 titre d&rsquo;illustration m\u00e9thodologique une cohorte ferm\u00e9e de trois sujets suivis sur une p\u00e9riode maximale de dix ann\u00e9es. Le premier sujet d\u00e9veloppe la pathologie au terme de deux ann\u00e9es de surveillance ; il apporte par cons\u00e9quent 2 personnes-ann\u00e9es au d\u00e9nominateur et 1 cas au num\u00e9rateur. Le deuxi\u00e8me sujet d\u00e9m\u00e9nage et devient injoignable apr\u00e8s cinq ans d&rsquo;observation sans avoir d\u00e9velopp\u00e9 la maladie ; il fournit 5 personnes-ann\u00e9es de suivi. Le troisi\u00e8me sujet participe scrupuleusement jusqu&rsquo;au terme des dix ann\u00e9es sans manifester aucun signe de l&rsquo;affection ; il contribue \u00e0 hauteur de 10 personnes-ann\u00e9es. Le total du temps d&rsquo;observation accumul\u00e9 par cette micro-cohorte s&rsquo;\u00e9l\u00e8ve donc \u00e0 <span class=\"arabpsy-math-inline\" data-latex=\"2 + 5 + 10 = 17\">$2 + 5 + 10 = 17$<\/span> personnes-ann\u00e9es, pour un \u00e9v\u00e9nement incident identifi\u00e9. Le taux d&rsquo;incidence qui en d\u00e9coule est de <span class=\"arabpsy-math-inline\" data-latex=\"1 \/ 17 \\approx 0,0588\">$1 \/ 17 \\approx 0,0588$<\/span> cas par personne-ann\u00e9e, soit 5,88 cas pour 100 personnes-ann\u00e9es.<\/p>\n<p>Ce paradigme dynamique octroie un avantage consid\u00e9rable face au ph\u00e9nom\u00e8ne de censure des donn\u00e9es, qu&rsquo;il s&rsquo;agisse de censure \u00e0 droite (pertes de vue ou fin d&rsquo;\u00e9tude avant la survenue de l&rsquo;\u00e9v\u00e9nement) ou d&rsquo;entr\u00e9es \u00e9chelonn\u00e9es dans le protocole. Plut\u00f4t que de contraindre les statisticiens \u00e0 imputer artificiellement des donn\u00e9es manquantes ou \u00e0 exclure arbitrairement les sujets n&rsquo;ayant pas accompli un suivi int\u00e9gral \u2014 ce qui induirait immanquablement un <a target=\"_blank\" rel=\"noopener noopener noreferrer\" href=\"https:\/\/www.inserm.fr\">biais de s\u00e9lection<\/a> \u2014, la m\u00e9trique des personnes-ann\u00e9es capture l&rsquo;int\u00e9gralit\u00e9 de l&rsquo;information temporelle objectivement collect\u00e9e sans d\u00e9former l&rsquo;estimation du rythme d&rsquo;occurrence de la pathologie.<\/p>\n<h3>1.3 Pertinence m\u00e9thodologique en \u00e9pid\u00e9miologie et recherche comportementale<\/h3>\n<p>L&rsquo;adoption du ratio des taux d&rsquo;incidence s&rsquo;av\u00e8re hautement strat\u00e9gique dans l&rsquo;\u00e9valuation des cohortes dynamiques dites ouvertes, c&rsquo;est-\u00e0-dire des populations dont la composition fluctue perp\u00e9tuellement au fil des ann\u00e9es en raison des naissances, des d\u00e9c\u00e8s, des migrations ou des recrutements continus de nouveaux volontaires. Les registres nationaux de sant\u00e9 publique, les bases de donn\u00e9es m\u00e9dico-administratives hospitali\u00e8res et les grandes enqu\u00eates longitudinales en sciences sociales exploitent massivement l&rsquo;IRR car il s&rsquo;affranchit des contraintes inh\u00e9rentes aux cohortes ferm\u00e9es o\u00f9 les effectifs initiaux doivent demeurer immobiles.<\/p>\n<p>Par ailleurs, en recherche comportementale, en psychiatrie et en neurosciences cliniques, l&rsquo;apparition des troubles mentaux et des d\u00e9compensations \u00e9motionnelles suit rarement une trajectoire lin\u00e9aire ou pr\u00e9visible \u00e0 date fixe. Des pathologies telles que les \u00e9pisodes d\u00e9pressifs r\u00e9currents, les pouss\u00e9es d&rsquo;addiction avec phases de sevrage et de rechute, ou encore les conduites h\u00e9t\u00e9ro et auto-agressives requi\u00e8rent des m\u00e9triques capables de comptabiliser soit le premier passage \u00e0 l&rsquo;acte dans un laps de temps hautement fluctuant, soit la survenue d&rsquo;\u00e9v\u00e9nements multiples et r\u00e9p\u00e9t\u00e9s chez un m\u00eame individu au cours de son parcours de vie. L&rsquo;IRR s&rsquo;adapte remarquablement \u00e0 ces sp\u00e9cificit\u00e9s gr\u00e2ce \u00e0 son articulation fluide avec les distributions statistiques de comptage.<\/p>\n<p>Enfin, dans le cadre fondamental de l&rsquo;inf\u00e9rence causale, le ratio des taux d&rsquo;incidence permet de poser un jalon analytique robuste pour corroborer les crit\u00e8res de causalit\u00e9 de Bradford Hill, en particulier le crit\u00e8re de temporalit\u00e9 et celui de la force de l&rsquo;association. En \u00e9tablissant que la vitesse d&rsquo;apparition de la maladie au sein du groupe expos\u00e9 exc\u00e8de statistiquement celle du groupe non expos\u00e9 tout en tenant compte de l&rsquo;exposition temporelle cumul\u00e9e, les chercheurs disposent d&rsquo;un argument quantitatif rigoureux pour postuler l&rsquo;implication \u00e9tiologique du facteur investigu\u00e9 dans l&rsquo;alt\u00e9ration de l&rsquo;\u00e9tat de sant\u00e9 des populations.<\/p>\n<h2>2. Formulation math\u00e9matique et proc\u00e9dure de calcul de l&rsquo;IRR<\/h2>\n<h3>2.1 \u00c9quation standard et d\u00e9composition des composantes<\/h3>\n<p>La formulation alg\u00e9brique rigoureuse du ratio des taux d&rsquo;incidence d\u00e9coule de la d\u00e9finition des taux d&rsquo;incidence \u00e9l\u00e9mentaires propres \u00e0 chaque groupe de comparaison. D\u00e9signons par <span class=\"arabpsy-math-inline\" data-latex=\"d_1\">$d_1$<\/span> le nombre total de nouveaux \u00e9v\u00e9nements incidents constat\u00e9s chez les individus expos\u00e9s durant l&rsquo;ensemble de leur suivi, et par <span class=\"arabpsy-math-inline\" data-latex=\"T_1\">$T_1$<\/span> le temps d&rsquo;observation cumul\u00e9 par ces m\u00eames sujets expos\u00e9s. De mani\u00e8re analogue, notons <span class=\"arabpsy-math-inline\" data-latex=\"d_0\">$d_0$<\/span> le nombre total d&rsquo;\u00e9v\u00e9nements survenus chez les individus non expos\u00e9s et <span class=\"arabpsy-math-inline\" data-latex=\"T_0\">$T_0$<\/span> le temps cumul\u00e9 d&rsquo;observation de cette cohorte t\u00e9moin.<\/p>\n<p>Le taux d&rsquo;incidence chez les expos\u00e9s, d\u00e9sign\u00e9 par <span class=\"arabpsy-math-inline\" data-latex=\"I_1\">$I_1$<\/span>, et le taux chez les non-expos\u00e9s, d\u00e9sign\u00e9 par <span class=\"arabpsy-math-inline\" data-latex=\"I_0\">$I_0$<\/span>, sont d\u00e9finis par les ratios suivants :<\/p>\n<ul>\n<li><span class=\"arabpsy-math-inline\" data-latex=\"I_1 = \\frac{d_1}{T_1}\">$I_1 = \\frac{d_1}{T_1}$<\/span><\/li>\n<li><span class=\"arabpsy-math-inline\" data-latex=\"I_0 = \\frac{d_0}{T_0}\">$I_0 = \\frac{d_0}{T_0}$<\/span><\/li>\n<\/ul>\n<p>Le ratio des taux d&rsquo;incidence correspond \u00e0 la division structurelle de <span class=\"arabpsy-math-inline\" data-latex=\"I_1\">$I_1$<\/span> par <span class=\"arabpsy-math-inline\" data-latex=\"I_0\">$I_0$<\/span> :<\/p>\n<p><span class=\"arabpsy-math-display\" data-latex=\"IRR = \\frac{I_1}{I_0} = \\frac{\\frac{d_1}{T_1}}{\\frac{d_0}{T_0}} = \\frac{d_1 \\cdot T_0}{d_0 \\cdot T_1}\">$$IRR = \\frac{I_1}{I_0} = \\frac{\\frac{d_1}{T_1}}{\\frac{d_0}{T_0}} = \\frac{d_1 \\cdot T_0}{d_0 \\cdot T_1}$$<\/span><\/p>\n<p>L&rsquo;examen de cette formulation alg\u00e9brique finale r\u00e9v\u00e8le plusieurs propri\u00e9t\u00e9s fondamentales. D&rsquo;une part, les unit\u00e9s temporelles pr\u00e9sentes \u00e0 la fois au d\u00e9nominateur du num\u00e9rateur (<span class=\"arabpsy-math-inline\" data-latex=\"T_1\">$T_1$<\/span>) et au d\u00e9nominateur du d\u00e9nominateur (<span class=\"arabpsy-math-inline\" data-latex=\"T_0\">$T_0$<\/span>) s&rsquo;annulent d\u00e8s lors qu&rsquo;elles sont exprim\u00e9es dans la m\u00eame m\u00e9trique d&rsquo;\u00e9chelle (par exemple en ann\u00e9es, en mois ou en jours). En cons\u00e9quence, le ratio obtenu est une valeur adimensionnelle, c&rsquo;est-\u00e0-dire un simple scalaire multiplicatif.<\/p>\n<p>D&rsquo;autre part, le comportement asymptotique de l&rsquo;indicateur ob\u00e9it aux lois r\u00e9gissant les grands \u00e9chantillons. Lorsque le volume de personnes-temps et le nombre d&rsquo;\u00e9v\u00e9nements observ\u00e9s croissent substantiellement, la distribution de l&rsquo;IRR converge vers une distribution th\u00e9orique pr\u00e9visible, ce qui autorise l&rsquo;utilisation de tests asymptotiques d&rsquo;hypoth\u00e8se. Inversement, lorsque le nombre de cas <span class=\"arabpsy-math-inline\" data-latex=\"d_1\">$d_1$<\/span> ou <span class=\"arabpsy-math-inline\" data-latex=\"d_0\">$d_0$<\/span> s&rsquo;av\u00e8re particuli\u00e8rement faible (proche de z\u00e9ro), l&rsquo;instabilit\u00e9 statistique du ratio devient manifeste, provoquant une inflation consid\u00e9rable de la variance et imposant le recours \u00e0 des estimateurs exacts bas\u00e9s sur la distribution de Poisson conditionnelle.<\/p>\n<h3>2.2 Standardisation des taux d&rsquo;incidence \u00e9l\u00e9mentaires<\/h3>\n<p>Dans la pratique courante des publications \u00e9pid\u00e9miologiques, les taux d&rsquo;incidence \u00e9l\u00e9mentaires <span class=\"arabpsy-math-inline\" data-latex=\"I_1\">$I_1$<\/span> et <span class=\"arabpsy-math-inline\" data-latex=\"I_0\">$I_0$<\/span> ne sont que tr\u00e8s rarement pr\u00e9sent\u00e9s sous leur forme d\u00e9cimale brute (comme 0,00045 \u00e9v\u00e9nement par personne-jour), car ces valeurs infimes s&rsquo;av\u00e8rent peu intuitives pour les cliniciens et les d\u00e9cideurs sanitaires. L&rsquo;usage veut que ces taux soient multipli\u00e9s par une constante de normalisation arbitraire mais conventionnelle, not\u00e9e <span class=\"arabpsy-math-inline\" data-latex=\"K\">$K$<\/span>, qui prend g\u00e9n\u00e9ralement la valeur de 100, 1 000 ou 100 000 personnes-ann\u00e9es :<\/p>\n<p><span class=\"arabpsy-math-display\" data-latex=\"I_{\\text{standardis\u00e9}} = \\left(\\frac{d}{T}\\right) \\times K\">$$I_{\\text{standardis\u00e9}} = \\left(\\frac{d}{T}\\right) \\times K$$<\/span><\/p>\n<p>Il importe de souligner avec force une propri\u00e9t\u00e9 math\u00e9matique \u00e9l\u00e9mentaire mais rassurante : la multiplication des taux par une constante de normalisation n&rsquo;alt\u00e8re absolument pas la valeur finale du ratio des taux d&rsquo;incidence. En effet, en appliquant le facteur d&rsquo;\u00e9chelle <span class=\"arabpsy-math-inline\" data-latex=\"K\">$K$<\/span> au taux du groupe expos\u00e9 et au taux du groupe non expos\u00e9, la constante s&rsquo;annule purement et simplement lors de la simplification de la fraction :<\/p>\n<p><span class=\"arabpsy-math-display\" data-latex=\"IRR = \\frac{I_1 \\times K}{I_0 \\times K} = \\frac{I_1}{I_0}\">$$IRR = \\frac{I_1 \\times K}{I_0 \\times K} = \\frac{I_1}{I_0}$$<\/span><\/p>\n<p>Toutefois, une vigilance m\u00e9thodologique sans faille s&rsquo;impose concernant l&rsquo;homog\u00e9n\u00e9it\u00e9 temporelle des d\u00e9nominateurs. Si un chercheur venait par inadvertance \u00e0 diviser un taux exprim\u00e9 en \u00e9v\u00e9nements pour 1 000 personnes-ann\u00e9es par un taux de r\u00e9f\u00e9rence quantifi\u00e9 en \u00e9v\u00e9nements pour 1 000 personnes-mois sans proc\u00e9der aux conversions de calendrier pr\u00e9alables (en multipliant par 12 les mois ou en divisant par 12 les ann\u00e9es), le ratio obtenu serait fauss\u00e9 d&rsquo;un ordre de grandeur de douze, induisant des conclusions biom\u00e9dicales enti\u00e8rement erron\u00e9es.<\/p>\n<h3>2.3 Algorithme de calcul pas \u00e0 pas<\/h3>\n<p>Afin de garantir une reproductibilit\u00e9 irr\u00e9prochable des calculs \u00e9pid\u00e9miologiques manuels ou automatis\u00e9s, la d\u00e9termination de l&rsquo;IRR suit un algorithme s\u00e9quentiel rigoureusement codifi\u00e9 en quatre \u00e9tapes op\u00e9rationnelles :<\/p>\n<ul>\n<li><strong>\u00c9tape 1 : Calcul de la somme totale du temps d&rsquo;observation par groupe.