{"id":7534,"date":"2026-09-16T20:58:43","date_gmt":"2026-09-16T20:58:43","guid":{"rendered":"http:\/\/french.arabpsychology.com\/statistics\/comment-creer-un-graphique-de-bland-altman-dans-excel\/"},"modified":"2026-09-16T20:59:02","modified_gmt":"2026-09-16T20:59:02","slug":"comment-creer-un-graphique-de-bland-altman-dans-excel","status":"publish","type":"psych_stat","link":"https:\/\/french.arabpsychology.com\/?psych_stat=comment-creer-un-graphique-de-bland-altman-dans-excel","title":{"rendered":"Comment cr\u00e9er un graphique de Bland-Altman dans Excel"},"content":{"rendered":"

Dans le champ de la m\u00e9trologie biom\u00e9dicale, de l’\u00e9pid\u00e9miologie clinique et de la psychom\u00e9trie, l’\u00e9valuation de la concordance entre deux instruments ou m\u00e9thodes de mesure constitue une \u00e9tape fondamentale pr\u00e9alable \u00e0 toute impl\u00e9mentation pratique. Trop souvent, les praticiens et chercheurs recourent de mani\u00e8re inappropri\u00e9e au coefficient de corr\u00e9lation lin\u00e9aire de Pearson pour attester de la substituabilit\u00e9 de deux techniques. Or, deux mesures peuvent afficher une corr\u00e9lation quasi parfaite tout en pr\u00e9sentant un d\u00e9saccord syst\u00e9matique ou des \u00e9carts individuels cliniquement inacceptables. C’est pr\u00e9cis\u00e9ment pour surmonter cette aporie m\u00e9thodologique que le statisticien J. Martin Bland et le biostatisticien Douglas G. Altman ont formalis\u00e9, dans les ann\u00e9es 1980, l’approche graphique et analytique qui porte aujourd’hui leur nom.<\/p>\n

Le graphique de Bland-Altman, \u00e9galement d\u00e9nomm\u00e9 graphique de Tukey de la diff\u00e9rence moyenne, s’est impos\u00e9 comme le standard de r\u00e9f\u00e9rence pour quantifier le biais syst\u00e9matique et d\u00e9terminer les limites d’agr\u00e9ment \u00e0 95 % entre deux m\u00e9thodes d’\u00e9valuation quantitatives continues. Contrairement aux approches fond\u00e9es sur des tests d’hypoth\u00e8se de non-diff\u00e9rence ou des r\u00e9gressions asym\u00e9triques, ce cadre m\u00e9thodologique analyse directement la diff\u00e9rence entre deux mesures appari\u00e9es en fonction de leur moyenne arithm\u00e9tique. Cette d\u00e9marche offre une repr\u00e9sentation visuelle intuitive de la dispersion des erreurs de mesure, de l’\u00e9ventuelle h\u00e9t\u00e9rosc\u00e9dasticit\u00e9 et de la pr\u00e9sence de valeurs aberrantes, tout en maintenant les r\u00e9sultats dans les unit\u00e9s physiques d’origine du mesurande.<\/p>\n

Bien que des progiciels statistiques sp\u00e9cialis\u00e9s tels que R, SAS, SPSS ou MedCalc proposent des modules automatis\u00e9s pour g\u00e9n\u00e9rer ces repr\u00e9sentations, la ma\u00eetrise de leur construction au sein de Microsoft Excel demeure une comp\u00e9tence analytique inestimable. Excel offre en effet une flexibilit\u00e9 graphique et algorithmique in\u00e9gal\u00e9e, permettant de d\u00e9composer minutieusement chaque \u00e9tape du calcul matriciel, de param\u00e9trer rigoureusement les intervalles de confiance et d’adapter l’esth\u00e9tique du trac\u00e9 aux exigences strictes des publications scientifiques internationales. Ce guide exhaustif d\u00e9taille l’int\u00e9gralit\u00e9 des fondements th\u00e9oriques, des formulations math\u00e9matiques et des proc\u00e9dures op\u00e9rationnelles pas \u00e0 pas requises pour concevoir un graphique de Bland-Altman irr\u00e9prochable sous Excel.<\/p>\n

1. Introduction th\u00e9orique et fondements du graphique de Bland-Altman<\/h2>\n

1.1 Historique et gen\u00e8se de la m\u00e9thode de Bland et Altman<\/h3>\n

L’histoire de la m\u00e9trologie m\u00e9dicale moderne a \u00e9t\u00e9 profond\u00e9ment marqu\u00e9e par la parution, dans la revue The Lancet<\/em> en 1986, de l’article princeps de J. Martin Bland et Douglas G. Altman<\/a> intitul\u00e9 \u00ab Statistical methods for assessing agreement between two methods of clinical measurement \u00bb. Bien que les auteurs eussent d\u00e9j\u00e0 esquiss\u00e9 leur approche en 1983 au sein d’une publication destin\u00e9e aux statisticiens (The Statistician<\/em>), c’est l’article de 1986 qui d\u00e9clencha une v\u00e9ritable r\u00e9volution m\u00e9thodologique dans la recherche clinique. Cet article est rapidement devenu l’un des articles scientifiques les plus cit\u00e9s de tous les temps, accumulant plusieurs dizaines de milliers de citations acad\u00e9miques.<\/p>\n

\u00c0 cette \u00e9poque, la pratique dominante consistait \u00e0 \u00e9valuer la validit\u00e9 d’une nouvelle technique de mesure en calculant le coefficient de corr\u00e9lation de Pearson entre les valeurs fournies par cette derni\u00e8re et celles obtenues par une m\u00e9thode de r\u00e9f\u00e9rence reconnue. Bland et Altman ont d\u00e9montr\u00e9 avec une acuit\u00e9 math\u00e9matique remarquable que cette utilisation du coefficient de corr\u00e9lation reposait sur une confusion conceptuelle majeure entre association lin\u00e9aire et accord m\u00e9trologique absolu. Deux m\u00e9thodes mesurant la m\u00eame grandeur peuvent \u00eatre fortement corr\u00e9l\u00e9es tout en diff\u00e9rant syst\u00e9matiquement de plusieurs unit\u00e9s, ou en affichant des variations d’\u00e9carts incompatibles avec la s\u00e9curit\u00e9 diagnostique d’un patient.<\/p>\n

\"\"<\/figure>\n

Au fil des d\u00e9cennies suivantes, les travaux de Bland et Altman ont \u00e9t\u00e9 enrichis pour traiter des cas complexes, tels que les mesures r\u00e9p\u00e9t\u00e9es, l’\u00e9valuation de la fid\u00e9lit\u00e9 intra-observateur et inter-observateurs, ou encore l’ajustement aux distributions asym\u00e9triques. Aujourd’hui, l’analyse de concordance selon Bland-Altman ne constitue plus seulement une recommandation acad\u00e9mique : elle figure express\u00e9ment dans les lignes directrices de reporting biom\u00e9dical international, telles que les normes GRRAS (Guidelines for Reporting Reliability and Agreement Studies<\/em>) et les exigences \u00e9ditoriales des comit\u00e9s de lecture des revues m\u00e9dicales majeures.<\/p>\n

1.2 Principes statistiques sous-jacents \u00e0 l’analyse de concordance<\/h3>\n

L’analyse de concordance repose sur une distinction \u00e9pist\u00e9mologique cruciale entre l’association statistique et l’interchangeabilit\u00e9 clinique. Deux variables al\u00e9atoires peuvent pr\u00e9senter une association statistique extr\u00eamement \u00e9troite, formalis\u00e9e par un coefficient de corr\u00e9lation approchant l’unit\u00e9, sans que les deux dispositifs ne soient pour autant interchangeables au chevet du patient ou en laboratoire d’analyse. L’interchangeabilit\u00e9 exige que les diff\u00e9rences individuelles entre les deux instruments demeurent confin\u00e9es \u00e0 l’int\u00e9rieur de marges de tol\u00e9rance qui n’induisent aucun changement dans les d\u00e9cisions th\u00e9rapeutiques ou pronostiques.<\/p>\n

D’un point de vue structural, le mod\u00e8le s\u00e9pare l’\u00e9cart total observ\u00e9 entre les instruments en deux composantes fondamentales : le biais syst\u00e9matique (erreur syst\u00e9matique) et l’erreur al\u00e9atoire de mesure. Le biais syst\u00e9matique repr\u00e9sente la tendance constante d’un instrument \u00e0 sur\u00e9valuer ou sous-\u00e9valuer la grandeur mesur\u00e9e par rapport \u00e0 l’autre. Il est formalis\u00e9 par l’esp\u00e9rance math\u00e9matique de la diff\u00e9rence intra-sujet. L’erreur al\u00e9atoire, quant \u00e0 elle, traduit la variabilit\u00e9 r\u00e9siduelle impr\u00e9visible r\u00e9sultant de l’impr\u00e9cision inh\u00e9rente aux deux syst\u00e8mes de mesure et des fluctuations physiologiques transitoires non contr\u00f4l\u00e9es.<\/p>\n

Un postulat statistique central du mod\u00e8le conventionnel de Bland-Altman r\u00e9side dans la normalit\u00e9 de la distribution des diff\u00e9rences de mesure individuelles. Il importe de souligner avec vigueur qu’il n’est nullement requis que les mesures brutes issues de chaque instrument suivent une distribution normale ; seule la distribution des \u00e9carts intra-sujets doit approcher une loi gaussienne. Cette hypoth\u00e8se de normalit\u00e9 conditionne directement la validit\u00e9 des limites d’agr\u00e9ment \u00e0 95 %, lesquelles reposent sur les propri\u00e9t\u00e9s probabilistes de la loi normale, stipulant qu’approximativement 95 % des observations d’une variable gaussienne se situent dans un intervalle born\u00e9 par l’esp\u00e9rance math\u00e9matique plus ou moins 1,96 \u00e9cart-type.<\/p>\n

1.3 Applications empiriques dans l’\u00e9valuation psychologique et m\u00e9dicale<\/h3>\n

Dans la recherche translationnelle et clinique, l’analyse de Bland-Altman trouve une premi\u00e8re application paradigmatique lors de l’introduction d’un nouveau dispositif m\u00e9dical destin\u00e9 \u00e0 remplacer ou compl\u00e9ter une technique de r\u00e9f\u00e9rence lourde, invasive ou on\u00e9reuse. Par exemple, la validation d’un spirom\u00e8tre portable connect\u00e9 par rapport \u00e0 la pl\u00e9thysmographie corporelle en cabine ferm\u00e9e exige de v\u00e9rifier que les d\u00e9bits expiratoires de pointe mesur\u00e9s par le dispositif miniaturis\u00e9 ne s’\u00e9cartent pas de la r\u00e9f\u00e9rence au-del\u00e0 de seuils physiopathologiques critiques.<\/p>\n

Dans le domaine de l’\u00e9valuation psychom\u00e9trique et neurophysiologique, cette m\u00e9thode s’av\u00e8re particuli\u00e8rement pertinente lors de la transposition d’\u00e9chelles d’\u00e9valuation sous format num\u00e9rique ou de l’analyse d’algorithmes de d\u00e9tection automatique d’\u00e9tats affectifs via des biocapteurs. Lorsque des chercheurs \u00e9valuent le niveau d’anxi\u00e9t\u00e9 \u00e9tat via un questionnaire digital auto-administr\u00e9 comparativement \u00e0 une \u00e9chelle clinique administr\u00e9e par un psychiatre, la concordance absolue des scores bruts ou standardis\u00e9s doit \u00eatre garantie pour pr\u00e9server l’int\u00e9grit\u00e9 des seuils diagnostiques cat\u00e9goriels.<\/p>\n

Enfin, la m\u00e9thode constitue l’outil par excellence pour l’analyse de la fid\u00e9lit\u00e9 test-retest et de l’accord inter-\u00e9valuateurs sur variables continues. Qu’il s’agisse de mesurer la variabilit\u00e9 de la pression art\u00e9rielle centrale estim\u00e9e par tonom\u00e9trie d’aplanation \u00e0 24 heures d’intervalle chez des sujets sains, ou d’\u00e9valuer la reproductibilit\u00e9 de la segmentation d’un volume tumoral par r\u00e9sonance magn\u00e9tique entre deux radiologues ind\u00e9pendants, l’estimation des limites d’agr\u00e9ment quantifie avec exactitude l’amplitude du bruit de mesure inh\u00e9rent \u00e0 l’observateur ou au protocole exp\u00e9rimental.<\/p>\n

