Comprendre la science

Savoir si une affirmation nutritionnelle est vraie peut rarement être tranché par une seule étude. Cette page explique les notions et les modes de raisonnement que nous utilisons dans toutes les vérifications.

Comment fonctionnent les études

La recherche en nutrition utilise des types d'études très différents. Ils répondent à des questions différentes et sont sujets à des erreurs différentes.

• Essai contrôlé randomisé (ECR) : les participants sont répartis en groupes par tirage au sort, par exemple « plus d'œufs » et « pas d'œufs ». Grâce à la randomisation, les groupes ne diffèrent en moyenne que par ce qui est testé. Les ECR sont donc les plus aptes à montrer une relation de cause à effet. En nutrition, cependant, ils sont souvent courts et de petite taille, et ils mesurent généralement des valeurs sanguines plutôt que des maladies.
• Étude de cohorte : de nombreuses personnes sont suivies pendant des années. On les interroge sur ce qu'elles mangent, et les maladies sont comptabilisées plus tard. Ces études sont grandes et longues, mais les personnes ont choisi leur alimentation elles-mêmes. Les personnes qui consomment beaucoup d'un aliment donné diffèrent souvent aussi sur bien d'autres points.
• Étude cas-témoins : des personnes atteintes d'une maladie sont comparées à des personnes en bonne santé et interrogées sur leur alimentation passée. Ce type d'étude est sujet aux erreurs de mémoire.
• Étude transversale : un instantané. Elle montre des associations, mais pas ce qui est venu en premier.
• Étude de mesure ou de résidus : des échantillons d'aliments sont analysés à la recherche de substances. Elle montre ce qui a été trouvé dans des échantillons donnés, à un moment et en un lieu donnés, mais pas automatiquement si des personnes en tombent malades.
• Revue systématique et méta-analyse : toutes les études appropriées sur une question sont recherchées et évaluées selon des règles fixes et, si possible, combinées statistiquement.
• Études animales et études sur cellules : elles expliquent des mécanismes possibles mais ne permettent pas de conclusions directes sur la santé humaine.

Pourquoi une corrélation ne prouve pas une causalité

Quand deux choses surviennent ensemble, cela ne signifie pas que l'une cause l'autre. Un exemple bien connu : les jours où l'on vend beaucoup de glaces, davantage de personnes se noient. Les glaces ne provoquent pas de noyades. Les deux dépendent du temps chaud.

Dans les études nutritionnelles, ces facteurs d'arrière-plan sont appelés facteurs de confusion. Les personnes qui boivent beaucoup de boissons gazeuses, par exemple, fument peut-être aussi plus souvent ou font moins d'exercice. Les bonnes études ajustent pour ces facteurs, mais jamais complètement. Ce qui subsiste s'appelle la confusion résiduelle.

Un deuxième problème est la causalité inverse : les personnes déjà malades changent souvent leur alimentation. Il peut alors sembler que la nouvelle alimentation a causé la maladie.

Une association devient plus crédible si elle est forte, apparaît dans de nombreuses études indépendantes, augmente avec la quantité consommée (relation dose-effet), est cohérente dans le temps, est biologiquement plausible et est confirmée par des expériences. Aucun de ces points ne constitue à lui seul une preuve.

Ce que les méta-analyses peuvent et ne peuvent pas faire

Une méta-analyse combine statistiquement les résultats de nombreuses études. Le résultat devient ainsi plus précis et l'on voit si les études vont dans le même sens.

Cependant, une méta-analyse ne vaut que ce que valent les études qu'elle contient. Si elle regroupe de nombreuses études observationnelles biaisées, le résultat global est lui aussi biaisé, simplement avec moins d'incertitude. L'hétérogénéité compte également : si les études individuelles diffèrent fortement, une valeur moyenne unique a peu de sens.

Plusieurs méta-analyses sur un même sujet contiennent souvent les mêmes études. Trois méta-analyses ne sont donc pas automatiquement trois confirmations indépendantes. Nous vérifions ce chevauchement et ne le comptons pas plusieurs fois.

Ce que signifient les intervalles de confiance

Les études rapportent souvent des résultats de ce type : « hazard ratio 1,06 (intervalle de confiance à 95 % 1,03–1,10) ». La première valeur est la meilleure estimation : un risque relatif plus élevé de 6 %. L'intervalle entre parenthèses indique la plage dans laquelle se situe très probablement la vraie valeur, à condition que l'étude ne comporte pas d'erreurs systématiques.