<\/strong> Pour l&rsquo;ensemble des individus de la cohorte expos\u00e9e, agr\u00e9ger la dur\u00e9e pr\u00e9cise (en jours, mois ou ann\u00e9es) \u00e9coul\u00e9e entre la date d&rsquo;inclusion dans l&rsquo;\u00e9tude et la date de survenue de l&rsquo;\u00e9v\u00e9nement, de d\u00e9perdition de vue ou de cl\u00f4ture du suivi. R\u00e9p\u00e9ter rigoureusement cette somme pour la cohorte non expos\u00e9e afin d&rsquo;obtenir respectivement <span class=\"arabpsy-math-inline\" data-latex=\"T_1\">$T_1$<\/span> et <span class=\"arabpsy-math-inline\" data-latex=\"T_0\">$T_0$<\/span>.<\/li>\n<li><strong>\u00c9tape 2 : D\u00e9nombrement exact des \u00e9v\u00e9nements incidents survenus durant l&rsquo;intervalle.<\/strong> Proc\u00e9der au comptage exhaustif de tous les nouveaux diagnostics m\u00e9dicaux, rechutes ou d\u00e9c\u00e8s valid\u00e9s par le comit\u00e9 d&rsquo;adjudication clinique survenus chez les sujets expos\u00e9s (<span class=\"arabpsy-math-inline\" data-latex=\"d_1\">$d_1$<\/span>) et non expos\u00e9s (<span class=\"arabpsy-math-inline\" data-latex=\"d_0\">$d_0$<\/span>). Les ant\u00e9c\u00e9dents pr\u00e9existants au d\u00e9but du suivi ne doivent en aucun cas \u00eatre int\u00e9gr\u00e9s \u00e0 ce d\u00e9compte incident.<\/li>\n<li><strong>\u00c9tape 3 : Calcul des taux d&rsquo;incidence respectifs par unit\u00e9 de personnes-temps.<\/strong> Effectuer les divisions \u00e9l\u00e9mentaires <span class=\"arabpsy-math-inline\" data-latex=\"I_1 = d_1 \/ T_1\">$I_1 = d_1 \/ T_1$<\/span> et <span class=\"arabpsy-math-inline\" data-latex=\"I_0 = d_0 \/ T_0\">$I_0 = d_0 \/ T_0$<\/span>. Optionnellement, multiplier chacun des deux quotients par la constante d&rsquo;\u00e9chelle <span class=\"arabpsy-math-inline\" data-latex=\"K\">$K$<\/span> (par exemple 1 000 personnes-ann\u00e9es) pour faciliter la communication des taux bruts dans les tableaux descriptifs de la recherche.<\/li>\n<li><strong>\u00c9tape 4 : Division du taux du groupe expos\u00e9 par celui du groupe t\u00e9moin.<\/strong> Calculer le rapport <span class=\"arabpsy-math-inline\" data-latex=\"IRR = I_1 \/ I_0\">$IRR = I_1 \/ I_0$<\/span>. Consigner le r\u00e9sultat num\u00e9rique avec une pr\u00e9cision typographique standardis\u00e9e, g\u00e9n\u00e9ralement arrondie \u00e0 deux ou trois d\u00e9cimales apr\u00e8s la virgule, avant de proc\u00e9der aux inf\u00e9rences statistiques de dispersion.<\/li>\n<\/ul>\n<h2>3. Exemple d&rsquo;application classique : Tabagisme et pathologie pulmonaire<\/h2>\n<h3>3.1 Pr\u00e9sentation des donn\u00e9es \u00e9pid\u00e9miologiques de l&rsquo;exemple<\/h3>\n<p>Pour illustrer de fa\u00e7on concr\u00e8te la mise en \u0153uvre de ces \u00e9quations, penchons-nous sur un sc\u00e9nario \u00e9pid\u00e9miologique embl\u00e9matique inspir\u00e9 des grandes cohortes historiques de sant\u00e9 respiratoire, telles que la c\u00e9l\u00e8bre \u00e9tude des m\u00e9decins britanniques initi\u00e9e par Sir Richard Doll et Austin Bradford Hill. Imaginons une investigation prospective de grande envergure con\u00e7ue pour \u00e9valuer l&rsquo;impact du tabagisme chronique sur l&rsquo;apparition de la broncho-pneumopathie chronique obstructive (<a target=\"_blank\" rel=\"noopener noopener noreferrer\" href=\"https:\/\/www.who.int\/fr\/news-room\/fact-sheets\/detail\/chronic-obstructive-pulmonary-disease-(copd)\">BPCO<\/a>) s\u00e9v\u00e8re au sein d&rsquo;une population industrielle suivie sur une p\u00e9riode de quinze ann\u00e9es cons\u00e9cutives.<\/p>\n<p>Dans cette recherche, la cohorte des travailleurs fumant quotidiennement au moins un paquet de cigarettes a accumul\u00e9 un volume global de suivi de 10 000 personnes-ann\u00e9es. Au cours de cet intervalle de surveillance, les services de pneumologie ont diagnostiqu\u00e9 700 nouveaux cas av\u00e9r\u00e9s de BPCO parmi ces fumeurs. Le taux d&rsquo;incidence brut observ\u00e9 au sein de ce groupe expos\u00e9 s&rsquo;\u00e9tablit par cons\u00e9quent \u00e0 :<\/p>\n<p><span class=\"arabpsy-math-display\" data-latex=\"I_1 = \\frac{700 \\text{ cas}}{10,000 \\text{ personnes-ann\u00e9es}} = 0,07 \\text{ cas par personne-ann\u00e9e}\">$$I_1 = \\frac{700 \\text{ cas}}{10,000 \\text{ personnes-ann\u00e9es}} = 0,07 \\text{ cas par personne-ann\u00e9e}$$<\/span><\/p>\n<p>Soit, sous une forme standardis\u00e9e plus usuelle, un taux de 7 cas pour 100 personnes-ann\u00e9es (ou encore 70 cas pour 1 000 personnes-ann\u00e9es).<\/p>\n<p>Parall\u00e8lement, la cohorte de r\u00e9f\u00e9rence compos\u00e9e d&#8217;employ\u00e9s strictement non-fumeurs a totalis\u00e9 20 000 personnes-ann\u00e9es de surveillance dynamique. Durant cette m\u00eame p\u00e9riode de quinze ans, les investigations m\u00e9dicales n&rsquo;ont r\u00e9pertori\u00e9 que 300 nouveaux cas de BPCO au sein de cette population t\u00e9moin. Le taux d&rsquo;incidence brut parmi les non-fumeurs se calcule donc ainsi :<\/p>\n<p><span class=\"arabpsy-math-display\" data-latex=\"I_0 = \\frac{300 \\text{ cas}}{20,000 \\text{ personnes-ann\u00e9es}} = 0,015 \\text{ cas par personne-ann\u00e9e}\">$$I_0 = \\frac{300 \\text{ cas}}{20,000 \\text{ personnes-ann\u00e9es}} = 0,015 \\text{ cas par personne-ann\u00e9e}$$<\/span><\/p>\n<p>Ce qui \u00e9quivaut rigoureusement \u00e0 1,5 cas pour 100 personnes-ann\u00e9es (ou 15 cas pour 1 000 personnes-ann\u00e9es).<\/p>\n<h3>3.2 R\u00e9solution num\u00e9rique et obtention de l&rsquo;IRR<\/h3>\n<p>La d\u00e9termination du ratio des taux d&rsquo;incidence s&rsquo;effectue en confrontant ces deux densit\u00e9s temporelles au moyen de la formule pr\u00e9c\u00e9demment \u00e9tablie :<\/p>\n<p><span class=\"arabpsy-math-display\" data-latex=\"IRR = \\frac{I_{\\text{fumeurs}}}{I_{\\text{non-fumeurs}}} = \\frac{0,07}{0,015}\">$$IRR = \\frac{I_{\\text{fumeurs}}}{I_{\\text{non-fumeurs}}} = \\frac{0,07}{0,015}$$<\/span><\/p>\n<figure class=\"wpt-preserved-image\"><img fetchpriority=\"high\" decoding=\"async\" src=\"http:\/\/french.arabpsychology.com\/wp-content\/uploads\/2026\/09\/IRR1.png\" alt=\"\" \/><\/figure>\n<p>Si l&rsquo;on recourt \u00e0 la formulation bas\u00e9e sur les taux standardis\u00e9s pour 100 personnes-ann\u00e9es, l&rsquo;expression devient :<\/p>\n<p><span class=\"arabpsy-math-display\" data-latex=\"IRR = \\frac{7 \/ 100}{1,5 \/ 100} = \\frac{7}{1,5}\">$$IRR = \\frac{7 \/ 100}{1,5 \/ 100} = \\frac{7}{1,5}$$<\/span><\/p>\n<p>L&rsquo;ex\u00e9cution de la division num\u00e9rique produit le r\u00e9sultat exact suivant :<\/p>\n<p><span class=\"arabpsy-math-display\" data-latex=\"IRR = \\frac{7}{1,5} \\approx 4,6666... \\approx 4,67\">$$IRR = \\frac{7}{1,5} \\approx 4,6666&#8230; \\approx 4,67$$<\/span><\/p>\n<p>Il convient de constater que l&rsquo;application directe de la forme crois\u00e9e des donn\u00e9es primaires aboutit avec une stricte \u00e9quivalence au m\u00eame r\u00e9sultat :<\/p>\n<p><span class=\"arabpsy-math-display\" data-latex=\"IRR = \\frac{d_1 \\times T_0}{d_0 \\times T_1} = \\frac{700 \\times 20,000}{300 \\times 10,000} = \\frac{14,000,000}{3,000,000} = \\frac{14}{3} \\approx 4,67\">$$IRR = \\frac{d_1 \\times T_0}{d_0 \\times T_1} = \\frac{700 \\times 20,000}{300 \\times 10,000} = \\frac{14,000,000}{3,000,000} = \\frac{14}{3} \\approx 4,67$$<\/span><\/p>\n<h3>3.3 Formulation rigoureuse de la conclusion scientifique<\/h3>\n<p>L&rsquo;obtention du chiffre 4,67 exige une restitution s\u00e9mantique pr\u00e9cise et nuanc\u00e9e, exempte de confusions conceptuelles. Sur le plan scientifique, la conclusion doit s&rsquo;\u00e9noncer de la mani\u00e8re suivante : \u00ab Dans cette cohorte d&rsquo;\u00e9tude, le taux d&rsquo;incidence de la broncho-pneumopathie chronique obstructive chez les fumeurs est 4,67 fois plus \u00e9lev\u00e9 que celui observ\u00e9 chez les non-fumeurs. En d&rsquo;autres termes, le rythme ou la vitesse d&rsquo;apparition de la pathologie respiratoire au fil du temps est major\u00e9 de 367 % au sein de la population expos\u00e9e au tabagisme par rapport \u00e0 la population t\u00e9moin non expos\u00e9e. \u00bb<\/p>\n<p>L&rsquo;erreur la plus pernicieuse \u00e0 ce stade consisterait \u00e0 d\u00e9clarer que \u00ab les fumeurs ont une probabilit\u00e9 de 4,67 fois plus grande de d\u00e9velopper la maladie au cours de leur vie enti\u00e8re \u00bb. Une telle formulation rel\u00e8ve du risque relatif cumul\u00e9 (<span class=\"arabpsy-math-inline\" data-latex=\"RR\">$RR$<\/span>) et pr\u00e9suppose une cohorte ferm\u00e9e sans prise en compte des d\u00e9bits temporels. Affirmer une \u00e9quivalence entre le taux instantan\u00e9 et le risque probabiliste global constitue un contresens m\u00e9thodologique majeur, car deux populations pr\u00e9sentant un m\u00eame IRR peuvent afficher des risques absolus cumul\u00e9s profond\u00e9ment disparates si les dur\u00e9es r\u00e9elles d&rsquo;exposition ou les taux de mortalit\u00e9 comp\u00e9titive divergent substantiellement.<\/p>\n<p>Sur le plan de l&rsquo;interpr\u00e9tation clinique, une valeur d&rsquo;IRR de 4,67 traduit une association \u00e9tiologique particuli\u00e8rement puissante selon la taxonomie \u00e9pid\u00e9miologique usuelle. Un tel \u00e9cart d\u00e9passe largement les fluctuations fortuites et conf\u00e8re au tabac le statut d&rsquo;un facteur de risque majeur acc\u00e9l\u00e9rant drastiquement la d\u00e9t\u00e9rioration de la fonction ventilatoire des sujets expos\u00e9s.<\/p>\n<h2>4. Grille d&rsquo;interpr\u00e9tation statistique des valeurs de l&rsquo;IRR<\/h2>\n<h3>4.1 IRR sup\u00e9rieur \u00e0 1 : Majoration de l&rsquo;incidence et facteur de risque<\/h3>\n<p>Lorsque le ratio des taux d&rsquo;incidence franchit le seuil unitaire pour s&rsquo;\u00e9tablir \u00e0 une valeur strictement sup\u00e9rieure \u00e0 1 (<span class=\"arabpsy-math-inline\" data-latex=\"IRR &gt; 1\">$IRR &gt; 1$<\/span>), cela indique formellement que la vitesse d&rsquo;apparition de l&rsquo;\u00e9v\u00e9nement de sant\u00e9 au sein du groupe expos\u00e9 exc\u00e8de celle constat\u00e9e au sein du groupe non expos\u00e9. Dans cette situation, le facteur d&rsquo;exposition \u00e9tudi\u00e9 est qualifi\u00e9 d&rsquo;\u00e9l\u00e9ment d\u00e9l\u00e9t\u00e8re ou de <strong>facteur de risque<\/strong> potentiel vis-\u00e0-vis de l&rsquo;apparition de l&rsquo;affection consid\u00e9r\u00e9e.<\/p>\n<p>Pour traduire cette majoration en un indice directement appr\u00e9hensible par les cliniciens et les \u00e9pid\u00e9miologistes, on calcule la majoration relative du taux d&rsquo;incidence, exprim\u00e9e sous forme de pourcentage d&rsquo;augmentation, gr\u00e2ce \u00e0 l&rsquo;\u00e9quation :<\/p>\n<p><span class=\"arabpsy-math-display\" data-latex=\"\\text{Pourcentage d&#039;augmentation} = (IRR - 1) \\times 100\">$$\\text{Pourcentage d&rsquo;augmentation} = (IRR &#8211; 1) \\times 100$$<\/span><\/p>\n<p>\u00c0 titre d&rsquo;illustration, si une investigation prospective portant sur le surmenage professionnel s\u00e9v\u00e8re rapporte un <span class=\"arabpsy-math-inline\" data-latex=\"IRR = 1,45\">$IRR = 1,45$<\/span> pour l&rsquo;apparition d&rsquo;un trouble anxieux g\u00e9n\u00e9ralis\u00e9 par comparaison avec une charge de travail normale, l&rsquo;augmentation relative du taux s&rsquo;\u00e9l\u00e8ve \u00e0 <span class=\"arabpsy-math-inline\" data-latex=\"(1,45 - 1) \\times 100 = 45 %\">$(1,45 &#8211; 1) \\times 100 = 45 %$<\/span>. Cela signifie que la vitesse d&rsquo;\u00e9mergence des manifestations anxieuses est 45 % plus rapide parmi les salari\u00e9s soumis au stresseur au travail. Si l&rsquo;IRR atteint 2,50, la survenue de l&rsquo;\u00e9v\u00e9nement est major\u00e9e de 150 %, traduisant une vuln\u00e9rabilit\u00e9 consid\u00e9rablement accrue au sein de la strate expos\u00e9e.