2. Pertinence m\u00e9thodologique de la concordance par rapport \u00e0 la corr\u00e9lation<\/h2>\n

2.1 Le paradoxe du coefficient de corr\u00e9lation de Pearson<\/h3>\n

Le recours exclusif au coefficient de corr\u00e9lation de Pearson (not\u00e9 r<\/em>) pour attester de la validit\u00e9 concurrente d’une m\u00e9thode de mesure repose sur un paralogisme statistique r\u00e9current. Le coefficient r<\/em> quantifie l’intensit\u00e9 d’une relation lin\u00e9aire entre deux variables continues, mais il est intrins\u00e8quement insensible \u00e0 l’identit\u00e9 absolue de ces mesures. Math\u00e9matiquement, le coefficient de Pearson est totalement invariant par transformation lin\u00e9aire positive. Si une m\u00e9thode exp\u00e9rimentale B produit syst\u00e9matiquement des valeurs qui correspondent exactement au double des valeurs de la m\u00e9thode de r\u00e9f\u00e9rence A plus une constante fixe de 10 unit\u00e9s (B = 2A + 10), la corr\u00e9lation calcul\u00e9e sera rigoureusement \u00e9gale \u00e0 1,000, sugg\u00e9rant fallacieusement une ad\u00e9quation parfaite, alors m\u00eame que les deux instruments g\u00e9n\u00e8rent des lectures substantiellement discordantes.<\/p>\n

De surcro\u00eet, le coefficient de corr\u00e9lation pr\u00e9sente une d\u00e9pendance fonctionnelle directe vis-\u00e0-vis de l’\u00e9tendue de l’\u00e9chantillon pr\u00e9lev\u00e9. Pour un niveau de dispersion des erreurs d’observation strictement identique entre deux techniques, le coefficient r<\/em> augmentera artificiellement si la population \u00e9tudi\u00e9e pr\u00e9sente une variabilit\u00e9 interindividuelle tr\u00e8s h\u00e9t\u00e9rog\u00e8ne et tr\u00e8s large. Inversement, si la cohorte est homog\u00e8ne et que l’\u00e9tendue du mesurande est \u00e9troite, le coefficient chutera drastiquement, conduisant l’exp\u00e9rimentateur \u00e0 conclure \u00e0 tort \u00e0 une mauvaise performance de l’instrument. La corr\u00e9lation ne mesure donc pas la pr\u00e9cision de la mesure, mais la capacit\u00e9 du protocole \u00e0 discriminer les individus au sein d’une distribution donn\u00e9e.<\/p>\n

\"\"<\/figure>\n

Ce ph\u00e9nom\u00e8ne induit un risque clinique et scientifique majeur : celui d’homologuer des \u00e9quipements diagnostiques pr\u00e9sentant un biais additif massif ou un facteur d’\u00e9chelle d\u00e9l\u00e9t\u00e8re. Dans le monitorage de param\u00e8tres critiques tels que la glyc\u00e9mie capillaire, la saturation en oxyg\u00e8ne ou la clairance de la cr\u00e9atinine, se fonder sur une corr\u00e9lation sup\u00e9rieure \u00e0 0,95 pour affirmer la substituabilit\u00e9 d’un capteur rel\u00e8ve d’une m\u00e9prise th\u00e9orique lourde de cons\u00e9quences potentielles pour les d\u00e9cisions m\u00e9dicales.<\/p>\n

2.2 Comparaison critique avec la r\u00e9gression lin\u00e9aire ordinaire<\/h3>\n

Face aux limites de la corr\u00e9lation, certains investigateurs se tournent vers la r\u00e9gression lin\u00e9aire ordinaire par les moindres carr\u00e9s<\/a>, en postulant que l’obtention d’une pente statistiquement non diff\u00e9rente de 1 et d’une ordonn\u00e9e \u00e0 l’origine non diff\u00e9rente de 0 suffirait \u00e0 prouver l’\u00e9quivalence. Cette approche se heurte toutefois \u00e0 des postulats math\u00e9matiques incompatibles avec la m\u00e9trologie comparative. La r\u00e9gression des moindres carr\u00e9s ordinaires repose sur une asym\u00e9trie fondamentale : elle suppose que la variable ind\u00e9pendante (axe des abscisses, X) est mesur\u00e9e sans aucune erreur statistique, l’int\u00e9gralit\u00e9 de la variance d’erreur \u00e9tant imput\u00e9e \u00e0 la variable d\u00e9pendante (axe des ordonn\u00e9es, Y).<\/p>\n

Or, dans toute \u00e9tude clinique ou exp\u00e9rimentale, les deux m\u00e9thodes de mesure sont invariablement entach\u00e9es d’une erreur stochastique. L’affectation arbitraire de l’instrument A en abscisse et de l’instrument B en ordonn\u00e9e introduit un biais d’att\u00e9nuation bien document\u00e9 (ph\u00e9nom\u00e8ne de r\u00e9gression vers la moyenne ou biais de Berkson), provoquant une sous-estimation syst\u00e9matique de la pente r\u00e9elle de la droite. M\u00eame le recours \u00e0 des mod\u00e8les de r\u00e9gression orthogonale, tels que la r\u00e9gression de Deming ou celle de Passing-Bablok, bien que th\u00e9oriquement plus adapt\u00e9s \u00e0 la pr\u00e9sence d’erreurs sur les deux axes, tend \u00e0 masquer la distribution locale des d\u00e9saccords individuels en r\u00e9sumant la comparaison \u00e0 des param\u00e8tres globaux de relation.<\/p>\n

Le cadre conceptuel introduit par Bland et Altman s’affranchit totalement de cette asym\u00e9trie en projetant les donn\u00e9es sur un rep\u00e8re orthogonal o\u00f9 la variable d\u00e9pendante n’est plus l’une des mesures, mais la diff\u00e9rence instantan\u00e9e entre les deux (A – B), confront\u00e9e \u00e0 la meilleure estimation disponible de la grandeur sous-jacente : la moyenne non pond\u00e9r\u00e9e des deux mesures ((A + B) \/ 2). Ce formalisme \u00e9limine l’arbitraire du choix de la variable ind\u00e9pendante et neutralise la distorsion g\u00e9om\u00e9trique propre aux r\u00e9gressions classiques.<\/p>\n

2.3 Avantages sp\u00e9cifiques du cadre d’analyse de Bland-Altman<\/h3>\n

Le b\u00e9n\u00e9fice primordial de la repr\u00e9sentation de Bland-Altman r\u00e9side dans l’expression imm\u00e9diate des r\u00e9sultats statistiques au sein des unit\u00e9s m\u00e9triques naturelles du ph\u00e9nom\u00e8ne mesur\u00e9 (par exemple en millim\u00e8tres de mercure, en millimoles par litre ou en points de score clinique). Alors que les indices statistiques standardis\u00e9s comme le coefficient de corr\u00e9lation intraclasse (CCI) ou le R\u00b2 fournissent des valeurs adimensionnelles abstraites, les limites d’agr\u00e9ment quantifient sans interm\u00e9diaire l’\u00e9cart maximal pr\u00e9visible entre deux mesures individuelles pour 95 % des situations futures.<\/p>\n

Par ailleurs, la disposition graphique offre une capacit\u00e9 de diagnostic s\u00e9miologique instantan\u00e9e de la structure de l’erreur. L’\u0153il humain y per\u00e7oit imm\u00e9diatement la pr\u00e9sence \u00e9ventuelle d’une h\u00e9t\u00e9rosc\u00e9dasticit\u00e9<\/a>, c’est-\u00e0-dire une modification de la dispersion des erreurs en fonction de la magnitude de la mesure, se traduisant graphiquement par un \u00e9vasement en entonnoir. De m\u00eame, l’existence d’une d\u00e9rive instrumentale non lin\u00e9aire ou d’un biais proportionnel devient visuellement flagrante, l\u00e0 o\u00f9 un calcul matriciel global agr\u00e9g\u00e9 occulterait ces anomalies distributionnelles.<\/p>\n

Enfin, cette approche impose aux cliniciens et aux chercheurs d’adopter une posture m\u00e9thodologique rigoureuse en dissociant l’estimation empirique de l’\u00e9cart de son appr\u00e9ciation qualitative. Les limites d’agr\u00e9ment \u00e0 95 % ne stipulent pas si un \u00e9cart est \u00ab acceptable \u00bb ou non d’un point de vue clinique ; elles obligent les sp\u00e9cialistes du domaine \u00e0 d\u00e9finir a priori, sur la base de connaissances physiopathologiques ou m\u00e9trologiques ind\u00e9pendantes, un intervalle d’\u00e9quivalence maximal acceptable, auquel les donn\u00e9es empiriques seront ensuite confront\u00e9es de mani\u00e8re objective.<\/p>\n

3. Pr\u00e9paration et structuration des donn\u00e9es exp\u00e9rimentales dans Excel<\/h2>\n

3.1 Organisation matricielle des variables dans la feuille de calcul<\/h3>\n

L’impl\u00e9mentation op\u00e9rationnelle sous Microsoft Excel requiert une architecture de donn\u00e9es tabulaire rigoureusement normalis\u00e9e. Les donn\u00e9es doivent \u00eatre structur\u00e9es selon les pr\u00e9ceptes du \u00ab tidy data \u00bb, o\u00f9 chaque ligne correspond de fa\u00e7on exclusive \u00e0 une unit\u00e9 observationnelle (un participant unique, ou une observation ind\u00e9pendante appari\u00e9e) et chaque colonne \u00e0 une variable m\u00e9trologique univoque. La premi\u00e8re ligne du tableau Excel sera syst\u00e9matiquement r\u00e9serv\u00e9e aux en-t\u00eates explicites, en \u00e9vitant les caract\u00e8res d’\u00e9chappement complexes ou les espaces superflus qui pourraient corrompre les formules matricielles dynamiques.<\/p>\n

\"\"<\/figure>\n

La structure minimale indispensable comporte trois colonnes fondamentales ordonn\u00e9es s\u00e9quentiellement :
\nla colonne A accueille l’identifiant univoque du sujet ou de l’\u00e9chantillon (par exemple \u00ab Sujet_001 \u00bb, \u00ab Sujet_002 \u00bb) ;
\nla colonne B stocke la variable continue quantifi\u00e9e par le premier syst\u00e8me d’\u00e9valuation, d\u00e9sign\u00e9 conventionnellement comme \u00ab Instrument A \u00bb (ou M\u00e9thode de R\u00e9f\u00e9rence) ;
\nla colonne C recueille la mesure homologue issue du second dispositif, nomm\u00e9 \u00ab Instrument B \u00bb (ou Nouvelle M\u00e9thode). Il est imp\u00e9ratif de garantir un appariement strict : la valeur de la cellule C2 doit obligatoirement correspondre \u00e0 la mesure effectu\u00e9e sur la m\u00eame entit\u00e9 biologique ou le m\u00eame objet que celle consign\u00e9e en B2.<\/p>\n

D\u00e8s la phase d’encodage, l’op\u00e9rateur doit s’assurer du typage ad\u00e9quat des donn\u00e9es dans Excel. Les colonnes B et C doivent imp\u00e9rativement \u00eatre format\u00e9es en tant que \u00ab Nombre \u00bb (avec un nombre de d\u00e9cimales coh\u00e9rent avec la r\u00e9solution instrumentale) et non sous le format g\u00e9n\u00e9rique \u00ab Standard \u00bb ou \u00ab Texte \u00bb. Une erreur r\u00e9currente r\u00e9side dans l’utilisation de s\u00e9parateurs d\u00e9cimaux incoh\u00e9rents (point au lieu de la virgule selon les param\u00e8tres r\u00e9gionaux du syst\u00e8me d’exploitation), ce qui inhibe l’ex\u00e9cution des fonctions arithm\u00e9tiques ult\u00e9rieures et g\u00e9n\u00e8re des erreurs de type #VALEUR!<\/code>.<\/p>\n

3.2 Nettoyage pr\u00e9liminaire et v\u00e9rification de la compl\u00e9tude des donn\u00e9es<\/h3>\n

Avant d’engager le moindre traitement algorithmique, un protocole rigoureux d’assainissement de la base s’impose. La gestion des donn\u00e9es manquantes constitue une premi\u00e8re criticit\u00e9 m\u00e9thodologique. Dans le cadre d’un protocole appari\u00e9 de Bland-Altman, toute absence de donn\u00e9e sur l’un des deux instruments invalide l’estimation de l’\u00e9cart intra-sujet pour l’observation concern\u00e9e. Il convient donc de proc\u00e9der \u00e0 une exclusion par observation (suppression par liste compl\u00e8te ou \u00ab listwise deletion \u00bb) des lignes pr\u00e9sentant un champ vide en colonne B ou C, tout en documentant scrupuleusement l’effectif initial et final dans le cahier de laboratoire statistique.<\/p>\n

