Biais de l'épidémiologie nutritionnelle : pourquoi les études alimentaires se contredisent

En 2019, un groupe de chercheurs a publié dans les Annals of Internal Medicine une méta-analyse concluant que la viande rouge et la viande transformée ne présentaient pas de risque suffisant pour justifier des recommandations de réduction de leur consommation. Scandale dans la communauté nutritionnelle : c'était exactement l'inverse de ce que des décennies d'épidémiologie nutritionnelle semblaient démontrer.

Qui avait raison ? Personne entièrement. Ce débat illustre parfaitement les limites structurelles de l'épidémiologie nutritionnelle, une discipline qui produit des conclusions contradictoires non pas à cause de la mauvaise foi des chercheurs, mais à cause de biais méthodologiques inhérents à la façon dont les données alimentaires sont collectées et analysées.

Le problème de fond : mesurer ce qu'on mange est extrêmement difficile

Contrairement à une intervention médicamenteuse (on peut vérifier que le patient prend bien sa pilule), l'alimentation est un comportement complexe, variable, et difficile à mesurer avec précision.

Les méthodes les plus courantes en épidémiologie nutritionnelle sont :

Le questionnaire de fréquence alimentaire (FFQ, Food Frequency Questionnaire). Le participant se souvient de sa fréquence de consommation de 100 à 150 aliments sur les 12 derniers mois. Il est demandé "combien de fois par semaine mangez-vous de la viande rouge ?". Cette méthode a un biais de mémoire évident et suppose une stabilité des habitudes alimentaires que peu de personnes ont réellement.

Le rappel de 24 heures. Le participant décrit tout ce qu'il a mangé la veille. Plus précis que le FFQ pour un repas, mais un seul repas ne représente pas les habitudes alimentaires habituelles. Deux rappels de 24 heures par an (fréquence courante dans les grandes cohortes) ne suffisent pas pour caractériser l'alimentation habituelle.

Le journal alimentaire. Plus précis mais très contraignant. Il modifie le comportement alimentaire du participant (l'acte d'écriture change les choix) et est sujet à l'abandon précoce.

Même dans les meilleures conditions, la mesure de l'alimentation humaine dans les études épidémiologiques est une approximation grossière.

Le biais de l'utilisateur sain (healthy user bias)

Les personnes qui suivent une recommandation de santé (par exemple, réduire la viande rouge) ont tendance à être plus soucieuses de leur santé de façon générale. Elles fument moins, font plus d'exercice, consultent leur médecin plus régulièrement, consomment moins d'alcool.

Quand une étude observationnelle montre que les faibles consommateurs de viande rouge ont moins de maladies cardiovasculaires, comment séparer l'effet de la viande rouge de l'effet de toutes ces autres différences comportementales ? Les statisticiens "ajustent" pour ces facteurs de confusion, mais l'ajustement est toujours incomplet. Il n'est pas possible d'ajuster pour des confondants qu'on n'a pas mesurés.

La causalité inverse

Une relation A -> B peut parfois être une relation B -> A.

Exemple : les personnes qui développent une maladie cardiovasculaire commencent souvent à modifier leur alimentation après le diagnostic (réduire la viande rouge, manger moins de graisses). Si l'étude ne fait pas suffisamment de distinctions temporelles entre l'alimentation et la maladie, on peut trouver qu'une alimentation saine est associée à des maladies cardiaques (parce que les malades ont changé leur alimentation après le diagnostic).

Le biais de collider et les confondants non mesurés

Les confondants sont des variables qui influencent à la fois l'exposition (l'alimentation) et le résultat (la maladie), créant une association fictive. En nutrition, les confondants abondent : statut socioéconomique, niveau d'éducation, stress, qualité du sommeil, contexte culturel de l'alimentation.

Le biais de collider est plus subtil : en ajustant pour certaines variables dans l'analyse statistique, on peut créer artificiellement une association qui n'existe pas dans la réalité.

Le problème de la multi-comparaison

Une grande étude épidémiologique collecte des données sur des dizaines, parfois des centaines d'aliments et de nutriments et les met en relation avec des dizaines de maladies. Si on effectue 200 tests statistiques, on s'attend à 10 résultats faussement positifs par simple hasard (p < 0,05 = 5% de risque de faux positif). Beaucoup d'associations "significatives" en épidémiologie nutritionnelle ne sont que du bruit statistique.

Le journalisme scientifique aggrave le problème en publiant les associations positives (le café réduit le risque de cirrhose) et en ignorant les nombreuses associations négatives, créant un biais de publication massif.

Qu'est-ce qui permet alors d'affirmer quelque chose en nutrition ?

Les essais cliniques randomisés (ECR) sont théoriquement le standard. Mais en nutrition, ils sont difficiles et coûteux : contrôler précisément l'alimentation de milliers de personnes sur des années pour observer des maladies chroniques est quasi-impossible.

Les études les plus fiables en nutrition combinent plusieurs niveaux de preuve :

• Plausibilité biologique mécanistique (un mécanisme connu explique l'association).
• Cohérence entre différentes populations et différentes méthodes.
• Études interventionnelles même courtes (qui montrent des changements de biomarqueurs pertinents).
• Expériences naturelles (populations qui ont modifié leur alimentation pour des raisons non liées à la santé).