<\/p>\n<h3>4.2 IRR \u00e9gal \u00e0 1 : Hypoth\u00e8se nulle et absence d&rsquo;association<\/h3>\n<p>La valeur num\u00e9rique <span class=\"arabpsy-math-inline\" data-latex=\"IRR = 1\">$IRR = 1$<\/span> repr\u00e9sente le point d&rsquo;\u00e9quilibre parfait entre les deux cohortes en pr\u00e9sence. Elle correspond th\u00e9oriquement \u00e0 la situation o\u00f9 le taux d&rsquo;incidence des expos\u00e9s \u00e9quivaut rigoureusement au taux d&rsquo;incidence des non-expos\u00e9s (<span class=\"arabpsy-math-inline\" data-latex=\"I_1 = I_0\">$I_1 = I_0$<\/span>). Sur le plan de la th\u00e9orie statistique de la d\u00e9cision, cette valeur mat\u00e9rialise l&rsquo;<strong>hypoth\u00e8se nulle<\/strong>, conventionnellement not\u00e9e <span class=\"arabpsy-math-inline\" data-latex=\"H_0\">$H_0$<\/span>.<\/p>\n<p>L&rsquo;observation d&rsquo;un IRR \u00e9gal ou statistiquement indiscernable de 1 indique l&rsquo;absence totale d&rsquo;association d\u00e9montrable entre le facteur analys\u00e9 et la cin\u00e9tique temporelle d&rsquo;apparition de l&rsquo;affection. En termes \u00e9pid\u00e9miologiques, l&rsquo;exposition ne conf\u00e8re ni protection ni vuln\u00e9rabilit\u00e9 vis-\u00e0-vis de l&rsquo;\u00e9v\u00e9nement pathologique \u00e9tudi\u00e9.<\/p>\n<p>N\u00e9anmoins, la rigueur \u00e9pist\u00e9mologique impose de rappeler l&rsquo;adage fondamental selon lequel l&rsquo;absence de preuve d&rsquo;un effet ne constitue nullement la preuve d&rsquo;une absence d&rsquo;effet. Si une \u00e9tude dot\u00e9e d&rsquo;une taille d&rsquo;\u00e9chantillon trop modeste ou d&rsquo;un suivi temporel insuffisant g\u00e9n\u00e8re un IRR proche de l&rsquo;unit\u00e9, cette conclusion peut d\u00e9couler d&rsquo;un manque de puissance statistique plut\u00f4t que de l&rsquo;inactivit\u00e9 biologique r\u00e9elle de l&rsquo;exposition. C&rsquo;est pourquoi l&rsquo;analyse de l&rsquo;IRR ponctuel ne doit jamais \u00eatre dissoci\u00e9e de l&rsquo;estimation de son intervalle de confiance.<\/p>\n<h3>4.3 IRR inf\u00e9rieur \u00e0 1 : R\u00e9duction d&rsquo;incidence et facteur protecteur<\/h3>\n<p>\u00c0 l&rsquo;inverse, lorsqu&rsquo;un ratio des taux d&rsquo;incidence s&rsquo;\u00e9tablit \u00e0 une valeur strictement comprise entre 0 et 1 (<span class=\"arabpsy-math-inline\" data-latex=\"0 le IRR &lt; 1\">$0 le IRR &lt; 1$<\/span>), l&rsquo;exposition consid\u00e9r\u00e9e est associ\u00e9e \u00e0 une d\u00e9c\u00e9l\u00e9ration de l&rsquo;incidence de l&rsquo;\u00e9v\u00e9nement pathologique. Dans ce cas de figure, le facteur \u00e9tudi\u00e9 est interpr\u00e9t\u00e9 comme un <strong>facteur protecteur<\/strong> ou un agent pr\u00e9ventif vis-\u00e0-vis de la maladie.<\/p>\n<p>La quantification de cette r\u00e9duction d&rsquo;incidence s&rsquo;effectue au moyen de l&rsquo;indice de r\u00e9duction relative du taux d&rsquo;incidence (ou fraction pr\u00e9ventive chez les expos\u00e9s), d\u00e9termin\u00e9e par la relation math\u00e9matique suivante :<\/p>\n<p><span class=\"arabpsy-math-display\" data-latex=\"\\text{Pourcentage de r\u00e9duction} = (1 - IRR) \\times 100\">$$\\text{Pourcentage de r\u00e9duction} = (1 &#8211; IRR) \\times 100$$<\/span><\/p>\n<p>Imaginons une cohorte clinique longitudinale comparant des patients souffrant de d\u00e9pressions l\u00e9g\u00e8res recevant un programme d&rsquo;activit\u00e9 physique r\u00e9guli\u00e8re encadr\u00e9e (groupe expos\u00e9 au sport) versus des patients n&rsquo;exer\u00e7ant aucune activit\u00e9 physique (groupe s\u00e9dentaire). Si le taux de transition vers un \u00e9pisode d\u00e9pressif majeur caract\u00e9ris\u00e9 s&rsquo;\u00e9l\u00e8ve \u00e0 7 cas pour 100 personnes-ann\u00e9es dans le groupe sportif et \u00e0 10 cas pour 100 personnes-ann\u00e9es dans le groupe s\u00e9dentaire, l&rsquo;IRR obtenu est :<\/p>\n<p><span class=\"arabpsy-math-display\" data-latex=\"IRR = \\frac{7 \/ 100}{10 \/ 100} = 0,70\">$$IRR = \\frac{7 \/ 100}{10 \/ 100} = 0,70$$<\/span><\/p>\n<p>Le pourcentage de r\u00e9duction d&rsquo;incidence se calcule ainsi :<\/p>\n<p><span class=\"arabpsy-math-display\" data-latex=\"\\text{Pourcentage de r\u00e9duction} = (1 - 0,70) \\times 100 = 30 %\">$$\\text{Pourcentage de r\u00e9duction} = (1 &#8211; 0,70) \\times 100 = 30 %$$<\/span><\/p>\n<p>Nous concluons formellement que l&rsquo;engagement dans une activit\u00e9 physique r\u00e9guli\u00e8re est associ\u00e9 \u00e0 une diminution de 30 % de la vitesse d&rsquo;apparition de d\u00e9compensations d\u00e9pressives majeures au fil du temps. Ce m\u00e9canisme s&rsquo;observe typiquement dans les essais th\u00e9rapeutiques \u00e9valuant des m\u00e9dicaments prophylactiques, des campagnes vaccinales ou des interventions psychosociales ax\u00e9es sur le renforcement de la r\u00e9silience cognitive.<\/p>\n<h2>5. Inf\u00e9rence statistique, intervalles de confiance et tests d&rsquo;hypoth\u00e8se<\/h2>\n<h3>5.1 Transformation logarithmique et calcul de l&rsquo;erreur type<\/h3>\n<p>L&rsquo;estimation ponctuelle de l&rsquo;IRR \u00e0 partir d&rsquo;un \u00e9chantillon ne saurait suffire \u00e0 formuler des assertions probabilistes g\u00e9n\u00e9rales sur la population source. Comme tout ratio de grandeurs positives, l&rsquo;IRR pr\u00e9sente une distribution d&rsquo;\u00e9chantillonnage profond\u00e9ment asym\u00e9trique, \u00e9tir\u00e9e vers l&rsquo;infini \u00e0 droite pour les facteurs de risque, et comprim\u00e9e entre z\u00e9ro et un \u00e0 gauche pour les facteurs protecteurs. Cette dissym\u00e9trie emp\u00eache l&rsquo;application directe des propri\u00e9t\u00e9s de la distribution normale pour \u00e9riger les intervalles d&rsquo;incertitude.<\/p>\n<p>Pour s&rsquo;affranchir de cette distorsion, les biostatisticiens effectuent une transformation logarithmique naturelle de l&rsquo;indicateur. La m\u00e9trique r\u00e9sultante, not\u00e9e <span class=\"arabpsy-math-inline\" data-latex=\"ln(IRR)\">$ln(IRR)$<\/span>, poss\u00e8de une distribution sym\u00e9trique dont la variance asymptotique peut \u00eatre estim\u00e9e avec robustesse gr\u00e2ce \u00e0 la m\u00e9thode delta, sous l&rsquo;hypoth\u00e8se distributionnelle de Poisson pour les d\u00e9nombrements de cas :<\/p>\n<p><span class=\"arabpsy-math-display\" data-latex=\"\\ln(IRR) = \\ln\\left(\\frac{d_1 \/ T_1}{d_0 \/ T_0}\\right) = \\ln(d_1) - \\ln(T_1) - \\ln(d_0) + \\ln(T_0)\">$$\\ln(IRR) = \\ln\\left(\\frac{d_1 \/ T_1}{d_0 \/ T_0}\\right) = \\ln(d_1) &#8211; \\ln(T_1) &#8211; \\ln(d_0) + \\ln(T_0)$$<\/span><\/p>\n<p>Si l&rsquo;on consid\u00e8re le temps d&rsquo;observation (<span class=\"arabpsy-math-inline\" data-latex=\"T_1\">$T_1$<\/span> et <span class=\"arabpsy-math-inline\" data-latex=\"T_0\">$T_0$<\/span>) comme une quantit\u00e9 fixe et d\u00e9termin\u00e9e sans erreur de mesure al\u00e9atoire, la variance du logarithme de l&rsquo;IRR d\u00e9coule uniquement de la variance associ\u00e9e aux nombres d&rsquo;\u00e9v\u00e9nements observ\u00e9s <span class=\"arabpsy-math-inline\" data-latex=\"d_1\">$d_1$<\/span> et <span class=\"arabpsy-math-inline\" data-latex=\"d_0\">$d_0$<\/span>. Sous un mod\u00e8le de Poisson o\u00f9 la variance d&rsquo;un comptage \u00e9quivaut th\u00e9oriquement \u00e0 sa moyenne (<span class=\"arabpsy-math-inline\" data-latex=\"\\text{Var}(d) = d\">$\\text{Var}(d) = d$<\/span>), la variance du logarithme d&rsquo;un comptage est approxim\u00e9e par <span class=\"arabpsy-math-inline\" data-latex=\"1\/d\">$1\/d$<\/span>. L&rsquo;erreur type asymptotique (<em>Standard Error<\/em>, ou <span class=\"arabpsy-math-inline\" data-latex=\"SE\">$SE$<\/span>) du logarithme du ratio des taux d&rsquo;incidence est alors formalis\u00e9e par l&rsquo;\u00e9quation bien connue :<\/p>\n<p><span class=\"arabpsy-math-display\" data-latex=\"SE(\\ln(IRR)) = \\sqrt{\\frac{1}{d_1} + \\frac{1}{d_0}}\">$$SE(\\ln(IRR)) = \\sqrt{\\frac{1}{d_1} + \\frac{1}{d_0}}$$<\/span><\/p>\n<p>Cette relation met en lumi\u00e8re un postulat capital : l&rsquo;impr\u00e9cision statistique de l&rsquo;IRR est dict\u00e9e quasi exclusivement par le nombre de cas incidents observ\u00e9s (<span class=\"arabpsy-math-inline\" data-latex=\"d_1\">$d_1$<\/span> et <span class=\"arabpsy-math-inline\" data-latex=\"d_0\">$d_0$<\/span>) et non par le volume total des personnes-ann\u00e9es accumul\u00e9es. Une cohorte cumulant un million de personnes-ann\u00e9es mais ne consignant que deux \u00e9v\u00e9nements pathologiques sera grev\u00e9e d&rsquo;une instabilit\u00e9 statistique colossale, soulignant l&rsquo;importance cruciale de la taille de l&rsquo;\u00e9chantillon d&rsquo;\u00e9v\u00e9nements.<\/p>\n<h3>5.2 Construction de l&rsquo;intervalle de confiance \u00e0 95 %<\/h3>\n<p>La construction de l&rsquo;intervalle de confiance \u00e0 95 % (<span class=\"arabpsy-math-inline\" data-latex=\"IC_{95%}\">$IC_{95%}$<\/span>) d\u00e9bute sur l&rsquo;\u00e9chelle logarithmique lin\u00e9aris\u00e9e en faisant intervenir la valeur critique <span class=\"arabpsy-math-inline\" data-latex=\"Z_{alpha\/2}\">$Z_{alpha\/2}$<\/span> de la loi normale standard centr\u00e9e r\u00e9duite, \u00e9gale \u00e0 1,96 pour un seuil d&rsquo;erreur alpha consenti de 5 % :<\/p>\n<p><span class=\"arabpsy-math-display\" data-latex=\"\\text{Borne inf\u00e9rieure}_{\\ln} = \\ln(IRR) - 1,96 \\times SE(\\ln(IRR))\">$$\\text{Borne inf\u00e9rieure}_{\\ln} = \\ln(IRR) &#8211; 1,96 \\times SE(\\ln(IRR))$$<\/span><\/p>\n<p><span class=\"arabpsy-math-display\" data-latex=\"\\text{Borne sup\u00e9rieure}_{\\ln} = \\ln(IRR) + 1,96 \\times SE(\\ln(IRR))\">$$\\text{Borne sup\u00e9rieure}_{\\ln} = \\ln(IRR) + 1,96 \\times SE(\\ln(IRR))$$<\/span><\/p>\n<p>Pour transposer cet intervalle sur l&rsquo;\u00e9chelle originelle et intelligible de l&rsquo;IRR, il suffit d&rsquo;appliquer la fonction exponentielle aux deux bornes obtenues :<\/p>\n<p><span class=\"arabpsy-math-display\" data-latex=\"IC_{95%}(IRR) = \\left[ \\exp\\left(\\ln(IRR) - 1,96 \\times SE(\\ln(IRR))\\right) ; ; ; \\exp\\left(\\ln(IRR) + 1,96 \\times SE(\\ln(IRR))\\right) \\right]\">$$IC_{95%}(IRR) = \\left[ \\exp\\left(\\ln(IRR) &#8211; 1,96 \\times SE(\\ln(IRR))\\right) ; ; ; \\exp\\left(\\ln(IRR) + 1,96 \\times SE(\\ln(IRR))\\right) \\right]$$<\/span><\/p>\n<p>Cette op\u00e9ration produit un intervalle asym\u00e9trique coh\u00e9rent avec la morphologie naturelle du ratio. La r\u00e8gle d\u00e9cisionnelle clinique s&rsquo;articule alors autour de la position de la valeur nulle 1 :<\/p>\n<ul>\n<li>Si l&rsquo;intervalle de confiance \u00e0 95 % exclut totalement la valeur 1 (par exemple <span class=\"arabpsy-math-inline\" data-latex=\"[1,32 ; ; ; 2,15]\">$[1,32 ; ; ; 2,15]$<\/span> ou <span class=\"arabpsy-math-inline\" data-latex=\"[0,45 ; ; ; 0,82]\">$[0,45 ; ; ; 0,82]$<\/span>), l&rsquo;association entre l&rsquo;exposition et l&rsquo;\u00e9v\u00e9nement est jug\u00e9e statistiquement significative au seuil alpha bilat\u00e9ral de 5 %.