L’inspection des valeurs aberrantes ou extr\u00eames (outliers) doit \u00eatre effectu\u00e9e avec discernement. Une valeur peut r\u00e9sulter soit d’une erreur mat\u00e9rielle de transcription (oubli d’une d\u00e9cimale, inversion de chiffres), soit d’un artefact technique transitoire (d\u00e9synchronisation d’un capteur), soit d’une authentique r\u00e9ponse biologique discordante. L’utilisation de filtres conditionnels ou la formule de d\u00e9tection d’anomalies bas\u00e9e sur l’\u00e9cart interquartile dans Excel permet d’isoler rapidement les valeurs suspectes. Cependant, aucune observation discordante ne doit \u00eatre expurg\u00e9e de l’analyse d\u00e9finitive sans justification exp\u00e9rimentale valid\u00e9e, sous peine de biaiser artificiellement la variance et de sous-estimer l’ampleur r\u00e9elle du d\u00e9saccord m\u00e9trologique.<\/p>\n

Enfin, l’homog\u00e9n\u00e9it\u00e9 stricte des unit\u00e9s de mesure entre les deux instruments constitue un pr\u00e9requis incontournable. Il arrive fr\u00e9quemment que deux analyseurs biom\u00e9dicaux expriment la m\u00eame grandeur selon des unit\u00e9s diff\u00e9rentes (par exemple, la glyc\u00e9mie mesur\u00e9e en milligrammes par d\u00e9cilitre d’un c\u00f4t\u00e9 et en millimoles par litre de l’autre, ou le d\u00e9bit cardiaque en litres par minute versus millilitres par seconde). L’exp\u00e9rimentateur doit imp\u00e9rativement convertir les donn\u00e9es d’un instrument afin qu’elles partagent exactement la m\u00eame dimension m\u00e9trique que l’autre avant toute manipulation d’\u00e9cart ou de moyenne.<\/p>\n

3.3 Consid\u00e9rations relatives \u00e0 la taille d’\u00e9chantillon n\u00e9cessaire<\/h3>\n

Une lacune m\u00e9thodologique fr\u00e9quente dans la litt\u00e9rature consiste \u00e0 d\u00e9ployer une analyse de concordance sur des cohortes d’effectifs r\u00e9siduels (inf\u00e9rieurs \u00e0 20 ou 30 sujets), privant les estimations de toute stabilit\u00e9 statistique. Il convient de souligner que le graphique de Bland-Altman n’a pas pour objectif de rejeter une hypoth\u00e8se nulle au sens traditionnel, mais d’estimer des param\u00e8tres populationnels (le biais et les bornes d’agr\u00e9ment) avec une pr\u00e9cision d’\u00e9chantillonnage d\u00e9termin\u00e9e, mat\u00e9rialis\u00e9e par leurs intervalles de confiance respectifs.<\/p>\n

Les recommandations m\u00e9thodologiques formul\u00e9es par Bland et Altman pr\u00e9conisent un effectif minimal de 100 paires d’observations pour garantir une largeur raisonnablement \u00e9troite de l’intervalle de confiance des limites d’agr\u00e9ment. Lorsque la taille de l’\u00e9chantillon n<\/em> est trop modeste, la variance d’\u00e9chantillonnage de l’\u00e9cart-type des diff\u00e9rences devient consid\u00e9rable, entra\u00eenant une incertitude majeure sur le positionnement r\u00e9el des bornes sup\u00e9rieure et inf\u00e9rieure. Si un effectif de 100 sujets s’av\u00e8re logistiquement inaccessible, un seuil d’au moins 40 \u00e0 50 observations appari\u00e9es demeure le plancher statistique absolu sous lequel les conclusions doivent \u00eatre qualifi\u00e9es de strictly exploratoires.<\/p>\n

Sur le plan de la planification exp\u00e9rimentale, la puissance statistique s’\u00e9value ici en termes de pr\u00e9cision attendue : si l’objectif de l’\u00e9tude est de d\u00e9montrer que l’intervalle d’agr\u00e9ment \u00e0 95 % est enti\u00e8rement contenu \u00e0 l’int\u00e9rieur d’une marge de tol\u00e9rance clinique pr\u00e9d\u00e9finie delta<\/em>, l’investigateur doit dimensionner son \u00e9chantillon en fonction de l’\u00e9cart-type anticip\u00e9 des diff\u00e9rences, de mani\u00e8re \u00e0 ce que la borne sup\u00e9rieure de l’intervalle de confiance \u00e0 95 % de la limite sup\u00e9rieure d’agr\u00e9ment n’exc\u00e8de pas ce seuil critique.<\/p>\n

4. Calcul des moyennes individuelles et des \u00e9carts intra-sujets<\/h2>\n

4.1 Formulation math\u00e9matique de la moyenne des deux mesures<\/h3>\n

Le principe fondamental de la projection cart\u00e9sienne de Bland-Altman r\u00e9side dans le positionnement de la \u00ab vraie \u00bb valeur estim\u00e9e du mesurande sur l’axe des abscisses. En l’absence d’une r\u00e9f\u00e9rence d’exactitude absolue (\u00ab gold standard \u00bb parfait d\u00e9pourvu d’erreur), la meilleure approximation non biais\u00e9e de la quantit\u00e9 sous-jacente est apport\u00e9e par la moyenne arithm\u00e9tique simple des deux observations r\u00e9alis\u00e9es sur le m\u00eame sujet.<\/p>\n

D’un point de vue analytique, pour un individu i<\/em> ayant fait l’objet d’une mesure Ai<\/sub><\/em> par l’instrument A et d’une mesure Bi<\/sub><\/em> par l’instrument B, la valeur assign\u00e9e en abscisse correspond \u00e0 :<\/p>\n

Moyennei<\/sub> = (Ai<\/sub> + Bi<\/sub>) \/ 2<\/strong><\/p>\n

Dans la feuille de calcul Excel, cette op\u00e9ration se concr\u00e9tise par la cr\u00e9ation d’une quatri\u00e8me colonne, conventionnellement labellis\u00e9e en colonne D par l’en-t\u00eate \u00ab Moyenne_Individuelle \u00bb. En supposant que les donn\u00e9es effectives d\u00e9butent \u00e0 la ligne 2, l’exp\u00e9rimentateur ins\u00e8re dans la cellule D2 la formule :<\/p>\n

=MOYENNE(B2:C2)<\/code> ou alternativement =(B2+C2)\/2<\/code><\/p>\n

Cette formulation est ensuite r\u00e9pliqu\u00e9e sur l’ensemble des rang\u00e9es du tableau par double-clic sur la poign\u00e9e de recopie incr\u00e9mentale situ\u00e9e \u00e0 l’angle inf\u00e9rieur droit de la cellule active D2, assurant ainsi la propagation instantan\u00e9e du calcul sur la cohorte compl\u00e8te.<\/p>\n

\"\"<\/figure>\n

4.2 Calcul alg\u00e9brique de la diff\u00e9rence entre les instruments<\/h3>\n

La seconde variable directrice, qui constitue l’axe vertical du rep\u00e8re de dispersion, est la diff\u00e9rence arithm\u00e9tique constat\u00e9e entre les deux dispositifs pour chaque unit\u00e9 exp\u00e9rimentale. Le calcul de cet \u00e9cart intra-sujet est d\u00e9fini par l’expression alg\u00e9brique :<\/p>\n

Diff\u00e9rencei<\/sub> = Ai<\/sub> – Bi<\/sub><\/strong><\/p>\n

Le choix de l’ordre de la soustraction rel\u00e8ve d’une convention arbitraire, mais cette orientation doit \u00eatre scrupuleusement document\u00e9e et maintenue sans alt\u00e9ration tout au long de l’interpr\u00e9tation. Conventionnellement, si l’un des instruments repr\u00e9sente la technologie standard \u00e9tablie et l’autre la m\u00e9thode \u00e9valu\u00e9e, on calcule la diff\u00e9rence en soustrayant la r\u00e9f\u00e9rence de la nouvelle m\u00e9thode (Nouvelle M\u00e9thode – R\u00e9f\u00e9rence), ou inversement. Ce choix d\u00e9termine le sens s\u00e9miologique du signe : si l’on applique l’op\u00e9ration A - B<\/code>, une valeur alg\u00e9brique positive traduit une surestimation de la mesure par l’instrument A relativement \u00e0 l’instrument B, tandis qu’une valeur n\u00e9gative d\u00e9note une sous-estimation syst\u00e9matique locale.<\/p>\n

Dans Excel, cette grandeur est assign\u00e9e \u00e0 la colonne E, intitul\u00e9e \u00ab Difference_A_moins_B \u00bb. Dans la cellule E2, l’utilisateur encode l’op\u00e9ration arithm\u00e9tique directe :<\/p>\n

=B2-C2<\/code><\/p>\n

Cette commande est instantan\u00e9ment propag\u00e9e le long de la s\u00e9rie de donn\u00e9es. Il est capital d’\u00e9viter l’usage de la fonction ABS()<\/code> (valeur absolue) \u00e0 ce stade : l’analyse de Bland-Altman repose intrins\u00e8quement sur la conservation de la direction alg\u00e9brique des \u00e9carts individuels afin de pouvoir d\u00e9celer tout d\u00e9calage unilat\u00e9ral de la distribution.<\/p>\n

4.3 Gestion des \u00e9carts relatifs et en pourcentages si n\u00e9cessaire<\/h3>\n

Dans de nombreux contextes biom\u00e9dicaux, l’amplitude de l’erreur absolue entre deux instruments n’est pas constante sur l’ensemble de l’\u00e9chelle clinique, mais s’accro\u00eet proportionnellement \u00e0 la grandeur du mesurande. En pr\u00e9sence d’un tel comportement m\u00e9trologique, l’expression de l’\u00e9cart en unit\u00e9s physiques absolues perd sa pertinence diagnostique, car une diff\u00e9rence de 5 unit\u00e9s pr\u00e9sente une gravit\u00e9 totalement dissemblable selon que la valeur moyenne du param\u00e8tre est de 10 ou de 1000.<\/p>\n

Pour rem\u00e9dier \u00e0 cette d\u00e9pendance d’\u00e9chelle, il est d’usage d’adopter une m\u00e9trique relative en formulant la diff\u00e9rence en pourcentage de la moyenne individuelle. La grandeur calcul\u00e9e pour le sujet i<\/em> prend alors la forme :<\/p>\n

Diff\u00e9rence Relative (%) = [(Ai<\/sub> – Bi<\/sub>) \/ Moyennei<\/sub>] * 100<\/strong><\/p>\n

Dans la feuille de calcul Excel, cette variable peut \u00eatre calcul\u00e9e dans une colonne F d\u00e9di\u00e9e, via la syntaxe appliqu\u00e9e en F2 :<\/p>\n

=(E2\/D2)*100<\/code><\/p>\n

Une mod\u00e9lisation alternative encore plus robuste face aux variations multiplicatives repose sur le passage aux logarithmes n\u00e9p\u00e9riens des mesures brutes, o\u00f9 la diff\u00e9rence des logarithmes LN(A) - LN(B)<\/code> correspond math\u00e9matiquement au logarithme du ratio des deux instruments, permettant d’extraire des limites d’agr\u00e9ment exprim\u00e9es sous forme de ratios multiplicatifs apr\u00e8s r\u00e9tro-transformation exponentielle.<\/p>\n

5. Estimation du biais moyen sous Excel<\/h2>\n

5.1 D\u00e9finition et calcul de la diff\u00e9rence moyenne<\/h3>\n

Le biais moyen (d\u00e9sign\u00e9 statistiquement par d\u0304<\/em>) incarne l’estimation ponctuelle de l’erreur syst\u00e9matique globale pr\u00e9valant entre les deux modalit\u00e9s d’\u00e9valuation. Il repr\u00e9sente le d\u00e9calage moyen permanent d’une m\u00e9thode par rapport \u00e0 l’autre sur l’ensemble de la population examin\u00e9e. D’un point de vue formel, il est d\u00e9fini comme la moyenne arithm\u00e9tique des n<\/em> diff\u00e9rences individuelles calcul\u00e9es :<\/p>\n

d\u0304 = (1 \/ n) * \u2211 (Ai<\/sub> – Bi<\/sub>)<\/strong><\/p>\n

Dans l’interface d’Excel, l’extraction de ce param\u00e8tre central s’op\u00e8re par l’invocation de la fonction statistique standard MOYENNE<\/code> appliqu\u00e9e \u00e0 la s\u00e9rie des diff\u00e9rences individuelles (colonne E). Si le tableau d’exp\u00e9rimentation s’\u00e9tend de la ligne 2 \u00e0 la ligne 101 (correspondant \u00e0 100 observations), l’utilisateur formule l’instruction :<\/p>\n

