Quelle base de données de santé votre étude devrait-elle utiliser ?

La plupart des projets de données secondaires échouent dès la première décision, et non à la dernière. Le choix des bases de données de santé publique pour la recherche détermine les conclusions possibles de votre étude, et aucune analyse approfondie ne saurait corriger une question posée à la mauvaise source. Cette page présente les réponses apportées par chacune des quatre principales options, leurs limites et comment identifier la solution la plus adaptée avant d'y consacrer des mois de travail.

La réponse courte

Si aucune de ces lignes ne correspond parfaitement à votre question, la réponse honnête est généralement qu'il faut reformuler la question plutôt que d'ajouter une cinquième base de données. C'est précisément le rôle d'une étude de faisabilité.

NHANES : Fréquence et association avec quoi

L’enquête nationale sur la santé et la nutrition (NHANES) combine un entretien, un examen physique et des analyses de laboratoire auprès d’un échantillon probabiliste stratifié de la population américaine non institutionnalisée. Comme l’échantillon est représentatif du pays, les estimations pondérées, correctement utilisées, sont généralisables à l’échelle nationale, ce qu’aucune série hospitalière ne peut garantir.

Sa force réside dans l'étendue des mesures effectuées auprès de la population générale. Apports alimentaires, biomarqueurs, données anthropométriques, activité physique, exposition environnementale et affections déclarées sont tous regroupés dans un même fichier, ce qui permet d'aborder des questions transversales. Le lien avec les données de mortalité grâce à l'Indice national des décès ajoute une dimension de survie.

Sa limitation est structurelle et permanente. Chaque participant n'est mesuré qu'une seule fois ; l'exposition et le résultat sont donc enregistrés simultanément, et il est impossible d'établir une relation de causalité. Décrire une association observée dans l'étude NHANES en termes de causalité est l'un des moyens les plus sûrs d'obtenir un rejet.

Il est également impératif de respecter le plan d'échantillonnage lors de l'analyse, sans quoi les résultats seront tout simplement erronés. Nous l'avons testé directement et avons constaté qu'ignorer la pondération de l'enquête augmentait l'estimation de la prévalence nationale de 45 %, la faisant passer de 10.23 % à 14.85 %, sur un échantillon de 5 018 personnes. Le test complet, avec le code source, présente les résultats obtenus en effectuant la même analyse NHANES de trois manières différentes.

Accès : entièrement public, sans inscription ni accord. Service : étude NHANES , 1 900 $, 15 jours ouvrables.

SEER : Survie et tendances en matière de cancer

Le programme SEER (Surveillance, Epidemiology and End Results) couvre environ la moitié de la population américaine grâce à des registres de cancers populationnels. Ces registres recensent l'incidence, les caractéristiques tumorales, le stade, le traitement initial et la cause du décès, avec un suivi à long terme. Pour les tumeurs rares, lorsqu'aucun essai clinique n'existe et qu'aucun établissement ne dispose d'un nombre suffisant de cas, il s'agit souvent de la seule source de données probantes sérieuses.

Utilisez-le pour analyser la survie selon le stade et l'histologie, l'incidence et l'évolution de la maladie au fil du temps, ainsi que les disparités selon l'origine ethnique, la couverture d'assurance ou la situation géographique. Il a été conçu pour répondre à ces questions et il y répond parfaitement.

Ce que ce registre ne recense pas, c'est la difficulté du traitement. Il ne contient ni indice de comorbidité, ni évaluation de l'état général, ni description détaillée du protocole, ni information sur les récidives, ni sur les traitements ultérieurs au-delà de la première cure. Les comparaisons de traitements basées uniquement sur le SEER sont biaisées par l'indication, un biais que l'ajustement statistique ne permet pas d'éliminer complètement, et les oncologues en sont conscients. Les risques concurrents constituent un autre écueil : dans une cohorte de patients atteints de cancers plus anciens, le décès dû à d'autres causes est un événement concurrent et non une censure, et l'application de la méthode de Kaplan-Meier à la mortalité spécifique au cancer dans ce contexte surestime la probabilité de l'événement. Le guide complet du registre, expliquant le contenu, le type de regroupement à utiliser (SEER 22 étant devenu SEER 21) et les cinq erreurs d'analyse à l'origine de la plupart des rejets, est disponible dans la documentation « SEER database explained ».

Accès : quel que soit le mode d’accès, nous conservons l’accès ou travaillons à partir de votre extrait SEER*Stat. Service : Étude SEER sur les résultats en matière de cancer , 2 100 $, 15 jours ouvrables.

NTDB et TQP : Résultats des traumatismes dans différents centres

La Banque nationale de données sur les traumatismes et son successeur, le fichier utilisateur des programmes de qualité des soins aux traumatisés de l'American College of Surgeons, regroupent les données des registres de traumatologie des centres participants. L'échelle permet d'aborder des questions sur les types de lésions, les complications, les disparités dans la prise en charge des traumatismes et les variations entre les centres, ce qu'un seul hôpital ne pourrait pas faire.

La principale limite de cette étude réside dans le fait qu'il s'agit d'un échantillon de commodité constitué de centres participants, et non d'un registre représentatif de la population. Le dénominateur est inconnu, la liste des hôpitaux participants varie d'une année à l'autre, et les patients décédés sur le terrain ou pris en charge dans des centres non participants ne sont pas inclus. Toute publication faisant état d'un taux national de blessures à partir de ces données est erronée, et les experts en traumatologie le confirmeront. De plus, aucun suivi post-hospitalisation n'est effectué, ce qui empêche d'obtenir des informations sur les capacités fonctionnelles à long terme et les réadmissions. La même prudence quant à l'interprétation des données publiques sur les blessures s'applique aux sources connexes, comme nous l'expliquons dans notre article sur la fiabilité des statistiques du NEISS.