<\/li>\n<li>Si, en revanche, l&rsquo;intervalle de confiance englobe la valeur 1 (par exemple <span class=\"arabpsy-math-inline\" data-latex=\"[0,88 ; ; ; 1,42]\">$[0,88 ; ; ; 1,42]$<\/span>), l&rsquo;hypoth\u00e8se nulle ne peut \u00eatre rejet\u00e9e au risque de 5 %, signifiant que les donn\u00e9es ne permettent pas de conclure \u00e0 une divergence de taux d&rsquo;incidence entre les deux groupes.<\/li>\n<\/ul>\n<h3>5.3 Tests d&rsquo;hypoth\u00e8se et interpr\u00e9tation de la p-valeur<\/h3>\n<p>Parall\u00e8lement \u00e0 la d\u00e9termination de l&rsquo;intervalle de confiance, la confirmation formelle de la signification statistique repose sur l&rsquo;ex\u00e9cution d&rsquo;un test d&rsquo;hypoth\u00e8se \u00e9valuant <span class=\"arabpsy-math-inline\" data-latex=\"H_0: \\ln(IRR) = 0\">$H_0: \\ln(IRR) = 0$<\/span> contre <span class=\"arabpsy-math-inline\" data-latex=\"H_1: \\ln(IRR) ne 0\">$H_1: \\ln(IRR) ne 0$<\/span>. L&rsquo;approche la plus standard r\u00e9side dans le test de Wald, dont la statistique <span class=\"arabpsy-math-inline\" data-latex=\"Z\">$Z$<\/span> est d\u00e9finie par le quotient de l&rsquo;estimation logarithmique par son erreur type :<\/p>\n<p><span class=\"arabpsy-math-display\" data-latex=\"Z = \\frac{\\ln(IRR)}{SE(\\ln(IRR))}\">$$Z = \\frac{\\ln(IRR)}{SE(\\ln(IRR))}$$<\/span><\/p>\n<p>La probabilit\u00e9 critique bilat\u00e9rale (valeur <span class=\"arabpsy-math-inline\" data-latex=\"p\">$p$<\/span>) est ensuite calcul\u00e9e en confrontant la valeur absolue de <span class=\"arabpsy-math-inline\" data-latex=\"Z\">$Z$<\/span> aux quantiles de la loi normale centr\u00e9e r\u00e9duite : <span class=\"arabpsy-math-inline\" data-latex=\"p = 2 \\times (1 - \\Phi(|Z|))\">$p = 2 \\times (1 &#8211; \\Phi(|Z|))$<\/span>. Dans les cadres param\u00e9triques plus \u00e9labor\u00e9s, le test du rapport de vraisemblance (<em>Likelihood Ratio Test<\/em>), comparant la d\u00e9viance d&rsquo;un mod\u00e8le sous hypoth\u00e8se nulle \u00e0 celle d&rsquo;un mod\u00e8le satur\u00e9 incluant l&rsquo;exposition, s&rsquo;av\u00e8re particuli\u00e8rement robuste lorsque les effectifs d&rsquo;\u00e9v\u00e9nements demeurent mod\u00e9r\u00e9s.<\/p>\n<p>Cependant, les recommandations \u00e9ditoriales des plus hautes revues m\u00e9dicales mettent en garde la communaut\u00e9 scientifique contre l&rsquo;\u00e9cueil de l&rsquo;assujettissement aveugle \u00e0 la seule valeur <span class=\"arabpsy-math-inline\" data-latex=\"p\">$p$<\/span>. Une valeur <span class=\"arabpsy-math-inline\" data-latex=\"p &lt; 0,05\">$p &lt; 0,05$<\/span> n&rsquo;atteste en rien de la pertinence clinique de l&rsquo;IRR estim\u00e9 ; elle traduit simplement qu&rsquo;un \u00e9cart est d\u00e9tect\u00e9 avec une faible probabilit\u00e9 d&rsquo;erreur fortuite. Inversement, un IRR imposant mais dot\u00e9 d&rsquo;une p-valeur de 0,07 peut t\u00e9moigner d&rsquo;un signal biologique authentique m\u00e9ritant investigation au sein d&rsquo;une cohorte mieux dot\u00e9e en puissance d&rsquo;observation.<\/p>\n<h2>6. Application du ratio des taux d&rsquo;incidence en recherche psychologique et psychiatrique<\/h2>\n<h3>6.1 Incidence des \u00e9pisodes d\u00e9pressifs majeurs sous stress chronique<\/h3>\n<p>En psychopathologie quantitative, la mod\u00e9lisation de l&rsquo;\u00e9mergence des \u00e9pisodes d\u00e9pressifs majeurs au sein de cohortes professionnelles confront\u00e9es \u00e0 un stress organisationnel prolong\u00e9 fournit une illustration remarquable de la puissance de l&rsquo;IRR. Consid\u00e9rons une cohorte suivie dans le cadre d&rsquo;une recherche sur l&rsquo;\u00e9puisement professionnel (burn-out) : les salari\u00e9s sont soumis \u00e0 des contraintes psychologiques drastiques (groupe expos\u00e9) tandis qu&rsquo;un groupe t\u00e9moin b\u00e9n\u00e9ficie de conditions ergonomiques et manag\u00e9riales r\u00e9gul\u00e9es.<\/p>\n<p>Dans un tel contexte, le calcul d&rsquo;un taux d&rsquo;incidence fond\u00e9 sur les personnes-ann\u00e9es s&rsquo;impose comme une n\u00e9cessit\u00e9 absolue en raison des mobilit\u00e9s internes, des d\u00e9missions professionnelles, des arr\u00eats maladie de longue dur\u00e9e et des d\u00e9parts en retraite anticip\u00e9e. L&rsquo;IRR permet d&rsquo;\u00e9valuer la vitesse d&rsquo;\u00e9closion du premier \u00e9pisode d\u00e9pressif caract\u00e9ris\u00e9 (selon les crit\u00e8res du <a target=\"_blank\" rel=\"noopener noopener noreferrer\" href=\"https:\/\/www.psychiatry.org\">DSM-5<\/a>) en int\u00e9grant pr\u00e9cis\u00e9ment le temps r\u00e9el d&rsquo;exposition de chaque salari\u00e9 avant sa sortie d&rsquo;effectif.<\/p>\n<p>Si la cohorte soumise au stress chronique pr\u00e9sente un taux de 12 \u00e9pisodes pour 1 000 personnes-mois de suivi, contre 3 \u00e9pisodes pour 1 000 personnes-mois au sein de la cohorte t\u00e9moin, l&rsquo;IRR de 4,00 d\u00e9montre une acc\u00e9l\u00e9ration ph\u00e9nom\u00e9nale du d\u00e9clin de l&rsquo;\u00e9quilibre affectif chez les individus expos\u00e9s. L&rsquo;IRR permet ainsi d&rsquo;\u00e9clairer les comit\u00e9s de sant\u00e9 et de s\u00e9curit\u00e9 au travail sur l&rsquo;urgence d&rsquo;instaurer des mesures prophylactiques cibl\u00e9es.<\/p>\n<h3>6.2 Rechute et r\u00e9cidive dans les troubles de l&rsquo;usage de substances<\/h3>\n<p>L&rsquo;addictologie clinique constitue un autre champ d&rsquo;\u00e9lection pour le ratio des taux d&rsquo;incidence. Contrairement aux pathologies infectieuses o\u00f9 la gu\u00e9rison est d\u00e9finitive ou entra\u00eene une immunit\u00e9, les conduites addictives (d\u00e9pendance aux opiac\u00e9s, \u00e0 l&rsquo;alcool ou aux stimulants) s&rsquo;inscrivent dans une temporalit\u00e9 oscillatoire caract\u00e9ris\u00e9e par des phases de r\u00e9mission suivies d&rsquo;\u00e9pisodes fr\u00e9quents de rechute.<\/p>\n<p>Lors d&rsquo;un essai prospectif \u00e9valuant l&rsquo;efficacit\u00e9 compar\u00e9e d&rsquo;une th\u00e9rapie cognitivo-comportementale ax\u00e9e sur la pr\u00e9vention des rechutes versus une prise en charge m\u00e9dicale standard, la variable d&rsquo;int\u00e9r\u00eat clinique principale est souvent le d\u00e9lai menant \u00e0 la premi\u00e8re consommation compulsive apr\u00e8s le sevrage initial. En exprimant les dur\u00e9es en personnes-semaines ou personnes-mois, l&rsquo;IRR capture avec finesse la r\u00e9duction du rythme de r\u00e9cidive :<\/p>\n<ul>\n<li>Un IRR de 0,62 en faveur de la psychoth\u00e9rapie innovante signale une diminution de 38 % du taux d&rsquo;incidence des \u00e9pisodes de r\u00e9cidive par unit\u00e9 de temps.<\/li>\n<li>Le mod\u00e8le int\u00e8gre harmonieusement les arr\u00eats pr\u00e9matur\u00e9s de traitement (drop-outs), tr\u00e8s fr\u00e9quents chez les usagers de substances, sans exclure arbitrairement ces patients du d\u00e9nominateur d&rsquo;observation.<\/li>\n<\/ul>\n<h3>6.3 Suivi longitudinal des conduites suicidaires et auto-agressives<\/h3>\n<p>L&rsquo;\u00e9valuation des conduites auto-agressives et des tentatives d&rsquo;autolyse requiert une m\u00e9thodologie \u00e9pid\u00e9miologique d&rsquo;une intransigeance absolue. Les patients pr\u00e9sentant des ant\u00e9c\u00e9dents de traumatismes complexes durant l&rsquo;enfance manifestent un taux de r\u00e9currence suicidaire notablement fluctuant au cours de leur prise en charge institutionnelle.<\/p>\n<p>La variabilit\u00e9 des s\u00e9jours hospitaliers en psychiatrie complique l&rsquo;utilisation de pourcentages d&rsquo;incidence cumul\u00e9e : certains patients sont hospitalis\u00e9s trois semaines, d&rsquo;autres dix mois. En convertissant ces p\u00e9riodes en personnes-jours d&rsquo;hospitalisation ou de suivi ambulatoire, l&rsquo;IRR permet de mesurer avec exactitude la protection conf\u00e9r\u00e9e par un dispositif th\u00e9rapeutique intensif (par exemple la th\u00e9rapie comportementale dialectique). Un IRR ajust\u00e9 de 0,45 pour les passages \u00e0 l&rsquo;acte prouve que le protocole r\u00e9duit de 55 % la fr\u00e9quence d&rsquo;apparition des crises auto-agressives par rapport aux soins usuels, fournissant des arguments probants pour l&rsquo;allocation des budgets hospitaliers en sant\u00e9 mentale.<\/p>\n<h2>7. Mod\u00e9lisation multivari\u00e9e avanc\u00e9e : R\u00e9gression de Poisson et IRR<\/h2>\n<h3>7.1 Le mod\u00e8le de r\u00e9gression de Poisson comme cadre d&rsquo;estimation<\/h3>\n<p>L&rsquo;analyse bivari\u00e9e standard de l&rsquo;IRR par d\u00e9composition de tables de contingence temporelle trouve rapidement ses limites face \u00e0 la complexit\u00e9 des facteurs d&rsquo;exposition multiples et imbriqu\u00e9s. Pour contr\u00f4ler les biais d&rsquo;observation et examiner simultan\u00e9ment l&rsquo;influence de plusieurs variables pr\u00e9dictives, le recours aux Mod\u00e8les Lin\u00e9aires G\u00e9n\u00e9ralis\u00e9s (<em>Generalized Linear Models<\/em>, ou GLM), et plus sp\u00e9cifiquement \u00e0 la <strong>r\u00e9gression de Poisson<\/strong>, est la r\u00e9f\u00e9rence m\u00e9thodologique universelle.<\/p>\n<p>La r\u00e9gression de Poisson suppose que le nombre d&rsquo;\u00e9v\u00e9nements observ\u00e9s <span class=\"arabpsy-math-inline\" data-latex=\"Y_i\">$Y_i$<\/span> pour un sujet ou une strate <span class=\"arabpsy-math-inline\" data-latex=\"i\">$i$<\/span> suit une distribution de Poisson de param\u00e8tre <span class=\"arabpsy-math-inline\" data-latex=\"\\mu_i\">$\\mu_i$<\/span>, o\u00f9 <span class=\"arabpsy-math-inline\" data-latex=\"\\mu_i\">$\\mu_i$<\/span> repr\u00e9sente le nombre attendu d&rsquo;occurrences. Le mod\u00e8le lie math\u00e9matiquement cette esp\u00e9rance \u00e0 une combinaison lin\u00e9aire de covariables pr\u00e9dictives <span class=\"arabpsy-math-inline\" data-latex=\"X_i\">$X_i$<\/span> au travers d&rsquo;une fonction de lien canonique logarithmique :<\/p>\n<p><span class=\"arabpsy-math-display\" data-latex=\"\\ln(\\mu_i) = \\beta_0 + \\beta_1 X_{1i} + \\beta_2 X_{2i} + dots + \\beta_k X_{ki}\">$$\\ln(\\mu_i) = \\beta_0 + \\beta_1 X_{1i} + \\beta_2 X_{2i} + dots + \\beta_k X_{ki}$$<\/span><\/p>\n<p>L&rsquo;avantage fondamental de ce mod\u00e8le \u00e0 lien log r\u00e9side dans l&rsquo;interpr\u00e9tation directe de ses coefficients param\u00e9triques <span class=\"arabpsy-math-inline\" data-latex=\"\\beta\">$\\beta$<\/span>. Lorsqu&rsquo;une variable pr\u00e9dictive <span class=\"arabpsy-math-inline\" data-latex=\"X_1\">$X_1$<\/span> est binaire (indiquant par exemple la pr\u00e9sence ou l&rsquo;absence d&rsquo;une exposition), la soustraction des \u00e9quations log-lin\u00e9aires pour les deux niveaux d&rsquo;exposition r\u00e9v\u00e8le que la diff\u00e9rence des pr\u00e9dictions \u00e9quivaut au logarithme naturel du ratio des taux d&rsquo;incidence :<\/p>\n<p><span class=\"arabpsy-math-display\" data-latex=\"\\ln(\\mu_{\\text{expos\u00e9}}) - \\ln(\\mu_{\\text{non-expos\u00e9}}) = \\beta_1 implies \\ln\\left(\\frac{\\mu_{\\text{expos\u00e9}}}{\\mu_{\\text{non-expos\u00e9}}}\\right) = \\beta_1\">$$\\ln(\\mu_{\\text{expos\u00e9}}) &#8211; \\ln(\\mu_{\\text{non-expos\u00e9}}) = \\beta_1 implies \\ln\\left(\\frac{\\mu_{\\text{expos\u00e9}}}{\\mu_{\\text{non-expos\u00e9}}}\\right) = \\beta_1$$<\/span><\/p>\n<p>Par application de la fonction exponentielle, on obtient imm\u00e9diatement l&rsquo;IRR ajust\u00e9 sur l&rsquo;ensemble des autres termes de la r\u00e9gression :<\/p>\n<p><span class=\"arabpsy-math-display\" data-latex=\"IRR = \\exp(\\beta_1)\">$$IRR = \\exp(\\beta_1)$$<\/span><\/p>\n<p>Toutefois, le mod\u00e8le de Poisson classique repose sur une hypoth\u00e8se distributionnelle restrictive d\u00e9nomm\u00e9e <strong>\u00e9quidispersion<\/strong>, selon laquelle l&rsquo;esp\u00e9rance math\u00e9matique de la distribution doit \u00eatre rigoureusement \u00e9gale \u00e0 sa variance (<span class=\"arabpsy-math-inline\" data-latex=\"\\text{E}(Y) = \\text{Var}(Y) = \\mu\">$\\text{E}(Y) = \\text{Var}(Y) = \\mu$<\/span>).