=MOYENNE(E2:E101)<\/code><\/p>\n

\"\"<\/figure>\n

L’interpr\u00e9tation de la valeur r\u00e9sultante est imm\u00e9diate. Un biais moyen num\u00e9riquement nul (ou statistiquement indiscernable de z\u00e9ro) atteste de l’absence totale de d\u00e9viation syst\u00e9matique entre les deux syst\u00e8mes d’acquisition. \u00c0 l’inverse, un biais moyen substantiellement positif indique que l’instrument A produit globalement des valeurs sup\u00e9rieures \u00e0 l’instrument B, tandis qu’un biais n\u00e9gatif formalise une sous-estimation syst\u00e9matique globale du mesurande par le premier instrument vis-\u00e0-vis du second.<\/p>\n

5.2 Test d’hypoth\u00e8se sur la significativit\u00e9 du biais moyen<\/h3>\n

L’identification d’une diff\u00e9rence moyenne non nulle sur un \u00e9chantillon exp\u00e9rimental pose la question de son authenticit\u00e9 populationnelle : ce biais refl\u00e8te-t-il une divergence syst\u00e9matique r\u00e9elle des instruments ou d\u00e9coule-t-il des seules fluctuations d’\u00e9chantillonnage stochastiques ? Pour trancher cette interrogation inf\u00e9rentielle, il est pr\u00e9conis\u00e9 d’ex\u00e9cuter un test t<\/em> de Student pour \u00e9chantillons appari\u00e9s, sous l’hypoth\u00e8se nulle stipulant que la diff\u00e9rence moyenne th\u00e9orique delta<\/em> est strictement \u00e9gale \u00e0 z\u00e9ro (H0 : delta<\/em> = 0 versus H1 : delta<\/em> \u2260 0).<\/p>\n

Excel dispose d’une fonction analytique int\u00e9gr\u00e9e particuli\u00e8rement directe pour extraire la probabilit\u00e9 critique (p-valeur) bilat\u00e9rale associ\u00e9e \u00e0 cette confrontation statistique. Dans une cellule d\u00e9di\u00e9e de synth\u00e8se, l’utilisateur ins\u00e8re la formulation suivante :<\/p>\n

=TEST.T(B2:B101; C2:C101; 2; 1)<\/code><\/p>\n

Dans cette configuration de commande :
\nle premier argument B2:B101<\/code> d\u00e9signe la s\u00e9rie des mesures de l’instrument A ;
\nle second argument C2:C101<\/code> identifie les observations appari\u00e9es de l’instrument B ;
\nle troisi\u00e8me argument, param\u00e9tr\u00e9 sur la valeur 2<\/code>, sp\u00e9cifie un test bilat\u00e9ral ;
\nle quatri\u00e8me argument, fix\u00e9 sur la valeur 1<\/code>, configure l’algorithme pour ex\u00e9cuter un test appari\u00e9 (mesures r\u00e9p\u00e9t\u00e9es intra-sujet).<\/p>\n

Si la valeur p<\/em> r\u00e9sultante est inf\u00e9rieure au seuil alpha conventionnel de 0,05, l’hypoth\u00e8se nulle est r\u00e9fut\u00e9e : le biais syst\u00e9matique observ\u00e9 est qualifi\u00e9 de statistiquement significatif. N\u00e9anmoins, il importe de rappeler avec force que la significativit\u00e9 statistique n’implique aucunement une pertinence clinique. Avec un \u00e9chantillon de grande taille (par exemple plusieurs centaines d’individus), un biais microscopique de 0,1 unit\u00e9 sans aucune implication pratique pourra pr\u00e9senter une p-valeur hautement significative (p<\/em> < 0,001). C’est pourquoi l’interpr\u00e9tation doit toujours confronter la magnitude absolue du biais aux seuils de tol\u00e9rance m\u00e9dicale pr\u00e9\u00e9tablis.<\/p>\n

5.3 Affichage et fixation des param\u00e8tres dans la feuille de calcul<\/h3>\n

Pour assurer la fluidit\u00e9 de la programmation sous Excel et \u00e9viter la dispersion des constantes statistiques lors de la conception du graphique, il est imp\u00e9ratif d’isoler l’ensemble des descripteurs globaux au sein d’une zone matricielle de r\u00e9f\u00e9rence (un \u00ab bloc r\u00e9capitulatif des constantes \u00bb). Ce bloc sera judicieusement dispos\u00e9 sur les colonnes adjacentes ou dans un tableau sup\u00e9rieur d\u00e9di\u00e9.<\/p>\n

Ce tableau r\u00e9capitulatif contiendra les cellules d\u00e9sign\u00e9es pour accueillir :
\nl’effectif total n<\/em> via la commande =NB(E2:E101)<\/code> ;
\nle biais moyen d\u0304<\/em> via la commande =MOYENNE(E2:E101)<\/code> ;
\nl’\u00e9cart-type des diff\u00e9rences s<\/em> via la commande =ECARTYPE.STANDARD(E2:E101)<\/code> ;
\nla valeur p<\/em> du test t<\/em> appari\u00e9.<\/p>\n

Afin de pouvoir projeter graphiquement les lignes horizontales repr\u00e9sentant ces param\u00e8tres directeurs sur le rep\u00e8re de dispersion, il sera n\u00e9cessaire d’injecter la valeur scalaire du biais de mani\u00e8re r\u00e9p\u00e9t\u00e9e le long de chaque ligne d’observation. Pour verrouiller la r\u00e9f\u00e9rence lors de la recopie incr\u00e9mentale, l’ancrage absolu par l’insertion du symbole dollar ($) s’av\u00e8re indispensable. Ainsi, si la cellule calculant le biais global est positionn\u00e9e en $H$<\/span>2<\/code>, la colonne g\u00e9n\u00e9r\u00e9e pour le trac\u00e9 comportera la formule =$H$<\/span>2<\/code> dupliqu\u00e9e sur toute la hauteur des lignes actives de donn\u00e9es.<\/p>\n

6. D\u00e9termination de la variance, de l’\u00e9cart-type et des limites d’agr\u00e9ment \u00e0 95 %<\/h2>\n

6.1 Calcul de l’\u00e9cart-type des diff\u00e9rences<\/h3>\n

Si le biais moyen caract\u00e9rise l’emplacement central de la distribution des d\u00e9saccords, l’erreur al\u00e9atoire de mesure s’exprime au travers de la dispersion de ces diff\u00e9rences autour de leur esp\u00e9rance empirique. La m\u00e9trique fondamentale pour quantifier cette variabilit\u00e9 intra-sujet r\u00e9siduelle est l’\u00e9cart-type de l’\u00e9chantillon des diff\u00e9rences, not\u00e9 sd<\/sub><\/em> (ou SD).<\/p>\n

Sur le plan computationnel, l’exp\u00e9rimentateur doit veiller rigoureusement au choix de la primitive statistique au sein d’Excel. Il convient d’appliquer la fonction ECARTYPE.STANDARD<\/code> (ou ECARTYPE<\/code> dans les versions ant\u00e9rieures d’Excel) et d’exclure formellement la commande ECARTYPE.PEARSON<\/code> (ou ECARTYPEP<\/code>). La fonction ECARTYPE.STANDARD<\/code> int\u00e8gre au d\u00e9nominateur la correction de Bessel par les degr\u00e9s de libert\u00e9 (n<\/em> – 1), garantissant l’obtention d’un estimateur sans biais de la variance populationnelle :<\/p>\n

sd<\/sub> = \u221a [ (1 \/ (n – 1)) * \u2211 ( (Ai<\/sub> – Bi<\/sub>) – d\u0304 )\u00b2 ]<\/strong><\/p>\n

Dans la feuille de calcul, la syntaxe op\u00e9rationnelle s’\u00e9crit :<\/p>\n

=ECARTYPE.STANDARD(E2:E101)<\/code><\/p>\n

Cet \u00e9cart-type constitue le pivot fondamental de la m\u00e9thode : plus l’amplitude de sd<\/sub><\/em> est restreinte, plus la fid\u00e9lit\u00e9 comparative entre les deux dispositifs est \u00e9lev\u00e9e, conditionnant directement l’\u00e9troitesse de l’intervalle de dispersion dans lequel s’inscriront les futures observations.<\/p>\n

\"\"<\/figure>\n

6.2 Formulation math\u00e9matique des limites d’agr\u00e9ment conventionnelles<\/h3>\n

Sous le postulat v\u00e9rifi\u00e9 que les diff\u00e9rences intra-sujets suivent une distribution normale ou quasi normale, les propri\u00e9t\u00e9s de la loi gaussienne stipulent qu’approximativement 95,45 % des \u00e9carts individuels de la population d’origine se distribuent dans un rayon de deux \u00e9carts-types de part et d’autre de la moyenne. Par convention internationale fix\u00e9e par Bland et Altman, le coefficient d’\u00e9largissement retenu est de 1,96 (correspondant exactement au quantile bilat\u00e9ral d’ordre 97,5 % de la distribution normale centr\u00e9e r\u00e9duite standard Z<\/em>).<\/p>\n

Les Limites d’Agr\u00e9ment \u00e0 95 % (commun\u00e9ment abr\u00e9g\u00e9es LoA<\/em> pour \u00ab Limits of Agreement \u00bb) sont formellement calcul\u00e9es selon les relations suivantes :<\/p>\n

Limite d’Agr\u00e9ment Sup\u00e9rieure (ULA) = d\u0304 + (1,96 * sd<\/sub>)<\/strong><\/p>\n

Limite d’Agr\u00e9ment Inf\u00e9rieure (LLA) = d\u0304 – (1,96 * sd<\/sub>)<\/strong><\/p>\n

Ces deux bornes param\u00e9triques d\u00e9finissent le corridor d’agr\u00e9ment au sein duquel se situeront, pour 95 % des sujets d’une cohorte clinique comparable, les divergences constat\u00e9es entre une \u00e9valuation par l’instrument A et une \u00e9valuation par l’instrument B. L’\u00e9cartement total entre la borne sup\u00e9rieure et la borne inf\u00e9rieure (repr\u00e9sentant une amplitude de 3,92 \u00e9carts-types) synth\u00e9tise l’incertitude m\u00e9trologique maximale globale inh\u00e9rente au remplacement d’une technique par l’autre.<\/p>\n

6.3 Automatisation des calculs dans le tableau Excel<\/h3>\n

Pour mat\u00e9rialiser ces concepts dans la structure algorithmique d’Excel, l’utilisateur ins\u00e8re les calculs correspondants au sein du tableau des constantes statistiques pr\u00e9alablement configur\u00e9. Supposons que le biais moyen d\u0304<\/em> soit ancr\u00e9 dans la cellule H2<\/code> et que l’\u00e9cart-type sd<\/sub><\/em> r\u00e9side en H3<\/code> :
\ndans la cellule H4<\/code> (d\u00e9di\u00e9e \u00e0 l’ULA), l’op\u00e9rateur saisit la commande : =H2+(1,96*H3)<\/code> ;
\ndans la cellule H5<\/code> (d\u00e9di\u00e9e \u00e0 la LLA), il programme l’expression : =H2-(1,96*H3)<\/code>.<\/p>\n

Afin de pr\u00e9parer l’infrastructure n\u00e9cessaire \u00e0 l’affichage dynamique sous forme de trac\u00e9s horizontaux sur le graphique cart\u00e9sien, il est hautement avantageux de g\u00e9n\u00e9rer trois nouvelles colonnes au sein du tableau principal de donn\u00e9es (colonnes F, G et H) :
\nla colonne F (\u00ab Ligne_Biais \u00bb) int\u00e8gre la formule =$H$<\/span>2<\/code> dupliqu\u00e9e sur toute la longueur ;
\nla colonne G (\u00ab Ligne_ULA \u00bb) accueille l’instruction =$H$<\/span>4<\/code> dupliqu\u00e9e de mani\u00e8re identique ;
\nla colonne H (\u00ab Ligne_LLA \u00bb) re\u00e7oit la syntaxe =$H$<\/span>5<\/code>, propag\u00e9e jusqu’\u00e0 la derni\u00e8re observation.<\/p>\n

Cette duplication en apparence redondante offre l’immense int\u00e9r\u00eat de corr\u00e9ler chaque point d’abscisse \u00e0 une valeur d’ordonn\u00e9e fixe et continue, autorisant l’affichage automatis\u00e9 et fluide de lignes statistiques de r\u00e9f\u00e9rence via l’outil de cr\u00e9ation de graphiques combin\u00e9s d’Excel.<\/p>\n