Comment lire une étude nutritionnelle sans se faire avoir

Quelques questions à poser face à un titre accrocheur ("le café réduit le risque de démence de 27%") :

• L'étude est-elle observationnelle (cohorte) ou expérimentale (ECR) ?
• Comment l'alimentation a-t-elle été mesurée (FFQ, rappel 24h, journal) ?
• Quels confondants ont été mesurés et ajustés ?
• Le bénéfice est-il cliniquement significatif ou statistiquement significatif avec un très grand nombre de sujets ?
• L'association est-elle répliquée dans d'autres études ou unique à cette cohorte ?
• Y a-t-il un mécanisme biologique plausible ?

Questions fréquentes

Les recommandations nutritionnelles actuelles sont-elles fiables ?

Les recommandations les plus robustes (réduire les aliments ultra-transformés, augmenter les légumes et fibres, limiter le sucre ajouté) reposent sur une convergence de preuves : études observationnelles cohérentes, mécanismes biologiques identifiés, essais cliniques sur les biomarqueurs. Elles sont plus solides que les recommandations spécifiques à un aliment particulier.

Peut-on faire confiance aux études sponsorisées par l'industrie alimentaire ?

Les biais de l'industrie sont réels et documentés. Les études sponsorisées par l'industrie sucrière ou agro-alimentaire ont systématiquement produit des résultats plus favorables à leurs produits. La vigilance sur les sources de financement est légitime.

La nutrition personnalisée est-elle la solution ?

Elle promette de pallier les limites de l'épidémiologie populationnelle. Mais les études sur la réponse glycémique individuelle (Zeevi et al., 2015) montrent une variabilité importante entre individus pour le même aliment. La personnalisation a du sens, mais elle ne résout pas les problèmes de mesure de l'alimentation.

Pour aller plus loin

• Alimentation anti-inflammatoire : guide pratique evidence-based : comment naviguer les recommandations nutritionnelles.
• Sham surgery méniscale : un autre exemple de l'importance de la méthode en recherche clinique.
• Hallmarks of Aging : le cadre biologique pour evaluer les prétentions nutritionnelles.

Ce que confirme la recherche récente

Une revue systématique publiée dans Nutrients (2024) sur 36 études de la UK Biobank portant sur les associations diète-diabète-cancer-cardiovasculaire pointe la principale faiblesse : la majorité des études utilise un seul recueil diététique 24 h, ce qui sur-estime l'erreur de mesure aléatoire. Les associations sont systématiquement atténuées par cette erreur, ce qui peut soit rendre non significatives des associations réelles, soit produire de fausses associations statistiques.

L'article de référence de Kipnis et al. dans Public Health Nutrition (2003) a comparé les questionnaires de fréquence alimentaire (FFQ) à des biomarqueurs urinaires objectifs (azote urinaire pour les protéines). Résultats : l'erreur de mesure des FFQ sur l'apport protéique est de l'ordre de 30 à 45 %, avec un biais systématique de sous-déclaration corrélé à l'IMC (les personnes en surpoids sous-déclarent davantage). Les rappels 24 h font mieux (erreur ~20-25 %) mais restent imparfaits.

Un article récent dans Journal of the American Heart Association (2024) illustre comment le machine learning appliqué aux questionnaires auto-déclarés peut approcher la précision des biomarqueurs urinaires 24 h. Sur 3 454 sujets des Nurses' Health Studies et de la Health Professionals Follow-Up Study, un algorithme entraîné sur les excrétions sodées urinaires 24 h atteint une corrélation de 0,44 avec la mesure objective, versus 0,25 pour le calcul standard. C'est encore imparfait, mais c'est une piste sérieuse pour améliorer la qualité des données.

Comment lire une étude nutritionnelle en 5 questions

Avant de conclure quoi que ce soit d'une étude nutritionnelle :

• Design : essai randomisé, cohorte prospective, cas-témoins, transversale ? La causalité est décroissante dans cet ordre.
• Recueil alimentaire : biomarqueur objectif ? Rappels 24 h répétés ? FFQ unique ? Un seul FFQ, se méfier.
• Ajustements : quels facteurs confondants sont contrôlés (âge, sexe, IMC, activité physique, statut socio-économique, autres apports alimentaires) ? Un ajustement partiel produit des associations résiduelles.
• Taille d'effet : différence absolue (nombre d'événements pour 1 000 personnes-années), pas seulement le risque relatif. Un HR de 1,3 sur un événement rare = très faible impact absolu.
• Reproductibilité : l'association est-elle retrouvée dans plusieurs cohortes indépendantes et par des équipes différentes ? Une seule cohorte, même large, ne suffit pas.

Cette grille permet de distinguer les résultats robustes (peu nombreux : lien tabac-cancer, sel-hypertension, sucre-caries) des associations fragiles régulièrement médiatisées puis contredites 5 ans plus tard.

Références

• Ioannidis, J.P.A. (2018). "The Challenge of Reforming Nutritional Epidemiologic Research." JAMA, 320(10), 969-970.
• Doll, R., et Hill, A.B. (1954). "The mortality of doctors in relation to their smoking habits." BMJ, 328, 1529.
• Satija, A., et al. (2015). "Understanding Nutritional Epidemiology and Its Role in Policy." Advances in Nutrition, 6(1), 5-18.
• Zeevi, D., et al. (2015). "Personalized Nutrition by Prediction of Glycemic Responses." Cell, 163(5), 1079-1094.
• Johnston, B.C., et al. (2019). "Unprocessed Red Meat and Processed Meat Consumption: Dietary Guideline Recommendations." Annals of Internal Medicine, 171(10), 756-764.