• Si la valeur 1,0 (« pas de différence ») se trouve dans l'intervalle, le résultat n'est pas statistiquement établi.
• Un intervalle étroit signifie une estimation précise ; un intervalle large, une estimation incertaine.
• Statistiquement significatif ne veut pas automatiquement dire important. Un très petit effet peut être « significatif » dans une très grande étude et pourtant avoir peu d'importance au quotidien.
• L'intervalle ne rend compte que du hasard, pas de la confusion ni des erreurs de mesure.

Pourquoi des études isolées peuvent induire en erreur

Toute étude isolée peut aboutir à un résultat qui n'est pas confirmé par la suite, en raison du hasard, de petits échantillons, de nombreuses questions testées en même temps ou d'une population particulière. S'y ajoute le biais de publication : les résultats frappants ont plus de chances d'être publiés que les résultats sans relief.

Nous n'évaluons donc pas si une étude quelconque appuie une affirmation. Avec un choix sélectif, presque n'importe quelle affirmation peut être « prouvée » par des études. Ce qui compte, c'est l'ensemble des bonnes preuves.

Risques absolus et relatifs

Un risque relatif indique de quel pourcentage un risque augmente ou diminue par rapport à un autre groupe. Un risque absolu indique combien de personnes sont réellement touchées.

Exemple chiffré (chiffres inventés à titre d'illustration) : sur 1 000 personnes, 2 développent une certaine maladie en dix ans. Dans un autre groupe, c'est 3 sur 1 000. Le risque relatif est plus élevé de 50 %. Mais le risque absolu n'augmente que de 1 personne sur 1 000, soit de 0,1 point de pourcentage.

Les deux énoncés sont exacts mais donnent une impression très différente. Lorsque c'est possible, nous indiquons donc les deux. Si une étude ne rapporte pas de chiffres absolus, nous le signalons.

Détecter une substance ne signifie pas qu'elle est dangereuse

Les laboratoires modernes peuvent détecter des quantités infimes de substances, souvent de l'ordre du milliardième de gramme. Le fait qu'une substance soit trouvée ne dit encore rien sur sa nocivité à cette dose. Ce qui compte :

• La quantité réellement absorbée (exposition).
• Les valeurs de référence sanitaires, comme la dose hebdomadaire tolérable (DHT ; TWI) ou la dose journalière admissible (DJA ; ADI). Des autorités comme l'Autorité européenne de sécurité des aliments (EFSA) les fixent avec des marges de sécurité.
• Les limites maximales de résidus (LMR ; MRL) : des plafonds légaux. Un dépassement est une infraction légale, mais ne signifie pas automatiquement un danger pour la santé. À l'inverse, une valeur inférieure à la limite n'est pas sans importance pour chaque personne et chaque combinaison de substances.
• Le contexte : une mesure provenant d'un incident de contamination, d'une zone minière ou d'un autre pays ne décrit pas automatiquement l'offre alimentaire normale en Allemagne ou en Égypte.

L'inverse est vrai aussi : pour certaines substances, comme certaines substances per- et polyfluoroalkylées (PFAS), l'EFSA a fixé des valeurs de référence très basses (2020 : 4,4 nanogrammes par kilogramme de poids corporel par semaine pour la somme de quatre PFAS). Ici, une alimentation normale peut amener certaines personnes dans la zone de la valeur de référence. C'est pourquoi nous examinons chaque cas individuellement.

Études animales et études sur cellules

Les expériences sur cellules ou sur animaux montrent si un mécanisme est possible. Cependant, les doses y sont souvent bien plus élevées que dans l'alimentation, et les animaux métabolisent les substances différemment des humains. Nous signalons toujours explicitement ce type d'études. La plausibilité biologique n'est pas une preuve clinique.

Comment nos évaluations sont établies

Chaque affirmation reçoit deux évaluations distinctes :

1. Verdict sur une échelle à sept niveaux, de « Vrai » à « Faux », y compris « Incertain / preuves insuffisantes ». L'absence de preuves ne signifie pas qu'une affirmation est fausse.
2. Niveau de certitude des preuves (élevé, modéré, faible, très faible), fondé sur le système GRADE utilisé à l'échelle internationale. Il indique dans quelle mesure on peut avoir confiance dans l'ensemble des preuves. Les études observationnelles partent d'un niveau plus bas que les essais randomisés et sont encore abaissées en cas de lacunes.