7. Construction \u00e9tape par \u00e9tape du nuage de points dans Excel<\/h2>\n

7.1 S\u00e9lection des plages de donn\u00e9es et insertion du graphique<\/h3>\n

La g\u00e9n\u00e9ration initiale du trac\u00e9 g\u00e9om\u00e9trique exige la s\u00e9lection pr\u00e9cise des deux vecteurs directeurs. L’utilisateur doit imp\u00e9rativement s\u00e9lectionner de fa\u00e7on simultan\u00e9e mais disjointe la colonne des moyennes individuelles (axe horizontal X) et la colonne des diff\u00e9rences individuelles (axe vertical Y). Pour ce faire, il convient de surligner la plage des moyennes (par exemple D2:D101<\/code>), puis, tout en maintenant la touche Ctrl<\/code> (ou Cmd<\/code> sur Mac) enfonc\u00e9e, de s\u00e9lectionner la plage homologue des diff\u00e9rences (E2:E101<\/code>).<\/p>\n

Une fois cette double s\u00e9lection effective, il convient de naviguer vers le ruban sup\u00e9rieur d’Excel, de cliquer sur l’onglet Insertion<\/strong>, puis, dans le groupe Graphiques<\/strong>, de choisir formellement la typologie Nuage de points (XY)<\/strong>. Il est capital de s\u00e9lectionner le sous-type Nuage de points avec marqueurs uniquement<\/strong> (sans aucune ligne de raccordement droite ou liss\u00e9e entre les observations). L’insertion g\u00e9n\u00e8re imm\u00e9diatement un trac\u00e9 matriciel brut au centre de la feuille active.<\/p>\n

\"\"<\/figure>\n

Pour pr\u00e9server un espace de travail ergonomique et favoriser une pr\u00e9cision maximale lors du param\u00e9trage typographique, il est fortement recommand\u00e9 de d\u00e9tacher le graphique de la matrice de donn\u00e9es. L’utilisateur clique avec le bouton droit sur la zone de tra\u00e7age, s\u00e9lectionne D\u00e9placer le graphique…<\/strong>, puis opte pour l’option Nouvelle feuille<\/strong>, en assignant \u00e0 cet onglet le libell\u00e9 \u00ab Graphique_Bland_Altman \u00bb. Cette disposition plein \u00e9cran maximise la clart\u00e9 visuelle et garantit un contr\u00f4le optimal des \u00e9l\u00e9ments g\u00e9om\u00e9triques.<\/p>\n

7.2 Configuration g\u00e9om\u00e9trique des axes cart\u00e9siens<\/h3>\n

Le trac\u00e9 brut g\u00e9n\u00e9r\u00e9 par les automatismes d’Excel pr\u00e9sente invariablement une configuration typographique non adapt\u00e9e aux standards acad\u00e9miques internationaux. Le reparam\u00e9trage commence par la gestion des axes. L’utilisateur s\u00e9lectionne l’axe horizontal (axe des abscisses X), effectue un clic droit pour ouvrir le volet Format de l’axe<\/strong>, et ajuste les limites minimale et maximale afin d’\u00e9liminer les marges d’affichage superflues. Les bornes doivent encadrer harmonieusement l’\u00e9tendue r\u00e9elle des moyennes calcul\u00e9es.<\/p>\n

L’axe vertical (axe des ordonn\u00e9es Y, repr\u00e9sentant les diff\u00e9rences) requiert une vigilance particuli\u00e8re. Par d\u00e9finition, le point z\u00e9ro (absence totale de d\u00e9saccord) doit constituer l’ancrage de r\u00e9f\u00e9rence mental de la lecture. Il est donc fondamental de param\u00e9trer les valeurs minimale et maximale de l’axe vertical de mani\u00e8re \u00e0 ce qu’elles soient sym\u00e9triques par rapport au biais moyen ou qu’elles int\u00e8grent confortablement les limites d’agr\u00e9ment calcul\u00e9es ainsi qu’une marge de s\u00e9curit\u00e9 visuelle. Par exemple, si l’ULA culmine \u00e0 +8 et la LLA \u00e0 -12, un axe s’\u00e9tendant de -15 \u00e0 +15 assure une vision \u00e9quilibr\u00e9e de l’amplitude globale de dispersion.<\/p>\n

Dans les options d’axe sous Excel, il convient \u00e9galement d’ajuster le positionnement de l’intersection de l’axe horizontal. Par d\u00e9faut, Excel fait souvent croiser l’axe X \u00e0 la valeur minimale de l’axe Y, rel\u00e9guant l’axe au bas du graphique, ce qui est g\u00e9n\u00e9ralement pr\u00e9f\u00e9rable pour \u00e9viter que les graduations num\u00e9riques ne viennent couper la trajectoire des points centraux. Les unit\u00e9s principales de graduation doivent \u00eatre fix\u00e9es manuellement sur des valeurs rondes et coh\u00e9rentes (par exemple par paliers de 2, de 5 ou de 10) pour bannir les fractions d\u00e9cimales illisibles g\u00e9n\u00e9r\u00e9es automatiquement par l’algorithme d’interpolation d’Excel.<\/p>\n

7.3 Personnalisation stylistique des marqueurs de donn\u00e9es<\/h3>\n

L’esth\u00e9tique des marqueurs doit r\u00e9pondre aux crit\u00e8res de sobri\u00e9t\u00e9 et de rigueur exig\u00e9s par les comit\u00e9s de lecture scientifique. Par d\u00e9faut, Excel g\u00e9n\u00e8re des marqueurs volumineux de couleur unie qui masquent la superposition d’observations denses. Il convient de s\u00e9lectionner la s\u00e9rie de points, d’activer le volet Mettre en forme la s\u00e9rie de donn\u00e9es<\/strong>, puis d’acc\u00e9der aux options de Remplissage et contour des marqueurs<\/strong>.<\/p>\n

La typologie optimale consiste \u00e0 s\u00e9lectionner une forme circulaire standard (cercle plein), \u00e0 r\u00e9duire son diam\u00e8tre \u00e0 une dimension comprise entre 3 et 5 points selon la densit\u00e9 de l’\u00e9chantillon, et \u00e0 param\u00e9trer un remplissage semi-transparent (transparence calibr\u00e9e entre 40 % et 60 %). Cette transparence progressive g\u00e9n\u00e8re un assombrissement proportionnel au niveau des coordonn\u00e9es o\u00f9 plusieurs observations appari\u00e9es se superposent \u00e9troitement, fournissant ainsi une lecture quasi probabiliste de la densit\u00e9 de r\u00e9partition locale.<\/p>\n

Enfin, le contour des marqueurs peut \u00eatre configur\u00e9 avec un liser\u00e9 fin d’un gris fonc\u00e9 ou d’un bleu nuit contrast\u00e9. Il convient de d\u00e9sactiver totalement les effets d’ombre port\u00e9e, les bordures tridimensionnelles ou les biseaux, qui constituent des \u00e9l\u00e9ments parasites (\u00ab chart junk \u00bb) pr\u00e9judiciables \u00e0 la lisibilit\u00e9 s\u00e9miologique. Le quadrillage arri\u00e8re-plan peut \u00eatre all\u00e9g\u00e9 en supprimant le quadrillage vertical secondaire et en att\u00e9nuant le quadrillage horizontal majeur sous forme d’une ligne grise discr\u00e8te en pointill\u00e9s.<\/p>\n

8. Int\u00e9gration et mise en forme des lignes de r\u00e9f\u00e9rence statistiques<\/h2>\n

8.1 Technique d’ajout des s\u00e9ries pour le biais et les limites<\/h3>\n

Pour conf\u00e9rer au nuage de points sa pleine dimension analytique de Bland-Altman, il est indispensable de surimprimer les trois rep\u00e8res horizontaux fondamentaux : la ligne de biais moyen d\u0304<\/em>, la limite d’agr\u00e9ment sup\u00e9rieure ULA<\/em> et la limite d’agr\u00e9ment inf\u00e9rieure LLA<\/em>. La m\u00e9thode la plus robuste et la plus dynamique sous Excel repose sur l’injection des colonnes constantes pr\u00e9alablement construites (colonnes F, G, H) sous forme de s\u00e9ries additionnelles au sein du graphique XY existant.<\/p>\n

Pour ex\u00e9cuter cette int\u00e9gration, l’utilisateur fait un clic droit dans la zone de tra\u00e7age et clique sur S\u00e9lectionner des donn\u00e9es…<\/strong>. Dans la bo\u00eete de dialogue contextuelle, sous la section Entr\u00e9es de l\u00e9gende (S\u00e9rie)<\/strong>, il actionne le bouton Ajouter<\/strong> :
\npour la premi\u00e8re s\u00e9rie (Biais Moyen) : dans le champ \u00ab Nom de la s\u00e9rie \u00bb, s\u00e9lectionner la cellule d’en-t\u00eate correspondante ; dans le champ \u00ab Valeurs de la s\u00e9rie X \u00bb, pointer vers l’int\u00e9gralit\u00e9 de la plage des moyennes individuelles (D2:D101<\/code>) ; dans le champ \u00ab Valeurs de la s\u00e9rie Y \u00bb, s\u00e9lectionner la colonne de biais constant (F2:F101<\/code>) ;
\nl’op\u00e9ration est r\u00e9it\u00e9r\u00e9e \u00e0 l’identique pour l’ULA en affectant la plage G2:G101<\/code> en ordonn\u00e9e ;
\nla proc\u00e9dure est r\u00e9p\u00e9t\u00e9e une troisi\u00e8me fois pour la LLA en pointant vers la plage H2:H101<\/code>.<\/p>\n

\"\"<\/figure>\n

\u00c0 ce stade, les nouvelles donn\u00e9es apparaissent sous forme de points horizontaux denses. Pour transformer ces points en lignes d’ing\u00e9nierie continues, il suffit de s\u00e9lectionner chaque nouvelle s\u00e9rie sur le trac\u00e9, d’ouvrir le volet de mise en forme, de configurer le type de marqueur sur Aucun<\/strong>, et d’activer l’option Ligne continue<\/strong>. Cette manipulation trace instantan\u00e9ment des droites g\u00e9om\u00e9triques rigoureusement horizontales couvrant l’amplitude int\u00e9grale de la distribution empirique.<\/p>\n

8.2 Alternative par l’utilisation de barres d’erreur personnalis\u00e9es<\/h3>\n

Une alternative technique \u00e9l\u00e9gante, \u00e9vitant de dupliquer des colonnes enti\u00e8res de donn\u00e9es scalaires au sein de la feuille de calcul, repose sur l’exploitation des barres d’erreur bidirectionnelles appliqu\u00e9es \u00e0 un point virtuel fixe. Cette m\u00e9thode s’av\u00e8re particuli\u00e8rement pris\u00e9e par les concepteurs avanc\u00e9s de tableaux de bord statistiques automatis\u00e9s.<\/p>\n

Elle consiste \u00e0 cr\u00e9er un tableau auxiliaire compact comportant trois points discrets, dont les ordonn\u00e9es sont respectivement fix\u00e9es sur d\u0304<\/em>, ULA<\/em> et LLA<\/em>, et dont l’abscisse X correspond au centre g\u00e9om\u00e9trique exact de l’axe horizontal ((Xmin + Xmax) \/ 2). En ajoutant cette s\u00e9rie r\u00e9duite au graphique, l’utilisateur supprime la barre d’erreur verticale associ\u00e9e et configure la barre d’erreur horizontale en mode bidirectionnel sans empattement (\u00ab Sans extr\u00e9mit\u00e9 \u00bb). L’amplitude de l’erreur positive et n\u00e9gative est alors param\u00e9tr\u00e9e manuellement sur une distance fixe \u00e9gale \u00e0 la demi-largeur de l’axe cart\u00e9sien.<\/p>\n

Bien que cette m\u00e9thodologie r\u00e9duise l’empreinte m\u00e9moire de la feuille de calcul, elle pr\u00e9sente le d\u00e9savantage de n\u00e9cessiter un recalcul dynamique des longueurs d’erreur en cas d’adjonction de nouvelles donn\u00e9es \u00e9tendant la plage des abscisses. La m\u00e9thode des s\u00e9ries pleines d\u00e9crite en 8.1 demeure donc la plus recommandable pour garantir une p\u00e9rennit\u00e9 absolue des liaisons algorithmiques.<\/p>\n

