Par JOSE GUILHERME CHAUI-BERLINCK*

Un guide visuel pour comprendre le problème

Le but de ce texte est de présenter un "guide visuel" qui peut aider une personne qui n'est pas dans le domaine des chiffres à comprendre le risque qu'elle court en croyant à la possibilité de traitements "alternatifs" (pour ainsi dire) dans cas de contamination au SARS-CoV-2 et développement du COVID-19. Compte tenu de la proposition, la lecture du texte lui-même doit être comprise presque comme s'il s'agissait d'une grande légende pour les figures (que je laisse donc sans légende). Cependant, avant d'aborder le problème lui-même, je pense qu'il est important de présenter certains chiffres. Alors …

quelques chiffres préliminaires

À la date actuelle (12 mars 2021), nous avons 118 millions de cas de COVID-19 dans le monde, représentant 2 millions et 600 11 décès. Le Brésil compte 200 millions et 270 7 cas, avec 212 1 décès. La population mondiale est d'environ XNUMX milliards d'habitants, celle du Brésil, de XNUMX millions. En d'autres termes, ceux-ci semblent ne rapporter que des chiffres. La figure XNUMX illustre les relations de « taille » entre ces nombres.

Figure 1

Dans la figure 1, nous voyons que le Brésil a une population d'environ 3 % de la population mondiale et contribue (si c'est le bon terme) à 9 % du nombre total de cas et de décès dus au COVID-19. C'est à dire, Le Brésil a une participation à la pandémie actuelle 3 fois supérieure à ce qu'il aurait en proportion de sa population !

Ce seul fait, issu de chiffres très simples et évidents, devrait suffire à embarrasser et déclencher des actions efficaces de la part de ceux qui ont pris la tête du gouvernement fédéral, sinon par responsabilité, du moins par honte.

Nos prochains numéros proviennent de l'État de São Paulo^[I]. La figure 2 illustre, en violet, la répartition approximative des cas de COVID-19 dans les populations de moins et de plus de 65 ans en SP. Notez qu'il existe une légère différence dans le pourcentage de cas déclarés entre ces deux groupes. Les chiffres indiquent la population totale de chaque groupe d'âge. Je fais cette distinction entre plus et moins de 65 ans juste pour signaler aux plus jeunes que les problèmes dont nous allons parler plus tard ne sont pas spécifiques aux « personnes âgées ». Comme on le verra, le cou de tout le monde est en jeu. La question avec laquelle je vous laisse, à la fin, c'est à qui donneriez-vous le loquet à guillotine... alors passons au problème.

Figure 2

Le docteur cousin et la mauvaise question

Une personne, voulant se débarrasser du « nouvel anormal » pour revenir à « l'ancienne normalité », demande à son cousin médecin : si j'ai le COVID-19, dois-je prendre le médicament « A » ?

Le cousin docteur répond : J'ai eu quatre patients qui l'ont pris et se sont améliorés.

La personne est satisfaite et revient à « l'ancienne normalité ».

Ce que je viens de décrire est anecdotique, mais cela devrait être très similaire aux événements que vous avez vécus (si vous n'êtes pas la personne ou le cousin médecin).

Ce remède « A » peut être n'importe lequel des médicaments ou conduites sans aucun support technique qui ont été propagés pendant un certain temps par des groupes de personnes sans la moindre formation pour de telles déclarations. Cela n'a pas d'importance.

Le premier point qui nous intéresse est la question de la personne. Face à la décision qu'elle avait, après la réponse, de revenir à la "vieille normalité", il est clair que la question qui aurait dû être posée n'est pas celle qui l'était. La vraie question était : si j'ai le COVID-19 et que je prends le médicament « A », vais-je aller mieux (ou ne vais-je pas mourir ou n'avoir pas de séquelles) ?

Pourquoi la personne ne pose-t-elle pas cette question ? La raison pour laquelle les gens ne posent pas la vraie question qu'ils veulent poser est que, à partir de cette question, ils connaissent déjà les réponses et l'honnêteté associée aux réponses. Donc, une réponse honnête que le cousin peut donner est "je ne sais pas". Vous ne savez pas car il n'existe aucun traitement (pour aucune maladie) qui puisse garantir une efficacité à 100%. Mais « je ne sais pas », la personne le sait déjà, et la réponse ne lui apporte donc aucune information.