<\/p>\n<h3>7.2 R\u00f4le et int\u00e9gration math\u00e9matique de la variable d&rsquo;exposition (Offset)<\/h3>\n<p>Dans l&rsquo;\u00e9quation de r\u00e9gression pr\u00e9c\u00e9dente, la variable r\u00e9ponse mod\u00e9lis\u00e9e correspond \u00e0 un comptage d&rsquo;\u00e9v\u00e9nements <span class=\"arabpsy-math-inline\" data-latex=\"\\mu_i\">$\\mu_i$<\/span>. Or, en \u00e9pid\u00e9miologie des cohortes dynamiques, la probabilit\u00e9 d&rsquo;observer un \u00e9v\u00e9nement d\u00e9pend directement de la dur\u00e9e pendant laquelle le sujet ou le groupe a \u00e9t\u00e9 suivi. Un individu observ\u00e9 durant dix ans a naturellement dix fois plus d&rsquo;occasions de manifester la maladie qu&rsquo;un individu surveill\u00e9 pendant une seule ann\u00e9e, sans que son taux intrins\u00e8que soit pour autant sup\u00e9rieur.<\/p>\n<p>Pour convertir le comptage absolu en un v\u00e9ritable taux d&rsquo;incidence, il est imp\u00e9ratif d&rsquo;int\u00e9grer le temps d&rsquo;observation individuel <span class=\"arabpsy-math-inline\" data-latex=\"T_i\">$T_i$<\/span> au sein du mod\u00e8le. L&rsquo;\u00e9quation de taux th\u00e9orique s&rsquo;\u00e9crit <span class=\"arabpsy-math-inline\" data-latex=\"\\lambda_i = \\mu_i \/ T_i\">$\\lambda_i = \\mu_i \/ T_i$<\/span>, ce qui implique que l&rsquo;esp\u00e9rance du comptage correspond au produit du taux par le temps : <span class=\"arabpsy-math-inline\" data-latex=\"\\mu_i = \\lambda_i \\times T_i\">$\\mu_i = \\lambda_i \\times T_i$<\/span>. En appliquant le lien logarithmique naturel, l&rsquo;\u00e9galit\u00e9 devient :<\/p>\n<p><span class=\"arabpsy-math-display\" data-latex=\"\\ln(\\mu_i) = \\ln(\\lambda_i \\times T_i) = \\ln(\\lambda_i) + \\ln(T_i)\">$$\\ln(\\mu_i) = \\ln(\\lambda_i \\times T_i) = \\ln(\\lambda_i) + \\ln(T_i)$$<\/span><\/p>\n<p>En injectant la formulation log-lin\u00e9aire du taux <span class=\"arabpsy-math-inline\" data-latex=\"\\ln(\\lambda_i) = \\mathbf{X}_i boldsymbol{\\beta}\">$\\ln(\\lambda_i) = \\mathbf{X}_i boldsymbol{\\beta}$<\/span>, l&rsquo;expression compl\u00e8te prend la forme :<\/p>\n<p><span class=\"arabpsy-math-display\" data-latex=\"\\ln(\\mu_i) = \\ln(T_i) + \\beta_0 + \\beta_1 X_{1i} + dots + \\beta_k X_{ki}\">$$\\ln(\\mu_i) = \\ln(T_i) + \\beta_0 + \\beta_1 X_{1i} + dots + \\beta_k X_{ki}$$<\/span><\/p>\n<p>Le terme <span class=\"arabpsy-math-inline\" data-latex=\"\\ln(T_i)\">$\\ln(T_i)$<\/span> appara\u00eet ainsi comme une variable explicite ajout\u00e9e au pr\u00e9dicteur lin\u00e9aire, mais avec une contrainte math\u00e9matique absolue : son coefficient de r\u00e9gression est fix\u00e9 <em>a priori<\/em> \u00e0 l&rsquo;unit\u00e9 exacte ($1,000$) et n&rsquo;est jamais soumis \u00e0 l&rsquo;estimation statistique. C&rsquo;est ce terme que la th\u00e9orie des GLM qualifie d&rsquo;<strong>offset<\/strong> ou variable de d\u00e9calage temporel. L&rsquo;inclusion scrupuleuse de cet offset garantit que les dur\u00e9es de suivi variables de chaque participant sont parfaitement normalis\u00e9es, permettant aux coefficients <span class=\"arabpsy-math-inline\" data-latex=\"\\beta\">$\\beta$<\/span> d&rsquo;estimer avec exactitude des ratios de taux d&rsquo;incidence par unit\u00e9 de temps commune.<\/p>\n<h3>7.3 Gestion de la surdispersion via la r\u00e9gression binomiale n\u00e9gative<\/h3>\n<p>En pratique biom\u00e9dicale et psychiatrique, l&rsquo;hypoth\u00e8se th\u00e9orique d&rsquo;\u00e9quidispersion de Poisson est fr\u00e9quemment invalid\u00e9e par la r\u00e9alit\u00e9 empirique des donn\u00e9es de sant\u00e9. Dans un nombre consid\u00e9rable de situations, la variance observ\u00e9e des \u00e9v\u00e9nements exc\u00e8de tr\u00e8s nettement leur moyenne math\u00e9matique : ce ph\u00e9nom\u00e8ne est universellement connu sous le terme de <strong>surdispersion<\/strong> (<em>overdispersion<\/em>).<\/p>\n<p>La surdispersion proc\u00e8de g\u00e9n\u00e9ralement de deux sources majeures :<\/p>\n<ul>\n<li>Une h\u00e9t\u00e9rog\u00e9n\u00e9it\u00e9 individuelle non observ\u00e9e (les individus d&rsquo;une m\u00eame cohorte ne partagent pas exactement la m\u00eame vuln\u00e9rabilit\u00e9 basale, en raison de polymorphismes g\u00e9n\u00e9tiques, de facteurs de personnalit\u00e9 ou d&rsquo;expositions environnementales m\u00e9connues des chercheurs).<\/li>\n<li>Une agr\u00e9gation ou corr\u00e9lation d&rsquo;\u00e9v\u00e9nements dans le temps (l&rsquo;apparition d&rsquo;un premier \u00e9v\u00e9nement augmente physiologiquement ou psychologiquement le risque d&rsquo;apparition d&rsquo;un second \u00e9v\u00e9nement, contredisant le postulat d&rsquo;ind\u00e9pendance de Poisson).<\/li>\n<\/ul>\n<p>Si un biostatisticien applique aveugl\u00e9ment une r\u00e9gression de Poisson face \u00e0 des donn\u00e9es surdispers\u00e9es, les estimations ponctuelles des coefficients <span class=\"arabpsy-math-inline\" data-latex=\"\\beta\">$\\beta$<\/span> et donc de l&rsquo;IRR demeurent g\u00e9n\u00e9ralement convergentes, mais les erreurs types sont artificiellement sous-estim\u00e9es. Cette contraction fallacieuse des variances produit des intervalles de confiance anormalement \u00e9troits et des p-valeurs exag\u00e9r\u00e9ment significatives, induisant des conclusions erron\u00e9es (erreurs de type I).<\/p>\n<p>Pour juguler cette d\u00e9rive m\u00e9thodologique, la solution de choix r\u00e9side dans l&rsquo;utilisation de la <strong>r\u00e9gression binomiale n\u00e9gative<\/strong>. Ce mod\u00e8le introduit un param\u00e8tre de dispersion al\u00e9atoire suppl\u00e9mentaire, not\u00e9 <span class=\"arabpsy-math-inline\" data-latex=\"\\alpha\">$\\alpha$<\/span>, permettant \u00e0 la variance de s&rsquo;accro\u00eetre de mani\u00e8re quadratique avec la moyenne selon la loi <span class=\"arabpsy-math-inline\" data-latex=\"\\text{Var}(Y) = \\mu + \\alpha \\mu^2\">$\\text{Var}(Y) = \\mu + \\alpha \\mu^2$<\/span>. En calibrant cet exc\u00e8s d&rsquo;h\u00e9t\u00e9rog\u00e9n\u00e9it\u00e9, le mod\u00e8le binomial n\u00e9gatif ajuste fid\u00e8lement les erreurs types sans distordre l&rsquo;IRR, pr\u00e9servant ainsi la solidit\u00e9 des inf\u00e9rences scientifiques formul\u00e9es sur la population.<\/p>\n<h2>8. Ajustement sur facteurs de confusion et analyse d&rsquo;interaction<\/h2>\n<h3>8.1 Contr\u00f4le des biais de confusion dans les \u00e9tudes d&rsquo;observation<\/h3>\n<p>L&rsquo;un des d\u00e9fis pr\u00e9dominants inh\u00e9rents aux \u00e9tudes observationnelles \u00e9valuant des ratios de taux d&rsquo;incidence r\u00e9side dans la neutralisation des facteurs de confusion. Un biais de confusion survient lorsqu&rsquo;une variable tierce <span class=\"arabpsy-math-inline\" data-latex=\"C\">$C$<\/span> est simultan\u00e9ment corr\u00e9l\u00e9e de fa\u00e7on causale \u00e0 l&rsquo;exposition d&rsquo;int\u00e9r\u00eat <span class=\"arabpsy-math-inline\" data-latex=\"E\">$E$<\/span> et li\u00e9e de mani\u00e8re ind\u00e9pendante \u00e0 la survenue de la pathologie <span class=\"arabpsy-math-inline\" data-latex=\"Y\">$Y$<\/span>, sans toutefois se situer sur la trajectoire causale directe reliant l&rsquo;exposition \u00e0 la maladie (variable interm\u00e9diaire).<\/p>\n<p>Prenons l&rsquo;exemple d&rsquo;une cohorte analysant l&rsquo;incidence des infarctus du myocarde en fonction de la consommation journali\u00e8re de caf\u00e9ine. Si les grands buveurs de caf\u00e9 consomment \u00e9galement du tabac en plus grande quantit\u00e9 que les non-consommateurs, le tabagisme constitue un puissant facteur de confusion. Le calcul d&rsquo;un IRR brut caf\u00e9ine-infarctus mettra en \u00e9vidence un ratio artificiellement major\u00e9, attribuant \u00e0 la caf\u00e9ine une toxicit\u00e9 cardiovasculaire qui n&rsquo;est en r\u00e9alit\u00e9 que le reflet masqu\u00e9 du tabagisme sous-jacent.<\/p>\n<p>Pour quantifier l&rsquo;ampleur d&rsquo;un biais de confusion, les \u00e9pid\u00e9miologistes comparent m\u00e9thodiquement l&rsquo;IRR brut \u00e0 l&rsquo;IRR ajust\u00e9 issu d&rsquo;un mod\u00e8le multivari\u00e9 incorporant le facteur parasite :<\/p>\n<p><span class=\"arabpsy-math-display\" data-latex=\"\\text{Ampleur du biais (%)} = \\frac{IRR_{\\text{brut}} - IRR_{\\text{ajust\u00e9}}}{IRR_{\\text{ajust\u00e9}}} \\times 100\">$$\\text{Ampleur du biais (%)} = \\frac{IRR_{\\text{brut}} &#8211; IRR_{\\text{ajust\u00e9}}}{IRR_{\\text{ajust\u00e9}}} \\times 100$$<\/span><\/p>\n<p>Selon les standards de la discipline, une d\u00e9viation de plus de 10 % entre l&rsquo;estimation brute et l&rsquo;estimation ajust\u00e9e t\u00e9moigne d&rsquo;un ph\u00e9nom\u00e8ne de confusion d&rsquo;une importance \u00e9pid\u00e9miologique majeure justifiant obligatoirement l&rsquo;abandon de l&rsquo;IRR brut au profit de l&rsquo;IRR ajust\u00e9 dans les conclusions de recherche.<\/p>\n<h3>8.2 Stratification de Mantel-Haenszel pour taux d&rsquo;incidence<\/h3>\n<p>Avant la g\u00e9n\u00e9ralisation de la r\u00e9gression log-lin\u00e9aire automatis\u00e9e par les ordinateurs, ou en pr\u00e9sence d&rsquo;\u00e9chantillons o\u00f9 l&rsquo;on souhaite \u00e9viter les hypoth\u00e8ses param\u00e9triques fortes des GLM, la technique de stratification mise au point par Nathan Mantel et William Haenszel offre une alternative classique et transparente pour neutraliser un facteur de confusion cat\u00e9goris\u00e9 en plusieurs strates disjointes (telles que des tranches d&rsquo;\u00e2ge de 10 ans ou des cat\u00e9gories de statut socio-\u00e9conomique).<\/p>\n<p>Pour un ensemble de <span class=\"arabpsy-math-inline\" data-latex=\"K\">$K$<\/span> strates d\u00e9finies par le facteur de confusion, d\u00e9signons par <span class=\"arabpsy-math-inline\" data-latex=\"d_{1k}\">$d_{1k}$<\/span> et <span class=\"arabpsy-math-inline\" data-latex=\"T_{1k}\">$T_{1k}$<\/span> les cas et le temps chez les expos\u00e9s dans la strate <span class=\"arabpsy-math-inline\" data-latex=\"k\">$k$<\/span>, et par <span class=\"arabpsy-math-inline\" data-latex=\"d_{0k}\">$d_{0k}$<\/span> et <span class=\"arabpsy-math-inline\" data-latex=\"T_{0k}\">$T_{0k}$<\/span> les valeurs correspondantes chez les non-expos\u00e9s. Notons <span class=\"arabpsy-math-inline\" data-latex=\"T_k = T_{1k} + T_{0k}\">$T_k = T_{1k} + T_{0k}$<\/span> le temps global d&rsquo;observation au sein de la strate. L&rsquo;estimateur combin\u00e9 du ratio des taux d&rsquo;incidence selon la m\u00e9thode de Mantel-Haenszel, not\u00e9 <span class=\"arabpsy-math-inline\" data-latex=\"IRR_{MH}\">$IRR_{MH}$<\/span>, correspond \u00e0 la formule :<\/p>\n<p><span class=\"arabpsy-math-display\" data-latex=\"IRR_{MH} = \\frac{\\sum_{k=1}^K \\frac{d_{1k} , T_{0k}}{T_k}}{\\sum_{k=1}^K \\frac{d_{0k} , T_{1k}}{T_k}}\">$$IRR_{MH} = \\frac{\\sum_{k=1}^K \\frac{d_{1k} , T_{0k}}{T_k}}{\\sum_{k=1}^K \\frac{d_{0k} , T_{1k}}{T_k}}$$<\/span><\/p>\n<p>Cette approche pond\u00e8re automatiquement chaque strate en proportion inverse de sa variance, accordant un poids plus d\u00e9terminant aux sous-populations r\u00e9unissant une masse d&rsquo;observation substantielle. Avant de valider l&rsquo;utilisation de cet indicateur agr\u00e9g\u00e9, il demeure imp\u00e9ratif de r\u00e9aliser un test statistique d&rsquo;homog\u00e9n\u00e9it\u00e9 inter-strates (tel que le test de Breslow-Day ou le test de Cochran). Si l&rsquo;association fluctue substantiellement d&rsquo;une strate \u00e0 une autre, le recours \u00e0 un IRR combin\u00e9 unique perd toute pertinence scientifique car il dissimule une modification d&rsquo;effet sous-jacente.