8.3 Codification visuelle et \u00e9tiquetage standardis\u00e9<\/h3>\n

L’esth\u00e9tique des lignes de r\u00e9f\u00e9rence doit imp\u00e9rativement respecter les conventions s\u00e9miotiques admises par la communaut\u00e9 biom\u00e9dicale internationale afin d’assurer une hi\u00e9rarchisation perceptive univoque. La codification standard s’\u00e9tablit comme suit :
\nla ligne centrale du biais syst\u00e9matique doit \u00eatre repr\u00e9sent\u00e9e par une ligne continue, d’\u00e9paisseur moyenne (g\u00e9n\u00e9ralement 1,5 pt), habill\u00e9e d’une teinte contrast\u00e9e sobre (bleu marine, noir pur ou bordeaux profond) ;
\nles deux lignes de limites d’agr\u00e9ment (ULA et LLA) doivent imp\u00e9rativement \u00eatre format\u00e9es en trait interrompu (pointill\u00e9s longs ou tirets moyens), d’une \u00e9paisseur l\u00e9g\u00e8rement plus fine (1 pt \u00e0 1,25 pt), dans une tonalit\u00e9 grise anthracite ou rouge neutre pour signifier graphiquement le seuil critique de tol\u00e9rance ;
\nune ligne z\u00e9ro discr\u00e8te (diff\u00e9rence = 0) peut \u00eatre ajout\u00e9e en trait continu tr\u00e8s fin (0,75 pt) si le biais moyen s’\u00e9carte substantiellement de l’origine, afin de mat\u00e9rialiser visuellement la d\u00e9viation de l’accord id\u00e9al.<\/p>\n

Pour parachever l’\u00e9l\u00e9gance de la figure, l’adjonction d’\u00e9tiquettes de donn\u00e9es textuelles directes est grandement pr\u00e9f\u00e9rable \u00e0 une l\u00e9gende d\u00e9port\u00e9e complexe. L’utilisateur peut ins\u00e9rer une zone de texte ou activer une \u00e9tiquette sur l’extr\u00e9mit\u00e9 droite de chaque ligne pour y inscrire explicitement les valeurs num\u00e9riques arrondies :
\n\u00ab +1.96 SD (ULA) : +4.32 \u00bb ;
\n\u00ab Biais Moyen : -0.85 \u00bb ;
\n\u00ab -1.96 SD (LLA) : -6.02 \u00bb.<\/p>\n

Ces mentions textuelles permettent au lecteur d’appr\u00e9hender instantan\u00e9ment les bornes de tol\u00e9rance sans devoir extrapoler visuellement les valeurs le long de l’axe vertical des ordonn\u00e9es.<\/p>\n

9. Interpr\u00e9tation statistique et clinique des r\u00e9sultats du graphique<\/h2>\n

9.1 \u00c9valuation de la dispersion et du respect de l’intervalle \u00e0 95 %<\/h3>\n

L’exploitation analytique du graphique de Bland-Altman finalis\u00e9 d\u00e9bute par une v\u00e9rification rigoureuse de la validit\u00e9 distributionnelle interne du mod\u00e8le. L’investigateur doit proc\u00e9der \u00e0 un d\u00e9nombrement exhaustif des observations s’\u00e9chappant au-del\u00e0 du corridor circonscrit par l’ULA et la LLA. Conform\u00e9ment aux lois probabilistes d’une loi normale, approximativement 5 % des points exp\u00e9rimentaux doivent th\u00e9oriquement se situer en dehors des limites d’agr\u00e9ment \u00e0 95 %.<\/p>\n

Par exemple, sur un \u00e9chantillon rigoureux de 100 sujets appari\u00e9s, la pr\u00e9sence de 4 \u00e0 6 observations externes demeure parfaitement compatible avec la distribution sous-jacente postul\u00e9e. Si, en revanche, plus de 8 \u00e0 10 % des points sont projet\u00e9s au-del\u00e0 des limites, le postulat de normalit\u00e9 des r\u00e9sidus est potentiellement viol\u00e9, ou la variance d’erreur est artificiellement accrue par des sous-populations h\u00e9t\u00e9rog\u00e8nes. Dans ce cas, une \u00e9valuation formelle de la normalit\u00e9 des diff\u00e9rences par un test de Shapiro-Wilk ou de Kolmogorov-Smirnov s’av\u00e8re indispensable avant de valider l’inf\u00e9rence.<\/p>\n

\"\"<\/figure>\n

L’analyse qualitative des points atypiques (outliers) situ\u00e9s hors limites fournit \u00e9galement des indications m\u00e9trologiques fondamentales. L’exp\u00e9rimentateur doit remonter aux identifiants des sujets concern\u00e9s pour examiner si ces d\u00e9saccords marqu\u00e9s sont corr\u00e9l\u00e9s \u00e0 des artefacts physiologiques particuliers (fr\u00e9quence cardiaque extr\u00eame, pr\u00e9sence d’arythmie lors d’une mesure tensionnelle, interf\u00e9rence m\u00e9dicamenteuse) ou \u00e0 des d\u00e9faillances op\u00e9ratoires document\u00e9es. Cette autopsie des cas discordants participe directement \u00e0 la fiabilisation des protocoles d’utilisation clinique du dispositif \u00e9valu\u00e9.<\/p>\n

9.2 Crit\u00e8res d’acceptabilit\u00e9 clinique a priori versus a posteriori<\/h3>\n

L’\u00e9cueil m\u00e9thodologique le plus grave dans l’utilisation du graphique de Bland-Altman consiste \u00e0 conclure automatiquement \u00e0 la validit\u00e9 d’une m\u00e9thode au seul motif que 95 % des points s’inscrivent \u00e0 l’int\u00e9rieur des limites calcul\u00e9es. Il s’agit l\u00e0 d’une tautologie statistique : par d\u00e9finition algorithmique, les limites d’agr\u00e9ment sont calibr\u00e9es pour englober environ 95 % de l’\u00e9chantillon d’ajustement, quelle que soit la magnitude de l’impr\u00e9cision des instruments.<\/p>\n

Le jugement portant sur l’interchangeabilit\u00e9 de deux m\u00e9thodes d’\u00e9valuation rel\u00e8ve exclusivement d’un arbitrage clinique et fonctionnel, et non d’une sentence statistique abstraite. Les investigateurs doivent imp\u00e9rativement fixer, au sein du protocole exp\u00e9rimental pr\u00e9alable \u00e0 l’acquisition des donn\u00e9es, des marges de tol\u00e9rance maximales tol\u00e9rables (souvent not\u00e9es -delta et +delta). Ces bornes a priori correspondent \u00e0 la divergence maximale au-del\u00e0 de laquelle l’erreur de mesure induirait un risque de classification diagnostique erron\u00e9e ou un changement inadapt\u00e9 dans la prise en charge d’un patient.<\/p>\n

La r\u00e8gle d\u00e9cisionnelle s’\u00e9nonce alors avec limpidit\u00e9 : l’interchangeabilit\u00e9 n’est scientifiquement attest\u00e9e que si et seulement si l’ensemble de l’intervalle d’agr\u00e9ment calcul\u00e9 empiriquement [LLA ; ULA] se trouve int\u00e9gralement circonscrit \u00e0 l’int\u00e9rieur de l’intervalle d’acceptabilit\u00e9 clinique pr\u00e9d\u00e9fini [-delta ; +delta]. D\u00e8s lors que l’une des bornes empiriques outrepasse ces limites de s\u00e9curit\u00e9 m\u00e9dicale, la nouvelle m\u00e9thode doit \u00eatre d\u00e9clar\u00e9e non interchangeable, nonobstant la force \u00e9ventuelle du coefficient de corr\u00e9lation de Pearson ou la significativit\u00e9 du test t<\/em>.<\/p>\n

9.3 \u00c9valuation de l’ind\u00e9pendance de la diff\u00e9rence par rapport \u00e0 la grandeur<\/h3>\n

Une lecture experte du graphique exige d’examiner la morphologie globale du nuage de dispersion pour v\u00e9rifier le postulat fondamental d’homosc\u00e9dasticit\u00e9 : l’erreur de mesure doit \u00eatre parfaitement ind\u00e9pendante du niveau r\u00e9el du param\u00e8tre mesur\u00e9. Cet alignement id\u00e9al se mat\u00e9rialise graphiquement par une r\u00e9partition al\u00e9atoire, sym\u00e9trique et homog\u00e8ne des points le long de l’axe horizontal des moyennes, \u00e9voquant une \u00ab bande rectiligne parall\u00e8le \u00bb aux droites statistiques de r\u00e9f\u00e9rence.<\/p>\n

L’examinateur doit traquer avec acuit\u00e9 toute d\u00e9rive structurelle :
\nune trajectoire ascendante ou descendante des r\u00e9sidus, trahissant un biais proportionnel o\u00f9 l’instrument sur\u00e9value les magnitudes faibles et sous-\u00e9value les valeurs \u00e9lev\u00e9es (ou r\u00e9ciproquement) ;
\nune disposition incurv\u00e9e parabolique, r\u00e9v\u00e9lant une r\u00e9ponse instrumentale non lin\u00e9aire sur certaines plages dynamiques du capteur ;
\nun \u00e9largissement progressif de la variabilit\u00e9 (aspect en c\u00f4ne ou en \u00e9ventail), signifiant que la variance de l’erreur cro\u00eet de mani\u00e8re proportionnelle \u00e0 la magnitude de la grandeur mesur\u00e9e.<\/p>\n

La confirmation visuelle de l’absence de telles tendances atteste de la stabilit\u00e9 de l’accord m\u00e9trologique sur l’ensemble du domaine d’exploration physiologique ou psychom\u00e9trique \u00e9tudi\u00e9, validant l’utilisation d’un estimateur unique et global du biais et de ses limites d’agr\u00e9ment.<\/p>\n

10. D\u00e9tection des biais proportionnels, h\u00e9t\u00e9rosc\u00e9dasticit\u00e9 et transformations math\u00e9matiques<\/h2>\n

10.1 Diagnostic d’un biais proportionnel par r\u00e9gression lin\u00e9aire<\/h3>\n

Lorsque la dispersion des diff\u00e9rences entre deux instruments s’oriente selon une trajectoire oblique le long de l’axe des moyennes, l’analyste fait face \u00e0 un biais proportionnel. Dans cette configuration, le biais syst\u00e9matique n’est plus une constante additive fixe, mais une fonction d\u00e9pendante de l’intensit\u00e9 de la grandeur mesur\u00e9e. L’\u00e9valuation rigoureuse de cette anomalie sous Excel passe par l’adjonction d’une droite de r\u00e9gression lin\u00e9aire ordinaire directement sur le nuage de points de Bland-Altman.<\/p>\n

\"\"<\/figure>\n

Pour impl\u00e9menter cette analyse diagnostique, l’utilisateur s\u00e9lectionne la s\u00e9rie des marqueurs de dispersion, effectue un clic droit et choisit Ajouter une courbe de tendance…<\/strong>. Dans le volet de param\u00e9trage lat\u00e9ral, il opte pour une tendance Lin\u00e9aire<\/strong> et coche imp\u00e9rativement les deux options situ\u00e9es au bas du menu : Afficher l’\u00e9quation sur le graphique<\/strong> et Afficher le coefficient de d\u00e9termination (R\u00b2) sur le graphique<\/strong>.<\/p>\n

L’\u00e9quation affich\u00e9e s’exprime sous la forme conventionnelle y = \u03b2\u2081x + \u03b2\u2080<\/code>, o\u00f9 y<\/code> repr\u00e9sente la diff\u00e9rence (A – B) et x<\/code> la moyenne individuelle. Pour confirmer statistiquement si la pente \u03b2\u2081<\/code> s’\u00e9carte significativement de z\u00e9ro, l’utilisateur peut mobiliser l’utilitaire d’analyse de donn\u00e9es d’Excel (onglet Donn\u00e9es > Analyse de donn\u00e9es > R\u00e9gression<\/em>) ou employer les fonctions natives matricielles :<\/p>\n

Pente : =PENTE(E2:E101; D2:D101)<\/code><\/p>\n

Ordonn\u00e9e \u00e0 l’origine : =ORDONNEE.ORIGINE(E2:E101; D2:D101)<\/code><\/p>\n

Si la probabilit\u00e9 critique associ\u00e9e \u00e0 la pente s’av\u00e8re inf\u00e9rieure \u00e0 0,05, l’existence d’un biais proportionnel est math\u00e9matiquement valid\u00e9e. Les limites d’agr\u00e9ment fixes traditionnelles (lignes droites horizontales) deviennent alors caduques et math\u00e9matiquement erron\u00e9es, car elles sous-estiment l’erreur aux extr\u00e9mit\u00e9s de l’\u00e9chelle et la surestiment au centre. Des limites d’agr\u00e9ment obliques d\u00e9pendantes de la r\u00e9gression doivent alors \u00eatre trac\u00e9es.<\/p>\n