En revanche, le cousin pourrait répondre « non ». C'est aussi une réponse honnête aux études sur ces médicaments « A » qui ont été promus. Cependant, cette réponse ne permettra pas un retour à « l'ancienne normalité ».

Enfin, le cousin pouvait répondre "oui". Cependant, il tomberait dans le problème de garantir une efficacité à 100% pour un traitement, ce que lui et la personne savent irréaliste, comme nous le disions juste au-dessus. Autrement dit, la réponse "oui" est la réponse malhonnête. Mais, c'est ce que la personne veut entendre et ce que le cousin veut donner. Comment le résoudre?

De la même manière que la personne transforme la vraie question en substitut, le cousin transforme la réponse malhonnête en substitut : « J'ai eu quatre patients qui l'ont pris et qui se sont améliorés ». Il n'a pas dit "oui". Ceci est implicite ou, à la discrétion du client, décidez de la réponse.

Jusqu'à présent, je devais être un peu une évidence pour beaucoup, car il ne s'agissait que d'un exercice de théorie de l'information, de statistiques bayésiennes et de psychologie bon marché. Ce que je vais essayer de faire maintenant, c'est d'illustrer visuellement le problème posé par la personne et la portée que peut avoir la réponse. De plus, je vais essayer de demander quelles questions peuvent être posées et ce qui est sous-entendu dans la question.

Supposons, maintenant, que la question "si j'ai le COVID-19, dois-je prendre le médicament "A" ?" est utilisé honnêtement, c'est-à-dire sans en remplacer un autre pour lequel la personne connaît déjà l'ensemble des réponses honnêtes qui pourraient être données (et qu'il ne veut pas entendre). Que signifie cette question ou à quoi fait-elle référence ?

La question peut être comprise de trois manières différentes :

1. Quelle est la probabilité du traitement T_A être la cause de l'amélioration M? soit, étant donné que le traitement T a été effectué_A, quelle est la probabilité d'amélioration M ?
2. Sachant qu'il y a eu amélioration M, quelle est la probabilité que vous ayez reçu le traitement T_A?
3. Comme aucun traitement n'a été effectué_A, quelle est la probabilité d'amélioration M ?

La plupart des gens pourraient penser que la question ne fait allusion qu'au cas 1 ci-dessus, mais les trois interprétations sont également valables. En fait, la réponse du cousin nous amène à la formulation 1.

Mais, il aurait pu dire "J'ai rencontré deux patients qui n'ont pas pris "A" et qui sont décédés”. Notez que c'est maintenant la formulation 3 qui est en cours d'accès.

La formulation 2 est la plus compliquée et le cousin ne cherchera guère de réponse qui y fasse allusion. Les nombres qui ont été donnés dans les autres réponses du cousin (« quatre patients » et « deux patients ») sont faciles à transposer, par l'interlocuteur, en une « probabilité » tangible à comprendre. Cependant, la formulation 2 nécessite un renversement de raisonnement et tout nombre donné ne va pas de soi.

Cependant, si les trois formulations sont valables comme équivalentes à la question non formelle qui a été posée, cela signifie que pour que cette question soit correctement répondue, nous devons connaître la réponse aux 3 formulations qui peuvent être équivalentes à une telle question. Je parlerai alors...

… de toute maladie …

Imaginons une maladie qui est apparue et pour laquelle il n'existe aucun traitement. La figure 3 illustre la répartition des cas et l'amélioration spontanée (puisque, pour l'instant, il n'y a qu'amélioration sans traitement). La zone délimitée par la ligne verte indique les cas qui ont une amélioration spontanée dans le nombre total de cas observés, délimité par la ligne rouge. Ensuite, certains traitements apparaissent, et nous passons au graphique illustré à la figure 4. Nous supposons que les traitements n'interfèrent pas avec le taux de guérison spontanée et, ainsi, la région délimitée par la ligne bleue apparaît, augmentant le nombre d'améliorations .