<\/p>\n<h3>8.3 Modification d&rsquo;effet et termes d&rsquo;interaction<\/h3>\n<p>La modification d&rsquo;effet, ou interaction \u00e9pid\u00e9miologique, se distingue radicalement sur le plan conceptuel du ph\u00e9nom\u00e8ne de confusion. Alors que la confusion repr\u00e9sente une interf\u00e9rence m\u00e9thodologique parasitaire qu&rsquo;il convient d&rsquo;\u00e9liminer analytiquement, l&rsquo;interaction refl\u00e8te une r\u00e9alit\u00e9 biologique ou psychologique tangible : la magnitude de l&rsquo;impact de l&rsquo;exposition sur le taux d&rsquo;incidence varie intrins\u00e8quement selon les caract\u00e9ristiques du sujet (par exemple selon le sexe, le statut m\u00e9nopausique, ou la pr\u00e9sence d&rsquo;un all\u00e8le g\u00e9n\u00e9tique sp\u00e9cifique).<\/p>\n<p>Dans un mod\u00e8le de r\u00e9gression de Poisson ou binomial n\u00e9gatif, la recherche d&rsquo;une modification d&rsquo;effet s&rsquo;op\u00e9rationnalise par l&rsquo;introduction d&rsquo;un terme d&rsquo;interaction multiplicatif, correspondant au produit arithm\u00e9tique de la variable d&rsquo;exposition <span class=\"arabpsy-math-inline\" data-latex=\"X_1\">$X_1$<\/span> par la variable modificatrice pr\u00e9sum\u00e9e <span class=\"arabpsy-math-inline\" data-latex=\"X_2\">$X_2$<\/span> :<\/p>\n<p><span class=\"arabpsy-math-display\" data-latex=\"\\ln(\\lambda_i) = \\beta_0 + \\beta_1 X_{1i} + \\beta_2 X_{2i} + \\beta_3 (X_{1i} \\times X_{2i})\">$$\\ln(\\lambda_i) = \\beta_0 + \\beta_1 X_{1i} + \\beta_2 X_{2i} + \\beta_3 (X_{1i} \\times X_{2i})$$<\/span><\/p>\n<p>L&rsquo;exponentiation du coefficient <span class=\"arabpsy-math-inline\" data-latex=\"\\beta_3\">$\\beta_3$<\/span> produit une m\u00e9trique sp\u00e9cifique d\u00e9sign\u00e9e sous le nom de ratio des ratios de taux d&rsquo;incidence (<em>Ratio of Incidence Rate Ratios<\/em>, ou IRRR) :<\/p>\n<p><span class=\"arabpsy-math-display\" data-latex=\"IRRR = \\exp(\\beta_3) = \\frac{IRR_{\\text{au sein de la strate }} X_2=1}{IRR_{\\text{au sein de la strate }} X_2=0}\">$$IRRR = \\exp(\\beta_3) = \\frac{IRR_{\\text{au sein de la strate }} X_2=1}{IRR_{\\text{au sein de la strate }} X_2=0}$$<\/span><\/p>\n<p>Si l&rsquo;intervalle de confiance de ce terme multiplicatif exclut la valeur 1, l&rsquo;h\u00e9t\u00e9rog\u00e9n\u00e9it\u00e9 d&rsquo;action est statistiquement confirm\u00e9e. Les investigateurs ne doivent alors en aucun cas publier un IRR moyen uniformis\u00e9, mais rapporter scrupuleusement les IRR distincts propres \u00e0 chaque strate de population, permettant une personnalisation des strat\u00e9gies pr\u00e9ventives et th\u00e9rapeutiques en m\u00e9decine de pr\u00e9cision.<\/p>\n<h2>9. Analyse comparative : IRR versus Risque Relatif (RR) et Odds Ratio (OR)<\/h2>\n<h3>9.1 IRR versus Risque Relatif (RR cumulatif)<\/h3>\n<p>L&rsquo;assimilation h\u00e2tive entre le ratio des taux d&rsquo;incidence (<span class=\"arabpsy-math-inline\" data-latex=\"IRR\">$IRR$<\/span>) et le risque relatif cumul\u00e9 (<span class=\"arabpsy-math-inline\" data-latex=\"RR\">$RR$<\/span>) repr\u00e9sente l&rsquo;une des impr\u00e9cisions les plus r\u00e9pandues dans le discours scientifique contemporain. Le risque relatif classique s&rsquo;\u00e9tablit sur la base de l&rsquo;incidence cumul\u00e9e (<span class=\"arabpsy-math-inline\" data-latex=\"CI\">$CI$<\/span>), d\u00e9finie comme le ratio entre le nombre de nouveaux cas apparus au cours d&rsquo;un horizon temporel d\u00e9limit\u00e9 et l&rsquo;effectif total de la population indemne pr\u00e9sente \u00e0 l&rsquo;origine du protocole (<span class=\"arabpsy-math-inline\" data-latex=\"CI = d \/ N\">$CI = d \/ N$<\/span>). Le risque relatif correspond donc \u00e0 la confrontation de deux probabilit\u00e9s pures :<\/p>\n<p><span class=\"arabpsy-math-display\" data-latex=\"RR = \\frac{CI_1}{CI_0} = \\frac{d_1 \/ N_1}{d_0 \/ N_0}\">$$RR = \\frac{CI_1}{CI_0} = \\frac{d_1 \/ N_1}{d_0 \/ N_0}$$<\/span><\/p>\n<p>La divergence entre l&rsquo;IRR et le RR devient flagrante d\u00e8s lors que le temps de suivi s&rsquo;allonge ou que des censures interviennent. Le Risque Relatif est totalement d\u00e9pendant de la dur\u00e9e arbitraire assign\u00e9e \u00e0 l&rsquo;\u00e9tude : sur un suivi d&rsquo;un si\u00e8cle, le risque cumul\u00e9 de mortalit\u00e9 de l&rsquo;\u00eatre humain tend in\u00e9vitablement vers 100 % dans tous les groupes, conduisant math\u00e9matiquement le Risque Relatif vers la valeur 1,00, masquant enti\u00e8rement l&rsquo;effet d\u00e9l\u00e9t\u00e8re d&rsquo;une exposition pr\u00e9coce. En revanche, l&rsquo;IRR calcule la vitesse instantan\u00e9e de survenue : m\u00eame si tous les participants finissent par d\u00e9c\u00e9der, le groupe expos\u00e9 verra ses d\u00e9c\u00e8s survenir \u00e0 un rythme beaucoup plus soutenu par personne-ann\u00e9e, maintenant un IRR nettement sup\u00e9rieur \u00e0 1.<\/p>\n<p>Une convergence math\u00e9matique \u00e9troite entre l&rsquo;IRR et le RR n&rsquo;appara\u00eet que sous deux postulats stricts :<\/p>\n<ul>\n<li>La p\u00e9riode d&rsquo;observation est particuli\u00e8rement br\u00e8ve.<\/li>\n<li>Le taux d&rsquo;incidence de la pathologie est extr\u00eamement rare au sein de la population (incidence inf\u00e9rieure \u00e0 5 % voire 1 % sur la p\u00e9riode), de sorte que le d\u00e9nominateur de personnes-ann\u00e9es demeure quasi identique au produit du nombre de participants par la dur\u00e9e totale du suivi.<\/li>\n<\/ul>\n<h3>9.2 IRR versus Odds Ratio (OR \/ Rapport de cotes)<\/h3>\n<p>Le rapport de cotes, ou <a target=\"_blank\" rel=\"noopener noopener noreferrer\" href=\"https:\/\/www.cdc.gov\">Odds Ratio<\/a> (<span class=\"arabpsy-math-inline\" data-latex=\"OR\">$OR$<\/span>), constitue l&rsquo;indicateur d&rsquo;association privil\u00e9gi\u00e9 des \u00e9tudes cas-t\u00e9moins et des recherches transversales, o\u00f9 le d\u00e9nominateur en personnes-temps ne peut pas \u00eatre mesur\u00e9 directement en raison de l&rsquo;\u00e9chantillonnage r\u00e9trospectif des sujets. L&rsquo;OR compare la cote de survenue de l&rsquo;\u00e9v\u00e9nement dans le groupe expos\u00e9 \u00e0 celle pr\u00e9valant dans le groupe non expos\u00e9 :<\/p>\n<p><span class=\"arabpsy-math-display\" data-latex=\"OR = \\frac{p_1 \/ (1 - p_1)}{p_0 \/ (1 - p_0)}\">$$OR = \\frac{p_1 \/ (1 &#8211; p_1)}{p_0 \/ (1 &#8211; p_0)}$$<\/span><\/p>\n<p>Lorsque la maladie d&rsquo;int\u00e9r\u00eat est fr\u00e9quente au sein de la cohorte (pr\u00e9valence ou incidence cumul\u00e9e exc\u00e9dant 10 %), l&rsquo;Odds Ratio s&rsquo;\u00e9carte substantiellement de l&rsquo;IRR et du RR en subissant une inflation math\u00e9matique artificielle : il surestime syst\u00e9matiquement la force de l&rsquo;association en s&rsquo;\u00e9loignant davantage de la valeur nulle 1 (un OR de 3,50 peut correspondre \u00e0 un IRR r\u00e9el de seulement 1,80 pour un ph\u00e9nom\u00e8ne \u00e0 haute fr\u00e9quence).<\/p>\n<p>Cependant, une remarquable passerelle m\u00e9thodologique unifie l&rsquo;IRR et l&rsquo;OR dans le cadre tr\u00e8s particulier des \u00e9tudes cas-t\u00e9moins avec <em>\u00e9chantillonnage par densit\u00e9 d&rsquo;incidence<\/em> (<em>incidence density sampling<\/em>). Si, pour chaque cas incident survenu \u00e0 un instant temporel pr\u00e9cis <span class=\"arabpsy-math-inline\" data-latex=\"t\">$t$<\/span>, l&rsquo;investigateur s\u00e9lectionne un ou plusieurs t\u00e9moins parmi les sujets demeurant \u00e0 risque dans la cohorte au m\u00eame instant <span class=\"arabpsy-math-inline\" data-latex=\"t\">$t$<\/span>, l&rsquo;Odds Ratio calcul\u00e9 sur ces donn\u00e9es r\u00e9trospectives constitue un estimateur math\u00e9matiquement non biais\u00e9 et direct du v\u00e9ritable ratio des taux d&rsquo;incidence sous-jacent de la cohorte source, sans qu&rsquo;aucune hypoth\u00e8se de maladie rare ne soit requise.<\/p>\n<h3>9.3 Tableau synoptique des indicateurs \u00e9pid\u00e9miologiques<\/h3>\n<p>Afin de guider le choix m\u00e9thodologique et de synth\u00e9tiser les caract\u00e9ristiques fondamentales r\u00e9gissant ces trois m\u00e9triques d&rsquo;association majeures, le tableau ci-dessous explicite leurs propri\u00e9t\u00e9s distinctives :<\/p>\n<table border=\"1\" cellpadding=\"8\" cellspacing=\"0\" style=\"border-collapse: collapse;width: 100%;margin: 20px 0;text-align: left\">\n<thead>\n<tr style=\"background-color: #f2f2f2\">\n<th style=\"padding: 10px;border: 1px solid #ddd\">Indicateur<\/th>\n<th style=\"padding: 10px;border: 1px solid #ddd\">D\u00e9nominateur de base<\/th>\n<th style=\"padding: 10px;border: 1px solid #ddd\">Plan d&rsquo;\u00e9tude privil\u00e9gi\u00e9<\/th>\n<th style=\"padding: 10px;border: 1px solid #ddd\">Sensibilit\u00e9 au temps<\/th>\n<th style=\"padding: 10px;border: 1px solid #ddd\">Biais si \u00e9v\u00e9nement fr\u00e9quent<\/th>\n<\/tr>\n<\/thead>\n<tbody>\n<tr>\n<td style=\"padding: 10px;border: 1px solid #ddd\"><strong>Ratio des Taux d&rsquo;Incidence (IRR)<\/strong><\/td>\n<td style=\"padding: 10px;border: 1px solid #ddd\">Personnes-temps cumul\u00e9es (ann\u00e9es, mois, jours)<\/td>\n<td style=\"padding: 10px;border: 1px solid #ddd\">Cohortes prospectives dynamiques, registres ouverts<\/td>\n<td style=\"padding: 10px;border: 1px solid #ddd\">Optimale (mod\u00e9lise la vitesse et le rythme d&rsquo;apparition)<\/td>\n<td style=\"padding: 10px;border: 1px solid #ddd\">Aucun (mesure robuste ind\u00e9pendante de la fr\u00e9quence de base)<\/td>\n<\/tr>\n<tr>\n<td style=\"padding: 10px;border: 1px solid #ddd\"><strong>Risque Relatif (RR cumul\u00e9)<\/strong><\/td>\n<td style=\"padding: 10px;border: 1px solid #ddd\">Nombre d&rsquo;individus initiaux \u00e0 risque (<span class=\"arabpsy-math-inline\" data-latex=\"N\">$N$<\/span>)<\/td>\n<td style=\"padding: 10px;border: 1px solid #ddd\">Cohortes ferm\u00e9es \u00e0 suivi fixe, essais randomis\u00e9s courts<\/td>\n<td style=\"padding: 10px;border: 1px solid #ddd\">Faible (ignore les d\u00e9fections et le moment de survenue)<\/td>\n<td style=\"padding: 10px;border: 1px solid #ddd\">Mod\u00e9r\u00e9 (tend vers 1 si la dur\u00e9e de suivi devient tr\u00e8s longue)<\/td>\n<\/tr>\n<tr>\n<td style=\"padding: 10px;border: 1px solid #ddd\"><strong>Odds Ratio (OR)<\/strong><\/td>\n<td style=\"padding: 10px;border: 1px solid #ddd\">Cote de probabilit\u00e9 (<span class=\"arabpsy-math-inline\" data-latex=\"p \/ (1-p)\">$p \/ (1-p)$<\/span>)<\/td>\n<td style=\"padding: 10px;border: 1px solid #ddd\">\u00c9tudes cas-t\u00e9moins r\u00e9trospectives, enqu\u00eates transversales<\/td>\n<td style=\"padding: 10px;border: 1px solid #ddd\">Absente (sauf protocole par densit\u00e9 d&rsquo;incidence)<\/td>\n<td style=\"padding: 10px;border: 1px solid #ddd\">\u00c9lev\u00e9 (surestime drastiquement la force de l&rsquo;association)<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n<h2>10. Limites m\u00e9thodologiques et biais affectant l&rsquo;estimation de l&rsquo;IRR<\/h2>\n<h3>10.1 Biais d&rsquo;attrition et pertes de suivi diff\u00e9rentielles<\/h3>\n<p>L&rsquo;estimation int\u00e8gre du ratio des taux d&rsquo;incidence repose sur le postulat fondamental que la censure des donn\u00e9es temporelles est totalement <strong>informativement non biais\u00e9e<\/strong>. En termes plus explicites, cela signifie que la probabilit\u00e9 qu&rsquo;un sujet soit perdu de vue, qu&rsquo;il d\u00e9m\u00e9nage ou qu&rsquo;il abandonne l&rsquo;\u00e9tude ne doit d\u00e9pendre ni de son statut vis-\u00e0-vis de l&rsquo;exposition, ni de son risque sous-jacent imminent de d\u00e9velopper l&rsquo;\u00e9v\u00e9nement pathologique.