10.2 Traitement de l’h\u00e9t\u00e9rosc\u00e9dasticit\u00e9 et variabilit\u00e9 croissante<\/h3>\n

L’h\u00e9t\u00e9rosc\u00e9dasticit\u00e9<\/a> constitue l’une des violations les plus courantes des postulats de Bland-Altman dans les bio-essais et les dosages pharmacologiques. Elle se manifeste visuellement par une forme en entonnoir (\u00ab funnel shape \u00bb), o\u00f9 la dispersion verticale des diff\u00e9rences est tr\u00e8s \u00e9troite pour les faibles valeurs moyennes et s’\u00e9largit substantiellement au fur et \u00e0 mesure que l’on progresse vers des concentrations ou des mesures \u00e9lev\u00e9es.<\/p>\n

Cette configuration distributionnelle induit un biais d’estimation majeur si l’analyste persiste \u00e0 appliquer la formule conventionnelle d\u0304 \u00b1 1,96 * sd<\/sub><\/code>. Dans ce sc\u00e9nario, l’\u00e9cart-type global sd<\/sub><\/em> repr\u00e9sente une moyenne composite artificielle de la variance : les limites d’agr\u00e9ment horizontales en r\u00e9sultant seront ind\u00fbment trop larges pour les mesures basses (alarmant inutilement l’observateur sur la fiabilit\u00e9 du syst\u00e8me dans cette zone) et dramatiquement trop \u00e9troites pour les valeurs hautes (occultant de graves discordances r\u00e9elles aux fortes magnitudes).<\/p>\n

Face \u00e0 une h\u00e9t\u00e9rosc\u00e9dasticit\u00e9 patente, le mod\u00e8le classique fond\u00e9 sur les diff\u00e9rences brutes doit \u00eatre formellement r\u00e9voqu\u00e9. Deux strat\u00e9gies correctives s’offrent alors au statisticien sous Excel : la formulation des \u00e9carts en pourcentage relatif de la moyenne (telle qu’esquiss\u00e9e au chapitre 4.3), ou, plus rigoureusement, le recours \u00e0 une transformation math\u00e9matique logarithmique pr\u00e9alable des donn\u00e9es individuelles brutes.<\/p>\n

10.3 Application de transformations logarithmiques dans Excel<\/h3>\n

La transformation logarithmique constitue la panac\u00e9e m\u00e9thodologique lorsque la variance d’erreur et le biais s’av\u00e8rent proportionnels \u00e0 la magnitude de la grandeur mesur\u00e9e. Sur le plan de la th\u00e9orie math\u00e9matique, la soustraction de deux logarithmes correspond rigoureusement au logarithme de leur ratio :<\/p>\n

ln(A) – ln(B) = ln(A \/ B)<\/strong><\/p>\n

Ce formalisme permet de convertir une variabilit\u00e9 multiplicative en un syst\u00e8me additif stable, stabilisant ainsi la variance sur l’ensemble de l’\u00e9chelle et restaurant la normalit\u00e9 des \u00e9carts r\u00e9siduels.<\/p>\n

\"\"<\/figure>\n

La proc\u00e9dure op\u00e9rationnelle sous Excel se d\u00e9roule selon les \u00e9tapes successives suivantes :
\ng\u00e9n\u00e9rer deux nouvelles colonnes de donn\u00e9es brutes transform\u00e9es (colonnes I et J) en appliquant la fonction de logarithme n\u00e9p\u00e9rien : en I2, saisir =LN(B2)<\/code>, et en J2, ins\u00e9rer =LN(C2)<\/code> ;
\ncalculer la colonne des moyennes des logarithmes en K2 : =(I2+J2)\/2<\/code> ;
\ncalculer la colonne des diff\u00e9rences des logarithmes en L2 : =I2-J2<\/code> ;
\nextraire sur cette colonne L le biais moyen logarithmique d\u0304log<\/sub><\/em> et l’\u00e9cart-type logarithmique slog<\/sub><\/em> via les fonctions MOYENNE<\/code> et ECARTYPE.STANDARD<\/code> ;
\ncalculer les limites d’agr\u00e9ment logarithmiques : ULAlog<\/sub> = d\u0304log<\/sub> + 1,96 * slog<\/sub><\/code> et LLAlog<\/sub> = d\u0304log<\/sub> - 1,96 * slog<\/sub><\/code>.<\/p>\n

L’\u00e9tape finale, capitale pour la restituabilit\u00e9 clinique, consiste \u00e0 r\u00e9exprimer ces estimations dans l’\u00e9chelle d’origine en appliquant la fonction exponentielle EXP()<\/code> d’Excel aux constantes calcul\u00e9es. La valeur EXP(d\u0304log<\/sub>)<\/code> fournit le ratio moyen syst\u00e9matique entre les instruments (par exemple, 1,05 indique que l’instrument A produit en moyenne des lectures correspondant \u00e0 105 % de celles de l’instrument B). De m\u00eame, EXP(ULAlog<\/sub>)<\/code> et EXP(LLAlog<\/sub>)<\/code> d\u00e9limitent l’intervalle dans lequel s’inscrivent 95 % des ratios de mesure individuels (par exemple, un intervalle d’agr\u00e9ment de [0,92 ; 1,18] atteste que les mesures de la nouvelle m\u00e9thode fluctuent entre -8 % et +18 % par rapport \u00e0 la m\u00e9thode standard).<\/p>\n

11. Calcul des intervalles de confiance pour le biais et les limites d’agr\u00e9ment<\/h2>\n

11.1 Importance th\u00e9orique de l’incertitude d’\u00e9chantillonnage<\/h3>\n

L’un des apports statistiques les plus fondamentaux de Bland et Altman, trop fr\u00e9quemment n\u00e9glig\u00e9 dans les exploitations logicielles superficielles, concerne la quantification de l’incertitude d’\u00e9chantillonnage associ\u00e9e aux param\u00e8tres d’agr\u00e9ment estim\u00e9s. Il importe d’\u00e9tablir une distinction th\u00e9orique absolue entre les limites d’agr\u00e9ment \u00e0 95 % et les intervalles de confiance (g\u00e9n\u00e9ralement calcul\u00e9s au degr\u00e9 de confiance de 95 %) encadrant ces m\u00eames limites.<\/p>\n

Les limites d’agr\u00e9ment caract\u00e9risent la variabilit\u00e9 biologique et m\u00e9trologique inter-instruments au sein de l’\u00e9chantillon d’observation (intervalle de tol\u00e9rance statistique). En revanche, les intervalles de confiance quantifient l’erreur d’\u00e9chantillonnage r\u00e9sultant du fait que l’analyse est conduite sur un \u00e9chantillon fini de taille n<\/em> issu d’une population parente infinie. Si l’on r\u00e9it\u00e9rait l’exp\u00e9rimentation sur une autre cohorte de m\u00eame dimension, le biais moyen et les limites d’agr\u00e9ment calcul\u00e9s fluctueraient in\u00e9vitablement.<\/p>\n

\"\"<\/figure>\n

Les recommandations m\u00e9thodologiques internationales contemporaines (notamment les directives de l’American Psychological Association<\/em> et les normes biom\u00e9dicales STARD\/GRRAS) prohibent formellement la publication de limites d’agr\u00e9ment ponctuelles d\u00e9pourvues de leurs intervalles de confiance \u00e0 95 %. L’omission de ces intervalles conf\u00e8re une fausse impression de certitude d\u00e9terministe aux seuils calcul\u00e9s, masquant la vuln\u00e9rabilit\u00e9 statistique induite par des \u00e9chantillons restreints.<\/p>\n

11.2 Formules math\u00e9matiques de l’erreur type du biais et des limites<\/h3>\n

L’estimation des intervalles de confiance exige la d\u00e9rivation pr\u00e9alable des erreurs types (not\u00e9es SE, pour \u00ab Standard Error \u00bb) associ\u00e9es \u00e0 chaque estimateur ponctuel. En notant sd<\/sub><\/em> l’\u00e9cart-type de l’\u00e9chantillon des diff\u00e9rences et n<\/em> la taille effective de la cohorte appari\u00e9e :<\/p>\n

L’erreur type du biais syst\u00e9matique moyen d\u0304<\/em> correspond \u00e0 l’erreur type classique de la moyenne :<\/p>\n

SE(d\u0304) = sd<\/sub> \/ \u221an<\/strong><\/p>\n

La d\u00e9rivation de l’erreur type des limites d’agr\u00e9ment (ULA et LLA) est plus complexe, car ces bornes combinent deux sources distinctes de variance stochastique : l’incertitude pesant sur l’estimation de la moyenne et l’incertitude affectant l’estimation de l’\u00e9cart-type. Bland et Altman ont \u00e9tabli que la variance asymptotique de ces limites \u00e9quivaut approximativement \u00e0 (1\/n) + (1,96\u00b2 \/ (2(n - 1))) * sd<\/sub>\u00b2<\/code>, ce qui converge, pour un seuil \u00e0 95 %, vers l’approximation fonctionnelle standard :<\/p>\n

SE(LoA) = \u221a [ (3 * sd<\/sub>\u00b2) \/ n ] = sd<\/sub> * \u221a (3 \/ n) \u2248 1,732 * (sd<\/sub> \/ \u221an)<\/strong><\/p>\n

L’intervalle de confiance \u00e0 95 % (IC 95 %) pour chaque param\u00e8tre est ensuite construit en pond\u00e9rant cette erreur type par la valeur critique bilat\u00e9rale issue de la loi de Student t<\/em> configur\u00e9e \u00e0 n - 1<\/code> degr\u00e9s de libert\u00e9 :<\/p>\n

IC 95 % du Biais = d\u0304 \u00b1 [ t(0,05 ; n-1)<\/sub> * SE(d\u0304) ]<\/strong><\/p>\n

IC 95 % de l’ULA = ULA \u00b1 [ t(0,05 ; n-1)<\/sub> * SE(LoA) ]<\/strong><\/p>\n

IC 95 % de la LLA = LLA \u00b1 [ t(0,05 ; n-1)<\/sub> * SE(LoA) ]<\/strong><\/p>\n

11.3 Mise en \u0153uvre des zones de confiance sur Excel<\/h3>\n

L’op\u00e9rationnalisation de ces formulations math\u00e9matiques au sein du tableau de bord Excel s’effectue avec une remarquable efficacit\u00e9 algorithmique gr\u00e2ce aux fonctions statistiques int\u00e9gr\u00e9es :
\npour extraire la valeur critique de Student t<\/em> \u00e0 95 % pour n<\/em> – 1 degr\u00e9s de libert\u00e9, en supposant que la taille de l’\u00e9chantillon n<\/em> r\u00e9side dans la cellule H1<\/code>, l’utilisateur ins\u00e8re la commande : =LOI.STUDENT.INVERSE.N(0,05; H1-1)<\/code> (prenant la valeur absolue du fractile bilat\u00e9ral) ;
\nl’erreur type du biais est calcul\u00e9e dans une cellule adjacente via : =H3\/RACINE(H1)<\/code> (o\u00f9 H3<\/code> h\u00e9berge sd<\/sub><\/em>) ;
\nl’erreur type commune des limites d’agr\u00e9ment est encod\u00e9e par la formule : =RACINE((3*(H3^2))\/H1)<\/code> ou =H3*RACINE(3\/H1)<\/code>.<\/p>\n

Les bornes inf\u00e9rieures et sup\u00e9rieures de chaque intervalle de confiance sont alors extraites par simple soustraction et addition du produit de la valeur critique t<\/em> par l’erreur type idoine. Pour restituer ces zones d’incertitude sur le trac\u00e9 de Bland-Altman sans surcharger illisiblement l’espace graphique, deux approches sont envisageables sous Excel :
\nl’adjonction de barres d’erreur verticales fines appliqu\u00e9es aux lignes de r\u00e9f\u00e9rence horizontales aux extr\u00e9mit\u00e9s du trac\u00e9 ;
\nou, pour une esth\u00e9tique de niveau professionnel sup\u00e9rieur, l’insertion de zones ombr\u00e9es semi-transparentes encadrant chaque ligne directrice en recourant \u00e0 des graphiques combin\u00e9s de type \u00ab Aires empil\u00e9es \u00bb superpos\u00e9s au rep\u00e8re cart\u00e9sien.<\/p>\n