Voyons « qui » habite chaque région de la représentation graphique de cette maladie (Figure 5) :

une: la région délimitée par la ligne verte est déjà connue de la figure 3, habitée par ceux qui vont s'améliorer avec ou sans traitement ;

β : entre la région délimitée par la ligne verte et celle délimitée par la ligne bleue, habitent ceux qui mourraient auparavant, mais maintenant, grâce à d'éventuels traitements, s'améliorent ;

γ : entre les frontières bleues et rouges se trouvent ceux qui mourront, avec ou sans traitement (notez que je ne dis pas que le traitement a été la cause du décès, je dis que tout traitement, s'il est administré, est inefficace pour vaincre la maladie dans ces personnes)

	Figure 3
	Figure 4
	Figure 5

A noter que la réponse "j'ai eu quatre patients qui en ont pris et qui se sont améliorés" vous amène à considérer que le traitement avec "A" est ce qui crée la région b, mais cette région est habitée par tous les individus qui ont reçu un traitement, que ce soit "A" ou non.

Par contre, la réponse « j'ai rencontré deux patients qui n'ont pas pris « A » et ils sont morts » laisse penser que la région g n'est habitée que par ceux qui n'ont pas pris « A », alors qu'en fait, cette région est habitée par des individus qui n'ont pas pris « A », « A », des individus qui ont pris « A » et des individus qui n'ont pas reçu de traitement et n'appartiennent pas au groupe a.

Si nous ignorons les inductions faites par les réponses, nous voyons qu'il y a deux questions qui n'ont pas reçu de réponse :

• Combien des quatre patients qui ont pris « A » appartenaient au groupe a ? Ceux appartenant à ce groupe amélioreraient même si de tout traitement. Voyez comment la réponse suivante change complètement l'induction faite, bien qu'elle contienne la même déclaration précédente : "J'ai eu quatre patients qui l'ont pris et se sont améliorés et j'en ai eu quatre à qui je n'ai rien donné et ils se sont améliorés".
• Combien de patients ont reçu « A » et sont dans le groupe g ? Ces patients sont ceux pour qui le traitement est inefficace. Voyez comment la réponse suivante change complètement l'induction faite, bien qu'elle contienne la même déclaration précédente : "J'ai rencontré deux patients qui n'ont pas pris "A" et sont décédés et deux qui ont pris "A" et sont décédés".

Dans ce cadre simplifié, mais suffisamment général pour ne pas perdre la validité de l'analyse que nous faisons, le problème scientifique de la validation d'un certain traitement est celui de différencier les traitements qui élargissent la gamme b de ceux qui ne font rien. Rappelons que nous ignorons, justement pour simplifier, la possibilité qu'un certain traitement fasse passer un individu du groupe a au groupe g (c'est-à-dire que le traitement devienne la cause du décès), et aussi la concomitance des traitements (c'est-à-dire que le traitement " A » étant donné avec « B », ou « C », etc.).

Sur les 3 formulations dont j'ai dit qu'elles étaient équivalentes à la question non formelle "si j'ai le COVID-19, dois-je prendre le médicament "A" ?", on peut voir, sur la figure 5, que si seul le traitement « A » existe, des réponses directes peuvent être obtenues pour les formulations 1, 2 et 3 : la formulation 3 est la région a ; et les formulations 1 et 2 seraient la même formulation^[Ii] et la réponse serait la région b.

Cependant, c'est là qu'une grande partie du problème demeure : puisqu'il existe une multitude de traitements qui sont administrés de manière concomitante (même pour des raisons éthiques), comment différencier la participation de chacun au résultat final ? C'est-à-dire quels traitements agrandissent la région b et qui non.

Ce problème scientifique n'est pas résolu avec 2, 4, 6 ou 20 patients qu'un médecin a vus. C'est l'expérience du professionnel, mais ce n'est pas l'expérience de la validation d'un traitement.

Les populations contenues dans les zones représentées dans les figures sont énormes, par milliers, et dans le cas du COVID-19, nous sommes par centaines de millions dans le monde.

La figure 6 illustre, sans plus de prétention, quels spécialistes traitent quels patients COVID-19. Les lignes blanches indiquent les types de patients que ces spécialistes voient. Le point important à comprendre est que "cliniques générales"Et"autres spécialités», dont les professionnels ne font pas partie de la première ligne, verront essentiellement des patients COVID-19 de notre groupe a. Autrement dit, ce sont des professionnels qui ne sont en contact qu'avec le groupe qui améliorera même si du traitement. Il est important de noter que la grande majorité des médecins et professionnels de santé se retrouvent dans cette condition : contact périphérique avec des patients COVID-19.