<\/p>\n<p>Si ce postulat est bafou\u00e9, un biais d&rsquo;attrition d&rsquo;une grande s\u00e9v\u00e9rit\u00e9 alt\u00e8re irr\u00e9m\u00e9diablement le d\u00e9nominateur en personnes-ann\u00e9es. Consid\u00e9rons une recherche o\u00f9 les participants expos\u00e9s \u00e0 un m\u00e9dicament souffrent d&rsquo;effets ind\u00e9sirables insidieux et d\u00e9cident d&rsquo;abandonner l&rsquo;observation en grand nombre juste avant que le diagnostic formel de l&rsquo;\u00e9v\u00e9nement principal ne soit prononc\u00e9 en milieu hospitalier. Les personnes-ann\u00e9es d&rsquo;observation continueront d&rsquo;\u00eatre tronqu\u00e9es pr\u00e9matur\u00e9ment dans ce groupe, mais surtout, les cas incidents effectifs ne seront jamais enregistr\u00e9s au num\u00e9rateur.<\/p>\n<p>Cette d\u00e9perdition d\u00e9s\u00e9quilibr\u00e9e sous-estimera dramatiquement le taux d&rsquo;incidence du groupe expos\u00e9 par rapport au groupe t\u00e9moin, aboutissant \u00e0 un IRR artificiellement r\u00e9duit qui masquera la toxicit\u00e9 r\u00e9elle du compos\u00e9. Pour contrecarrer ces distorsions, la mise en \u0153uvre d&rsquo;analyses de sensibilit\u00e9 syst\u00e9matiques, mod\u00e9lisant les pires sc\u00e9narios d&rsquo;attrition (<em>worst-case scenarios<\/em>) ou recourant \u00e0 la pond\u00e9ration par l&rsquo;inverse de la probabilit\u00e9 de censure (<em>Inverse Probability of Censoring Weighting<\/em>, ou IPCW), constitue une obligation d\u00e9ontologique et m\u00e9thodologique incontournable.<\/p>\n<h3>10.2 Violation de l&rsquo;hypoth\u00e8se de taux constant dans le temps<\/h3>\n<p>Une contrainte intrins\u00e8que au calcul standard de l&rsquo;IRR r\u00e9side dans l&rsquo;hypoth\u00e8se sous-jacente d&rsquo;homog\u00e9n\u00e9it\u00e9 temporelle : le mod\u00e8le pr\u00e9suppose que la densit\u00e9 d&rsquo;incidence de base demeure stationnaire tout au long de l&rsquo;intervalle d&rsquo;observation global. Or, cette stabilit\u00e9 du risque instantan\u00e9 est rarement v\u00e9rifi\u00e9e sur des suivis s&rsquo;\u00e9talant sur plusieurs d\u00e9cennies.<\/p>\n<p>\u00c0 mesure qu&rsquo;une cohorte vieillit, l&rsquo;incidence de nombreuses pathologies d\u00e9g\u00e9n\u00e9ratives ou cardiovasculaires cro\u00eet de fa\u00e7on exponentielle avec l&rsquo;avancement en \u00e2ge. De surcro\u00eet, le ratio instantan\u00e9 lui-m\u00eame peut varier : l&rsquo;exposition \u00e0 un traitement chirurgical ou \u00e0 un stresseur psychologique aigu peut engendrer une \u00e9l\u00e9vation massive de l&rsquo;incidence au cours des premi\u00e8res semaines, avant que le risque ne revienne progressivement au niveau de r\u00e9f\u00e9rence apr\u00e8s un an de survie. Dans cette configuration, calculer un IRR global uniformis\u00e9 sur l&rsquo;ensemble de la p\u00e9riode d&rsquo;\u00e9tude revient \u00e0 moyenner artificiellement des dynamiques cliniques contradictoires, diluant ainsi l&rsquo;effet pr\u00e9coce majeur du facteur investigu\u00e9.<\/p>\n<p>Lorsque le danger instantan\u00e9 fluctue dans le temps et ne respecte plus la proportionnalit\u00e9 des taux, les \u00e9pid\u00e9miologistes doivent privil\u00e9gier les mod\u00e8les de survie semi-param\u00e9triques \u00e0 risques proportionnels de <a target=\"_blank\" rel=\"noopener noopener noreferrer\" href=\"https:\/\/www.jstor.org\/stable\/2985181\">Cox<\/a>, ou d\u00e9composer la p\u00e9riode de suivi globale en plusieurs intervalles de temps disjoints (<em>time-split datasets<\/em>) permettant l&rsquo;estimation d&rsquo;IRR stratifi\u00e9s par tranches d&rsquo;anciennet\u00e9 d&rsquo;exposition.<\/p>\n<h3>10.3 Erreurs de mesure et classification diff\u00e9rentielle<\/h3>\n<p>L&rsquo;exactitude empirique de l&rsquo;IRR d\u00e9pend directement de la pr\u00e9cision m\u00e9trologique accord\u00e9e \u00e0 la datation des \u00e9v\u00e9nements de sant\u00e9 et \u00e0 l&rsquo;\u00e9valuation de l&rsquo;exposition. En psychopathologie et en m\u00e9decine interne, de nombreuses affections d\u00e9butent par une phase prodromique insidieuse s&rsquo;\u00e9tendant sur plusieurs mois, voire plusieurs ann\u00e9es, avant la formalisation d&rsquo;un diagnostic m\u00e9dical officiel.<\/p>\n<p>Si la date d&rsquo;apparition enregistr\u00e9e est celle du diagnostic hospitalier tardif plut\u00f4t que celle de l&rsquo;\u00e9closion r\u00e9elle des premiers sympt\u00f4mes cliniques, la dur\u00e9e de personnes-ann\u00e9es attribu\u00e9e \u00e0 l&rsquo;\u00e9tat \u00ab indemne \u00bb se trouve artificiellement gonfl\u00e9e, provoquant une distorsion du taux d&rsquo;incidence \u00e9l\u00e9mentaire. Pire encore, si les individus expos\u00e9s \u00e0 un stresseur font l&rsquo;objet d&rsquo;une surveillance m\u00e9dicale plus rapproch\u00e9e de la part des cliniciens que les sujets non expos\u00e9s (biais de surveillance ou de d\u00e9tection), un nombre sup\u00e9rieur de cas mod\u00e9r\u00e9s sera r\u00e9pertori\u00e9 au sein du groupe expos\u00e9.<\/p>\n<p>Cette <strong>classification diff\u00e9rentielle<\/strong> aura pour cons\u00e9quence directe de majorer fallacieusement le num\u00e9rateur des expos\u00e9s, propulsant artificiellement l&rsquo;IRR vers des valeurs \u00e9lev\u00e9es. \u00c0 l&rsquo;inverse, une erreur de classification non diff\u00e9rentielle (par exemple un test de diagnostic impr\u00e9cis commettant des faux positifs au m\u00eame rythme dans les deux groupes) exercera un effet d&rsquo;att\u00e9nuation, comprimant m\u00e9caniquement l&rsquo;IRR vers la valeur neutre de 1 et minorant ainsi la force r\u00e9elle de l&rsquo;association \u00e9pid\u00e9miologique.<\/p>\n<h2>11. Protocoles de calcul sur logiciels statistiques (R, Python, Stata)<\/h2>\n<h3>11.1 Impl\u00e9mentation sous environnement R<\/h3>\n<p>Le langage de programmation statistique R constitue un environnement de r\u00e9f\u00e9rence pour l&rsquo;analyse \u00e9pid\u00e9miologique. Le calcul direct de l&rsquo;IRR, de son erreur type et de son intervalle de confiance \u00e0 partir d&rsquo;une table d&rsquo;incidence peut \u00eatre ex\u00e9cut\u00e9 tr\u00e8s simplement \u00e0 l&rsquo;aide de packages d\u00e9di\u00e9s, notamment le package <code>epiR<\/code> et sa fonction centrale <code>epi.2by2<\/code>. Cette fonction prend en entr\u00e9e les comptages d&rsquo;\u00e9v\u00e9nements et les vecteurs de personnes-temps cumul\u00e9es, produisant un rapport d&rsquo;association exhaustif comprenant les taux bruts et l&rsquo;IRR de Mantel-Haenszel.<\/p>\n<p>Dans le cadre d&rsquo;une mod\u00e9lisation multivari\u00e9e avanc\u00e9e, l&rsquo;ajustement par r\u00e9gression de Poisson fait appel \u00e0 la fonction de base <code>glm()<\/code> (<em>Generalized Linear Models<\/em>). Pour formaliser scrupuleusement l&rsquo;incorporation de la variable d&rsquo;exposition temporelle en tant qu&rsquo;offset, le chercheur sp\u00e9cifie l&rsquo;argument math\u00e9matique <code>offset(log(person_time))<\/code> et assigne la famille distributionnelle <code>family = poisson(link = \"log\")<\/code>. L&rsquo;extraction des ratios des taux d&rsquo;incidence ajust\u00e9s et de leurs intervalles de confiance \u00e0 95 % s&rsquo;op\u00e8re par l&rsquo;application de la fonction vectorielle <code>exp(coef(modele))<\/code> et <code>exp(confint(modele))<\/code>.<\/p>\n<p>Lorsque le diagnostic de surdispersion r\u00e9v\u00e8le une violation de l&rsquo;hypoth\u00e8se de Poisson via le test de d\u00e9viance ou l&rsquo;analyse des r\u00e9sidus de Pearson, la transition vers le mod\u00e8le binomial n\u00e9gatif est assur\u00e9e de fa\u00e7on imm\u00e9diate gr\u00e2ce \u00e0 la fonction <code>glm.nb()<\/code> fournie par la biblioth\u00e8que sp\u00e9cialis\u00e9e <code>MASS<\/code>, garantissant l&rsquo;ajustement robuste des variances.<\/p>\n<h3>11.2 Mod\u00e9lisation sous Python (statsmodels)<\/h3>\n<p>Au sein de l&rsquo;\u00e9cosyst\u00e8me Python, les biblioth\u00e8ques d&rsquo;analyse de donn\u00e9es <code>pandas<\/code> et de mod\u00e9lisation biom\u00e9trique <code>statsmodels<\/code> fournissent l&rsquo;infrastructure requise pour l&rsquo;estimation de l&rsquo;IRR. La structuration des donn\u00e9es s&rsquo;organise autour de <em>DataFrames<\/em> compilant les \u00e9v\u00e9nements binaires ou les comptages agr\u00e9g\u00e9s et les colonnes d\u00e9di\u00e9es \u00e0 l&rsquo;enregistrement des personnes-temps d&rsquo;exposition.<\/p>\n<p>L&rsquo;estimation est orchestr\u00e9e par le module <code>statsmodels.formula.api<\/code> ou via la classe <code>GLM<\/code> de <code>statsmodels.genmod.generalized_linear_model<\/code>. Lors de l&rsquo;instanciation du mod\u00e8le de Poisson sous la famille <code>families.Poisson()<\/code>, le param\u00e8tre fondamental \u00e0 renseigner correspond \u00e0 <code>exposure = df['person_time']<\/code>. De mani\u00e8re tout \u00e0 fait remarquable, la classe <code>Poisson<\/code> de ce module prend directement en charge le vecteur brut de temps et calcule en interne son logarithme naturel en tant qu&rsquo;offset, \u00e9vitant ainsi \u00e0 l&rsquo;utilisateur toute transformation manuelle susceptible d&rsquo;induire des erreurs d&rsquo;arrondi.<\/p>\n<p>L&rsquo;ajustement du mod\u00e8le par la m\u00e9thode d&rsquo;optimisation du maximum de vraisemblance (appel \u00e0 <code>.fit()<\/code>) g\u00e9n\u00e8re une table r\u00e9capitulative d\u00e9taill\u00e9e. Pour afficher explicitement les IRR plut\u00f4t que les coefficients log-lin\u00e9aires <span class=\"arabpsy-math-inline\" data-latex=\"\\beta\">$\\beta$<\/span>, une simple fonction exponentielle est appliqu\u00e9e sur la s\u00e9rie <code>model.params<\/code> et la matrice <code>model.conf_int()<\/code>, restituant instantan\u00e9ment les ratios accompagn\u00e9s de leurs intervalles de confiance \u00e0 95 % asymptotiques.<\/p>\n<h3>11.3 Commandes d\u00e9di\u00e9es et mod\u00e9lisation sous Stata<\/h3>\n<p>Le progiciel Stata jouit d&rsquo;une r\u00e9putation s\u00e9culaire aupr\u00e8s des biostatisticiens pour sa concision syntaxique et ses modules \u00e9pid\u00e9miologiques int\u00e9gr\u00e9s. Pour le traitement imm\u00e9diat des donn\u00e9es de cohortes agr\u00e9g\u00e9es sous forme tabulaire, la commande d&rsquo;\u00e9pid\u00e9miologie clinique imm\u00e9diate <code>iri<\/code> (<em>incidence rate ratio immediate<\/em>) permet d&rsquo;obtenir en une seule ligne de code l&rsquo;IRR ponctuel, son intervalle de confiance exact et la valeur <span class=\"arabpsy-math-inline\" data-latex=\"p\">$p$<\/span> du test d&rsquo;hypoth\u00e8se :<\/p>\n<p><code>iri cas_exp cas_nonexp temps_exp temps_nonexp<\/code><\/p>\n<p>Pour l&rsquo;analyse multivari\u00e9e de micro-donn\u00e9es longitudinales individuelles au sein d&rsquo;un jeu de donn\u00e9es en m\u00e9moire, la commande native s&rsquo;\u00e9nonce <code>poisson<\/code>, suivie du nom de la variable d\u00e9pendante de comptage et de l&rsquo;ensemble des variables pr\u00e9dictives cat\u00e9gorielles et continues. L&rsquo;option <code>irr<\/code> sp\u00e9cifi\u00e9e en fin de ligne ordonne \u00e0 Stata de pr\u00e9senter directement les estimations sous forme d&rsquo;IRR exponenti\u00e9s plut\u00f4t que de coefficients <span class=\"arabpsy-math-inline\" data-latex=\"\\beta\">$\\beta$<\/span>. L&rsquo;int\u00e9gration de la temporalit\u00e9 s&rsquo;op\u00e8re au moyen du modificateur formel <code>exposure(nom_de_la_variable_temps)<\/code>.