La pr\u00e9sentation tabulaire de ces r\u00e9sultats au sein du manuscrit scientifique doit scrupuleusement mentionner les estimations sous la forme canonique : Biais = -0,85 (IC 95 %: -1,32 \u00e0 -0,38) ; ULA = +4,32 (IC 95 %: +3,50 \u00e0 +5,14) ; LLA = -6,02 (IC 95 %: -6,84 \u00e0 -5,20)<\/em>.<\/p>\n

12. Erreurs courantes, validation psychom\u00e9trique et bonnes pratiques de publication<\/h2>\n

12.1 Pi\u00e8ges fr\u00e9quents dans la conception sous Excel et leur rem\u00e9diation<\/h3>\n

La litt\u00e9rature m\u00e9dicale et psychom\u00e9trique regorge de repr\u00e9sentations de Bland-Altman erron\u00e9es d\u00e9coulant de fautes de manipulation sous Excel. Le pi\u00e8ge le plus universellement constat\u00e9 r\u00e9side dans l’utilisation exclusive des donn\u00e9es de l’un des deux instruments (le plus souvent l’instrument de r\u00e9f\u00e9rence A) sur l’axe horizontal des abscisses X, en lieu et place de la moyenne non pond\u00e9r\u00e9e ((A + B) \/ 2).<\/p>\n

Bland et Altman ont formellement d\u00e9montr\u00e9 que positionner la m\u00e9thode de r\u00e9f\u00e9rence seule en abscisse induit un artefact statistique pernicieux : du fait de l’erreur al\u00e9atoire pr\u00e9sente sur cette mesure de r\u00e9f\u00e9rence, une corr\u00e9lation spurieuse n\u00e9gative artificielle s’\u00e9tablit m\u00e9caniquement entre la diff\u00e9rence (A – B) et la valeur de A. Cette distorsion engendre l’illusion graphique d’un biais proportionnel (une pente oblique descendante artificielle) l\u00e0 o\u00f9 les instruments ne pr\u00e9sentent qu’une impr\u00e9cision sym\u00e9trique non corr\u00e9l\u00e9e. La seule exception l\u00e9gitime admise par la th\u00e9orie survient lorsque la m\u00e9thode de r\u00e9f\u00e9rence est d\u00e9nu\u00e9e de toute erreur stochastique (v\u00e9ritable \u00e9talon de mesure physique absolu), condition quasiment inexistante en physiologie humaine.<\/p>\n

Une seconde b\u00e9vue algorithmique classique concerne la confusion entre la fonction ECARTYPE.PEARSON<\/code> (variance de la population finie divis\u00e9e par N<\/em>) et ECARTYPE.STANDARD<\/code> (estimateur sans biais divis\u00e9 par n<\/em> – 1). Bien que la divergence num\u00e9rique s’estompe sur des cohortes massives, elle alt\u00e8re significativement la calibration des limites d’agr\u00e9ment sur les \u00e9chantillons cliniques interm\u00e9diaires.<\/p>\n

Enfin, la distorsion des proportions d’affichage g\u00e9om\u00e9trique constitue une faute s\u00e9miotique fr\u00e9quente. En \u00e9tirant d\u00e9mesur\u00e9ment l’axe horizontal tout en comprimant l’axe vertical, un utilisateur peut faire para\u00eetre visuellement n\u00e9gligeable une dispersion pourtant catastrophique en pratique clinique. Il convient d’adopter un ratio d’aspect \u00e9quilibr\u00e9 et de veiller \u00e0 ce que l’amplitude graphique des axes refl\u00e8te loyalement les proportions physiologiques en jeu.<\/p>\n

12.2 Consid\u00e9rations particuli\u00e8res pour les mesures r\u00e9p\u00e9t\u00e9es<\/h3>\n

L’analyse standard de Bland-Altman expos\u00e9e jusqu’ici postule l’ind\u00e9pendance statistique stricte de chaque paire de mesures, ce qui implique qu’un sujet donn\u00e9 ne contribue qu’\u00e0 une seule ligne d’observation dans la matrice de donn\u00e9es. Or, en recherche translationnelle, il est tr\u00e8s fr\u00e9quent d’effectuer des mesures r\u00e9p\u00e9t\u00e9es sur les m\u00eames participants (par exemple, acquisition du d\u00e9bit cardiaque \u00e0 5 reprises au cours d’une \u00e9preuve d’effort chez 20 volontaires, g\u00e9n\u00e9rant 100 points de mesure).<\/p>\n

L’injection directe de ces 100 paires d’observations dans la formule conventionnelle viole gravement le postulat d’ind\u00e9pendance des observations. Les erreurs intra-sujets \u00e9tant autocorr\u00e9l\u00e9es, la variance globale calcul\u00e9e combine artificiellement la variabilit\u00e9 m\u00e9trologique inter-m\u00e9thodes et la variabilit\u00e9 biologique intra-individuelle des sujets. Cette confusion computationnelle conduit \u00e0 une sous-estimation syst\u00e9matique des erreurs types et \u00e0 une estimation totalement fauss\u00e9e des limites d’agr\u00e9ment.<\/p>\n

Pour traiter ad\u00e9quatement les mesures r\u00e9p\u00e9t\u00e9es, deux cas de figure se dessinent conform\u00e9ment aux d\u00e9veloppements m\u00e9thodologiques publi\u00e9s par Bland et Altman en 2007 :
\nsi la grandeur mesur\u00e9e reste stationnaire (mesures r\u00e9p\u00e9t\u00e9es de calibration stable), il est possible de calculer au pr\u00e9alable la moyenne des mesures pour chaque instrument par sujet, puis d’ex\u00e9cuter le graphique sur ces moyennes individuelles assainies, en ajustant les formules de variance par analyse de variance (ANOVA) \u00e0 deux facteurs ;
\nsi le param\u00e8tre physiologique fluctue dans le temps chez un m\u00eame individu, il est imp\u00e9ratif de d\u00e9composer la variance totale des diff\u00e9rences en composantes de variance intra-sujet et inter-sujets via un mod\u00e8le lin\u00e9aire \u00e0 effets mixtes. Les calculs manuels sous Excel devenant alors fastidieux, il est conseill\u00e9 de proc\u00e9der \u00e0 l’extraction des composantes de variance via un progiciel sp\u00e9cialis\u00e9 (R ou SAS) avant de r\u00e9injecter les limites consolid\u00e9es pour le rendu visuel final dans Excel.<\/p>\n

12.3 Normes de pr\u00e9sentation acad\u00e9mique selon les directives scientifiques<\/h3>\n

La publication d’un graphique de Bland-Altman au sein d’une revue \u00e0 comit\u00e9 de lecture international impose la conformit\u00e9 aux directives formelles de reporting, telles que la grille de contr\u00f4le GRRAS<\/a> (Guidelines for Reporting Reliability and Agreement Studies<\/em>). Ces normes stipulent qu’une figure de Bland-Altman ne doit jamais \u00eatre pr\u00e9sent\u00e9e de mani\u00e8re isol\u00e9e sans une l\u00e9gende descriptive exhaustive et hautement contextualis\u00e9e.<\/p>\n

La l\u00e9gende accompagnant l’illustration finale doit imp\u00e9rativement pr\u00e9ciser :
\nla taille effective de la cohorte analys\u00e9e (n<\/em>) et le nombre total d’observations appari\u00e9es ;
\nla d\u00e9finition univoque des axes, en explicitant le sens alg\u00e9brique exact de la soustraction (par exemple : \u00ab Axe vertical : diff\u00e9rence mesur\u00e9e en mmHg [Sphygmomanom\u00e8tre \u00e9lectronique B – Manom\u00e8tre \u00e0 mercure de r\u00e9f\u00e9rence A] \u00bb) ;
\nles valeurs chiffr\u00e9es exactes du biais moyen constat\u00e9 et des deux limites d’agr\u00e9ment, assorties syst\u00e9matiquement de leurs intervalles de confiance \u00e0 95 % respectifs ;
\nles unit\u00e9s de mesure physiques appliqu\u00e9es ;
\nle rappel des marges de tol\u00e9rance d’\u00e9quivalence clinique acceptables pr\u00e9d\u00e9termin\u00e9es dans le protocole de recherche.<\/p>\n

\"Bland-Altman
Bland-Altman plot in Excel<\/figcaption><\/figure>\n

Enfin, sur le plan de la production infographique, les graphiques g\u00e9n\u00e9r\u00e9s sous Excel doivent faire l’objet d’une exportation vectorielle haute r\u00e9solution. L’insertion directe de captures d’\u00e9cran matricielles floues (au format JPEG basse d\u00e9finition) est formellement proscrite dans l’\u00e9dition acad\u00e9mique. Il convient d’exporter le graphique Excel directement au format vectoriel (PDF vectoris\u00e9 ou copie vers Microsoft Word conservant le format de dessin vectoriel EMF\/SVG), garantissant une nettet\u00e9 typographique absolue et une rast\u00e9risation parfaite lors de l’impression d\u00e9finitive \u00e0 300 ou 600 DPI.<\/p>\n

R\u00e9f\u00e9rences<\/h2>\n

Altman, D. G., & Bland, J. M. (1983). Measurement in medicine: The analysis of method comparison studies. The Statistician<\/em>, 32(3), 307\u2013317. https:\/\/doi.org\/10.2307\/2987937<\/p>\n

Bland, J. M., & Altman, D. G. (1986). Statistical methods for assessing agreement between two methods of clinical measurement. The Lancet<\/em>, 327(8476), 307\u2013310. https:\/\/doi.org\/10.1016\/S0140-6736(86)90837-8<\/p>\n

Bland, J. M., & Altman, D. G. (1999). Measuring agreement in method comparison studies. Statistical Methods in Medical Research<\/em>, 8(2), 135\u2013160. https:\/\/doi.org\/10.1177\/096228029900800204<\/p>\n

Bland, J. M., & Altman, D. G. (2007). Agreement between methods of measurement with multiple observations per individual. Journal of Biopharmaceutical Statistics<\/em>, 17(4), 571\u2013582. https:\/\/doi.org\/10.1080\/10543400701329422<\/p>\n

Giavarina, D. (2015). Understanding Bland Altman analysis. Biochemia Medica<\/em>, 25(2), 141\u2013151. https:\/\/doi.org\/10.11613\/BM.2015.015<\/p>\n

Kottner, J., Audig\u00e9, L., Brorson, S., Donner, A., Gajewski, B. J., Hr\u00f3bjartsson, A., Roberts, C., Silcocks, M., & Streiner, D. L. (2011). Guidelines for Reporting Reliability and Agreement Studies (GRRAS) were proposed. Journal of Clinical Epidemiology<\/em>, 64(1), 96\u2013106. https:\/\/doi.org\/10.1016\/j.jclinepi.2010.03.002<\/p>\n

Ludbrook, J. (2010). Confidence in Altman-Bland plots: A critical review of the method of Altman and Bland for assessing agreement between continuous measurements. Clinical and Experimental Pharmacology and Physiology<\/em>, 37(2), 143\u2013149. https:\/\/doi.org\/10.1111\/j.1440-1681.2009.05288.x<\/p>\n","protected":false},"excerpt":{"rendered":"

Guide m\u00e9thodologique complet pour concevoir, calculer et interpr\u00e9ter un graphique de Bland-Altman dans Microsoft Excel pour l’\u00e9valuation de la concordance.<\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"closed","template":"","categories":[2141,2620],"tags":[5611,8932,8933,1952,16],"class_list":["post-7534","psych_stat","type-psych_stat","status-publish","hentry","category-methodologie-quantitative","category-psychometrie-et-analyse-de-donnees","tag-biostatistique","tag-bland-altman","tag-concordance","tag-excel","tag-psychometrie"],"_links":{"self":[{"href":"https:\/\/french.arabpsychology.com\/index.php?rest_route=\/wp\/v2\/psych_stat\/7534","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=7534"}],"version-history":[{"count":1,"href":"https:\/\/french.arabpsychology.com\/index.php?rest_route=\/wp\/v2\/psych_stat\/7534\/revisions"}],"predecessor-version":[{"id":7548,"href":"https:\/\/french.arabpsychology.com\/index.php?rest_route=\/wp\/v2\/psych_stat\/7534\/revisions\/7548"}],"wp:attachment":[{"href":"https:\/\/french.arabpsychology.com\/index.php?rest_route=%2Fwp%2Fv2%2Fmedia&parent=7534"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/french.arabpsychology.com\/index.php?rest_route=%2Fwp%2Fv2%2Fcategories&post=7534"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/french.arabpsychology.com\/index.php?rest_route=%2Fwp%2Fv2%2Ftags&post=7534"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}