De plus, on voit que la région b, celle qui contient les individus qui ont besoin d'un traitement adéquat pour ne pas aller dans la région g (décès), représente environ 20 % de la superficie^[Iii]. Cela signifie que 1 personne sur 5 qui contracte le COVID-19 se trouvera dans cette région b (sans savoir bien sûr, car rien n'indique, à l'avance, qui sera dans quelle région).

Figure 6

Traitements appropriés

Comme je l'ai dit plus haut, ce ne sont pas 2 ou 20 patients vus par un professionnel qui constituent un groupe de test clinique. Comme je l'ai également dit, ce type de circonstance est la simple expérience du professionnel. Non seulement une étude doit avoir de très nombreux cas pour former des statistiques adéquates, mais elle doit également être bien conçue en termes de groupes et de traitements. Alors, quelle est la situation actuelle (mars 2021) en termes de recommandations de traitement pour le COVID-19 ? Ou, en utilisant le vocabulaire que nous avons créé ci-dessus, quels sont les traitements médicamenteux considérés comme adéquats pour placer les individus de la région g dans la région b ?

Le tableau ci-dessous est basé sur les directives de traitement COVID-19 établies par l'American Infectious Disease Society (IDSA^[Iv]), National Institutes of Health (NIH) des États-Unis et Organisation mondiale de la santé (OMS). J'y ai énuméré uniquement les médicaments les plus médiatisés par les groupes dont j'ai parlé tout à l'heure, et les corticostéroïdes. Une simple lecture du tableau permet déjà de percevoir celles qui peuvent et celles qui ne feront pas sortir l'individu de la région g pour aller dans la région b.

CT : essais cliniques

Et si c'était toi ?

Enfin, nous arrivons à la question que j'ai annoncée au début.

La figure 7 correspond aux carrés violets de la figure 2, en utilisant le motif de couleur des figures précédentes pour discriminer les groupes a, b et g (voir figures 5 et 6). Imaginez que vous êtes une fléchette lancée au hasard (puisque vous ne savez pas, a priori, à quel groupe elle appartient), sur la figure 7.

Si vous atterrissez dans la zone verte, vous êtes sauvé malgré tout traitement.^[V]. S'il tombe dans la zone rouge, je suis désolé, il n'y a rien ou je n'ai rien pu faire pour vous.

La fléchette peut également se retrouver dans la région bleue, correspondant au groupe b. Nous avons vu que la probabilité que cela se produise est d'environ 20 % (1 sur 5).

Et voici la grande question : si votre fléchette atterrit dans la zone bleue, celle qui dépend d'un maniement correct, mettriez-vous votre vie sur la fléchette téméraire lancée par le cousin ?

En d'autres termes, si vous êtes dans la région bleue, utiliseriez-vous le traitement suggéré par les sans conséquence qui ne voient que des patients qui sont dans la région verte ?

Figure 7

*José Guilherme Chaui-Berlinck est médecin et professeur au Département de physiologie de l'Institut des biosciences de l'USP.

notes

[I] J'ai pris l'État de São Paulo comme exemple pour faciliter l'obtention des données. L'image, en termes généraux, est similaire au Brésil et l'analyse qui nous importe n'est pas exactement l'exactitude de ces chiffres.

[Ii] A titre de formalisation, les formulations 1 et 2 sont respectivement P( M | T ) et P( T | M ). Il n'y a que le traitement T_A (c'est-à-dire que T = T_A) les probabilités deviennent les mêmes.

[Iii] Les chiffres ont été obtenus à partir des données actuelles de l'État de São Paulo. La discrimination du groupe b entre les cas avec amélioration a été obtenue à partir de la fraction des patients nécessitant une prise en charge médicale au-delà du niveau ambulatoire (rendez-vous le 12/mars/21 : https://www.uptodate.com/contents/coronavirus-disease-2019-covid-19-clinical-features?topicRef=126981&source=related_link)

[Iv] https://www.idsociety.org/practice-guideline/covid-19-guideline-treatment-and-management/

[V] Ce que nous savons n'est pas vrai, car il existe des traitements, en particulier ceux de type "A", avec de sérieuses possibilités d'effets secondaires graves.