<\/p>\n<p>Si la d\u00e9viance r\u00e9siduelle signale une surdispersion manifeste, Stata offre une transition fluide vers la r\u00e9gression binomiale n\u00e9gative via la commande <code>nbreg<\/code>, assortie des m\u00eames options <code>irr<\/code> et <code>exposure()<\/code>. De surcro\u00eet, la commande <code>nbreg<\/code> ex\u00e9cute par d\u00e9faut un test du rapport de vraisemblance comparant le param\u00e8tre de dispersion alpha \u00e0 z\u00e9ro, offrant au chercheur une justification diagnostique formelle quant au choix du mod\u00e8le statistique.<\/p>\n<h2>12. Bonnes pratiques de restitution scientifique et directives de publication<\/h2>\n<h3>12.1 Conformit\u00e9 avec les standards de reporting (STROBE)<\/h3>\n<p>La publication de r\u00e9sultats reposant sur l&rsquo;estimation du ratio des taux d&rsquo;incidence ne saurait s&rsquo;affranchir des exigences internationales d&rsquo;int\u00e9grit\u00e9 scientifique codifi\u00e9es par l&rsquo;initiative <a target=\"_blank\" rel=\"noopener noopener noreferrer\" href=\"https:\/\/www.strobe-statement.org\">STROBE<\/a> (<em>Strengthening the Reporting of Observational Studies in Epidemiology<\/em>). Ces directives imposent aux auteurs d&rsquo;\u00e9tudes de cohortes de consigner une transparence m\u00e9thodologique absolue dans la r\u00e9daction de leurs manuscrits.<\/p>\n<p>En premier lieu, les recommandations STROBE stipulent qu&rsquo;un article scientifique ne doit jamais se limiter \u00e0 rapporter exclusivement l&rsquo;IRR relatif final. Les chercheurs ont le devoir formel de fournir dans les tableaux descriptifs :<\/p>\n<ul>\n<li>Le nombre brut et non tronqu\u00e9 d&rsquo;\u00e9v\u00e9nements observ\u00e9s dans chaque strate (<span class=\"arabpsy-math-inline\" data-latex=\"d_1\">$d_1$<\/span> et <span class=\"arabpsy-math-inline\" data-latex=\"d_0\">$d_0$<\/span>).<\/li>\n<li>Le volume exact de personnes-temps d&rsquo;exposition accumul\u00e9 par chaque groupe (<span class=\"arabpsy-math-inline\" data-latex=\"T_1\">$T_1$<\/span> et <span class=\"arabpsy-math-inline\" data-latex=\"T_0\">$T_0$<\/span>).<\/li>\n<li>Les taux d&rsquo;incidence \u00e9l\u00e9mentaires standardis\u00e9s (par exemple pour 1 000 personnes-ann\u00e9es) pour les deux cohortes de comparaison.<\/li>\n<\/ul>\n<p>Cette transparence permet aux lecteurs et aux m\u00e9tanalystes de juger de la fr\u00e9quence absolue de la maladie et d&rsquo;\u00e9viter les pi\u00e8ges de communication sensationnalistes o\u00f9 un IRR spectaculaire de 3,00 masquerait un \u00e9v\u00e9nement rarissime passant d&rsquo;un \u00e0 trois cas pour cent mille personnes-ann\u00e9es. Enfin, la strat\u00e9gie d&rsquo;ajustement multivari\u00e9 doit \u00eatre explicit\u00e9e sans ambigu\u00eft\u00e9 : la liste int\u00e9grale des covariables introduites dans les mod\u00e8les, les crit\u00e8res de s\u00e9lection retenus, ainsi que la quantification exacte des donn\u00e9es manquantes et les techniques d&rsquo;imputation mobilis\u00e9es doivent figurer en toutes lettres dans la section m\u00e9thodologie du manuscrit.<\/p>\n<h3>12.2 Repr\u00e9sentation visuelle des estimations de l&rsquo;IRR<\/h3>\n<p>La transmission visuelle des r\u00e9sultats \u00e9pid\u00e9miologiques participe \u00e0 la clart\u00e9 et \u00e0 la port\u00e9e des d\u00e9monstrations empiriques. Dans les publications modernes, l&rsquo;outil graphique par excellence pour pr\u00e9senter les ratios de taux d&rsquo;incidence est le diagramme en for\u00eat (<strong>Forest Plot<\/strong>). Ce graphique positionne l&rsquo;estimation ponctuelle de chaque IRR sous forme d&rsquo;un point g\u00e9om\u00e9trique ou d&rsquo;un carr\u00e9 proportionnel au poids statistique de l&rsquo;\u00e9chantillon, encadr\u00e9 par une barre horizontale figurant les bornes de son intervalle de confiance \u00e0 95 %.<\/p>\n<p>Une exigence typographique fondamentale pr\u00e9side \u00e0 la conception d&rsquo;un Forest Plot pour ratios : l&rsquo;axe horizontal repr\u00e9sentant la magnitude de l&rsquo;IRR doit imp\u00e9rativement \u00eatre configur\u00e9 sur une <strong>\u00e9chelle logarithmique<\/strong> et non arithm\u00e9tique. Sur une \u00e9chelle lin\u00e9aire conventionnelle, un IRR protecteur de 0,50 appara\u00eet arbitrairement \u00e9cras\u00e9 sur une distance de 0,5 unit\u00e9 \u00e0 gauche de la ligne de non-effet 1, alors qu&rsquo;un IRR d\u00e9l\u00e9t\u00e8re sym\u00e9trique de 2,00 s&rsquo;\u00e9tend sur une distance de 1,0 unit\u00e9 \u00e0 droite. L&rsquo;\u00e9chelle logarithmique r\u00e9tablit une sym\u00e9trie visuelle parfaite : une division par deux et une multiplication par deux occupent une distance graphique rigoureusement \u00e9gale de part et d&rsquo;autre de la valeur 1, pr\u00e9venant toute distorsion cognitive lors de la lecture visuelle.<\/p>\n<p>Parall\u00e8lement au Forest Plot, la production de courbes d&rsquo;incidence cumul\u00e9e dynamique (obtenues via l&rsquo;estimateur de Nelson-Aalen ou les m\u00e9thodes de Kaplan-Meier invers\u00e9es) permet d&rsquo;illustrer la divergence temporelle continue des taux entre le groupe expos\u00e9 et le groupe t\u00e9moin tout au long de la p\u00e9riode de surveillance longitudinale.<\/p>\n<h3>12.3 Recommandations pour la recherche en psychologie clinique<\/h3>\n<p>L&rsquo;essor des m\u00e9thodes quantitatives en sciences du comportement et en sant\u00e9 mentale requiert une appropriation plus vaste et plus rigoureuse de la m\u00e9trique des personnes-temps. La tendance historique \u00e0 mod\u00e9liser les trajectoires de d\u00e9compensation psychique au moyen de simples r\u00e9gressions logistiques binaires sur des p\u00e9riodes de suivi annuelles induit d&rsquo;importantes d\u00e9perditions d&rsquo;informations en ignorant le moment pr\u00e9cis o\u00f9 survient la crise.<\/p>\n<p>Les cliniciens et les chercheurs en psychopathologie sont encourag\u00e9s \u00e0 adopter syst\u00e9matiquement l&rsquo;IRR dans les protocoles d&rsquo;\u00e9valuation des psychoth\u00e9rapies, des programmes psycho-\u00e9ducatifs et des interventions de crise ambulatoires. Il est imp\u00e9ratif que les investigateurs clarifient syst\u00e9matiquement pour les praticiens de terrain la distinction essentielle entre le b\u00e9n\u00e9fice relatif (illustr\u00e9 par un IRR de 0,70) et le gain absolu en sant\u00e9 publique (le nombre effectif de crises ou d&rsquo;hospitalisations \u00e9vit\u00e9es par millier de personnes-mois d&rsquo;intervention).<\/p>\n<p>Enfin, l&rsquo;inclusion prospective du ratio des taux d&rsquo;incidence dans les m\u00e9ta-analyses contemporaines constitue un levier d\u00e9terminant pour agr\u00e9ger la masse de donn\u00e9es \u00e9pid\u00e9miologiques internationales disponibles, facilitant la synth\u00e8se des connaissances causales et l&rsquo;\u00e9laboration de lignes directrices cliniques fond\u00e9es sur des niveaux de preuve m\u00e9thodologique irr\u00e9prochables.<\/p>\n<h2>R\u00e9f\u00e9rences<\/h2>\n<p>Bradford Hill, A. (1965). The environment and disease: Association or causation? <em>Proceedings of the Royal Society of Medicine<\/em>, 58(5), 295\u2013300. https:\/\/doi.org\/10.1177\/003591576505800503<\/p>\n<p>Cox, D. R. (1972). Regression models and life-tables. <em>Journal of the Royal Statistical Society: Series B (Methodological)<\/em>, 34(2), 187\u2013202. https:\/\/doi.org\/10.1111\/j.2517-6161.1972.tb00899.x<\/p>\n<p>Doll, R., &amp; Hill, A. B. (1954). The mortality of doctors in relation to their smoking habits: A preliminary report. <em>British Medical Journal<\/em>, 1(4877), 1451\u20131455. https:\/\/doi.org\/10.1136\/bmj.1.4877.1451<\/p>\n<p>Greenland, S., &amp; Rothman, K. J. (2008). Measures of effect and measures of association. In K. J. Rothman, S. Greenland, &amp; T. L. Lash (Eds.), <em>Modern Epidemiology<\/em> (3rd ed., pp. 51\u201370). Lippincott Williams &amp; Wilkins.<\/p>\n<p>Hilbe, J. M. (2014). <em>Modeling count data<\/em>. Cambridge University Press. https:\/\/doi.org\/10.1017\/CBO9781139236065<\/p>\n<p>Mantel, N., &amp; Haenszel, W. (1959). Statistical aspects of the analysis of data from retrospective studies of disease. <em>Journal of the National Cancer Institute<\/em>, 22(4), 719\u2013748. https:\/\/doi.org\/10.1093\/jnci\/22.4.719<\/p>\n<p>McCullagh, P., &amp; Nelder, J. A. (1989). <em>Generalized linear models<\/em> (2nd ed.). Chapman &amp; Hall\/CRC. https:\/\/doi.org\/10.1007\/978-1-4899-3242-6<\/p>\n<p>Szklo, M., &amp; Nieto, F. J. (2019). <em>Epidemiology: Beyond the basics<\/em> (4th ed.). Jones &amp; Bartlett Learning.<\/p>\n<p>Vandenbroucke, J. P., von Elm, E., Altman, D. G., G\u00f8tzsche, P. C., Mulrow, C. D., Pocock, S. J., Poole, C., Schlesselman, J. J., &amp; Egger, M. (2007). Strengthening the Reporting of Observational Studies in Epidemiology (STROBE): Explanation and elaboration. <em>PLOS Medicine<\/em>, 4(10), e297. https:\/\/doi.org\/10.1371\/journal.pmed.0040297<\/p>\n","protected":false},"excerpt":{"rendered":"<p>Comprendre le ratio des taux d&rsquo;incidence (IRR) : d\u00e9finition formelle, m\u00e9thode de calcul par personnes-ann\u00e9es, exemples concrets et applications scientifiques.<\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"closed","template":"","categories":[6452,304],"tags":[5611,6456,6454,6455,6453],"class_list":["post-4512","psych_stat","type-psych_stat","status-publish","hentry","category-epidemiologie-et-biostatistique","category-methodologie-de-recherche","tag-biostatistique","tag-epidemiologie-psychiatrique","tag-irr","tag-personnes-annees","tag-ratio-des-taux-dincidence"],"_links":{"self":[{"href":"https:\/\/french.arabpsychology.com\/index.php?rest_route=\/wp\/v2\/psych_stat\/4512","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/french.arabpsychology.com\/index.php?rest_route=\/wp\/v2\/psych_stat"}],"about":[{"href":"https:\/\/french.arabpsychology.com\/index.php?rest_route=\/wp\/v2\/types\/psych_stat"}],"author":[{"embeddable":true,"href":"https:\/\/french.arabpsychology.com\/index.php?rest_route=\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/french.arabpsychology.com\/index.php?rest_route=%2Fwp%2Fv2%2Fcomments&post=4512"}],"version-history":[{"count":1,"href":"https:\/\/french.arabpsychology.com\/index.php?rest_route=\/wp\/v2\/psych_stat\/4512\/revisions"}],"predecessor-version":[{"id":16646,"href":"https:\/\/french.arabpsychology.com\/index.php?rest_route=\/wp\/v2\/psych_stat\/4512\/revisions\/16646"}],"wp:attachment":[{"href":"https:\/\/french.arabpsychology.com\/index.php?rest_route=%2Fwp%2Fv2%2Fmedia&parent=4512"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/french.arabpsychology.com\/index.php?rest_route=%2Fwp%2Fv2%2Fcategories&post=4512"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/french.arabpsychology.com\/index.php?rest_route=%2Fwp%2Fv2%2Ftags&post=4512"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}