Nous décomposons les affirmations générales en sous-affirmations. « Les œufs nuisent à tout le monde » peut être réfuté, tandis que « certaines personnes devraient limiter leur consommation d'œufs » peut être exact. Nous évaluons aussi les études individuelles selon plusieurs dimensions, comme la qualité méthodologique, le risque de biais, la précision et la transposabilité régionale, et nous vérifions si elles ont été rapportées correctement.

Nous utilisons des outils comme RoB 2, ROBINS-E, AMSTAR 2 et GRADE à titre indicatif. Une évaluation formelle complète avec ces outils nécessite les textes intégraux, les protocoles d'étude et généralement plusieurs évaluateurs indépendants. Cela n'a pas été possible ici. Nos jugements sont donc explicitement présentés comme des évaluations méthodologiques simplifiées.

Statut des preuves, dossiers de preuves et profondeur de vérification

Depuis la revue systématique des preuves (phase 4), chaque affirmation a aussi un statut des preuves. Il exprime en mots le type de réponse que donne la science :

• Scientifiquement réfuté : des preuves de haute qualité montrent le contraire, ou l'affirmation contredit une physiologie bien établie.
• Non étayé par des preuves de haute qualité : il n'existe pas de bonnes preuves en faveur de l'affirmation. Cela seul ne prouve pas qu'elle est fausse.
• Surinterprété : un constat réel existe, mais l'affirmation en tire plus que les données ne le permettent – par exemple une association présentée comme une cause, des données animales appliquées à l'humain, ou un petit effet présenté comme important.
• Vrai seulement sous certaines conditions : l'affirmation ne vaut que pour certaines quantités, certains groupes de personnes, certaines préparations ou circonstances.
• Insuffisamment étudié : il y a trop peu de recherches pour dire si l'affirmation est juste ou fausse.
• Scientifiquement bien étayé : l'affirmation concorde avec des preuves cohérentes et de haute qualité.

Lorsque des preuves de haute qualité réfutent clairement une affirmation médicale générale, nous le disons sans détour : « Cette affirmation est fausse. » Lorsque les données sont contradictoires ou insuffisantes, nous ne prétendons pas à plus de certitude que les preuves ne le permettent. Une affirmation exacte est jugée exacte, même si d'autres affirmations du même système sont fausses.

Pour chaque affirmation, il existe un dossier de preuves : une question de recherche concrète (structurée selon PICO pour les interventions ou PECO pour les expositions : population, intervention ou exposition, comparaison, critères de jugement), des recherches documentées dans PubMed, Europe PMC, la Cochrane Library et d'autres sources – séparément pour les preuves favorables et les preuves contraires –, les études les plus solides des deux côtés, une explication des contradictions apparentes, une indication sur l'importance éventuelle de différences régionales, et les raisons du maintien ou de la modification du verdict. Lorsque les études publient suffisamment de données, nous recalculons les résultats clés (par exemple des risques absolus à partir du nombre d'événements) ; sinon, nous indiquons qu'un nouveau calcul n'a pas été possible. Les données manquantes ne sont jamais complétées.

Nous ne comptons pas les publications. Plusieurs méta-analyses contenant les mêmes études primaires ne sont pas des confirmations indépendantes. PRISMA 2020 est une norme pour le compte rendu transparent des revues systématiques, et non un outil d'évaluation de la qualité des études. GRADE évalue la certitude de l'ensemble des preuves pour un critère de jugement et ne remplace pas l'évaluation des études individuelles (RoB 2 pour les essais randomisés, ROBINS-I et ROBINS-E pour les études non randomisées, AMSTAR 2 et ROBIS pour les revues systématiques).

Pour chaque étude, nous indiquons avec quelle profondeur elle a été vérifiée : vérifiée sur le plan bibliographique (l'étude existe ; titre, auteurs, année et identifiant concordent), résumé vérifié, texte intégral vérifié ou texte intégral avec évaluation structurée du risque de biais. Aucune étude n'a encore été évaluée formellement par deux évaluateurs indépendants, et aucune relecture indépendante par des experts humains n'a eu lieu. Nous ne qualifions jamais une vérification de formelle ou d'humaine si elle n'a pas eu lieu.