D'un point de vue analytique, la gravité des lésions doit être estimée plutôt que considérée comme acquise ; les variables physiologiques sont souvent manquantes et corrélées à cette gravité ; de plus, les patients sont regroupés au sein des mêmes centres. Les données de registres de ce type nécessitent également un nettoyage rigoureux, décrit dans l'article « Six techniques de nettoyage des données de registres cliniques » . Le guide complet des capacités et limites des données NTDB et TQP, notamment le codage de la gravité des lésions et la modélisation du regroupement des établissements, est disponible dans le document « Explication des données des registres de traumatologie NTDB et TQP » . Nous avons réalisé une simulation indépendante démontrant que la gestion non documentée des données physiologiques manquantes dans les cas complets réduit de moitié le taux de mortalité rapporté pour une cohorte, le faisant passer de 5.50 % à 2.68 %. Ce résultat est détaillé dans l'article « L'ampleur du biais induit par l'analyse des cas complets dans l'estimation de la mortalité traumatique ».

Accès : vous devez détenir l’accord d’utilisation des données de l’ACS et fournir le fichier. Nous ne pouvons pas l’obtenir pour vous. Service : étude du registre des traumatismes NTDB/TQP , 2 400 $, 15 jours ouvrables.

Randomisation mendélienne : en est-elle réellement la cause ?

Les trois autres répondent à des questions descriptives et pronostiques. Lorsque la question porte véritablement sur la causalité et qu'un essai randomisé n'est pas réalisable, la randomisation mendélienne utilise des variants génétiques comme variables instrumentales, en exploitant le fait que les allèles sont attribués à la conception indépendamment de la plupart des facteurs de confusion.

Cette méthode est adaptée aux expositions modifiables disposant de données d'association pangénomique robustes, notamment l'exposition tout au long de la vie à un biomarqueur ou à une mesure de la composition corporelle. Elle est de plus en plus utilisée pour sélectionner les cibles thérapeutiques avant leur développement. Vous trouverez des informations sur cette méthode dans notre article expliquant ce qu'est la randomisation mendélienne et quand l'utiliser , ainsi que sur les approches par variables instrumentales au sens large.

Deux mises en garde sont importantes. L'estimation correspond à un effet moyen sur toute la durée de vie, et non à l'effet d'une intervention ponctuelle ; les relecteurs exigent désormais que les articles le précisent. De plus, la gratuité du logiciel et la publication des statistiques descriptives ont entraîné une prolifération d'articles à exposition unique, sans analyse de sensibilité, ce qui est précisément le type d'articles que les éditeurs rejettent d'emblée. La robustesse des instruments, le filtrage de Steiger, plusieurs estimateurs robustes à la pléiotropie, la détection des valeurs aberrantes et la réplication ne sont plus des options. Nous avons simulé 135 000 études de randomisation mendélienne pour évaluer l'apport réel de la robustesse des instruments et constaté qu'avec une statistique F de 3, l'intervalle de confiance est 13.6 fois plus large que l'effet mesuré. Le test complet, avec les deux outils, repose sur l' interprétation de la statistique F. Concernant la pléiotropie, notre simulation des effets réels de chacun des quatre estimateurs montre que leur concordance ne prouve pas la validité des instruments.

Accès : statistiques récapitulatives publiques des études d’association pangénomique (GWAS), que nous obtenons. Service : étude de randomisation mendélienne , 2 900 $, 15 jours ouvrables.

Ce que ces quatre personnes ont en commun

Quelle que soit la source utilisée, les mêmes quelques éléments déterminent si l'article passe l'examen.

• La nouveauté était établie avant l'analyse, et non après. Ces ensembles de données atteignent rapidement leur limite. Maupin et ses collègues, dans un article paru dans BMC Medicine en 2026, ont analysé les publications de 2021 à juillet 2025 et ont constaté une redondance importante, notamment au sein de l'étude NHANES. Ils définissent la redondance comme l'association des mêmes expositions aux mêmes résultats dans une même population. Les évaluateurs s'attendent à trouver un modèle préétabli.
• La conception est explicitement décrite dans les méthodes. Le fait de nommer les variables de pondération, de stratification et de regroupement, ou l'estimateur des risques concurrents, ou l'unité de regroupement, témoigne en quelques lignes d'une compétence avérée. Leur absence, en revanche, est tout aussi révélatrice d'une incapacité.
• Les normes de déclaration ont été respectées. STROBE pour les études observationnelles, STROBE-MR pour l'inférence causale génétique, TRIPOD pour les modèles de prédiction. Tutoriel STROBE couvre ce que les examinateurs vérifient réellement.
• Inscription envisagée. De plus en plus attendu, même pour les analyses secondaires rétrospectives, comme indiqué dans pourquoi une étude rétrospective devrait encore être enregistrée.
• Des limitations qui désignent la véritable menace. Temporalité transversale, biais d'indication, échantillonnage de commodité, interprétation des effets à long terme. Un paragraphe sur les limitations qui énumère des mises en garde génériques tout en omettant l'évidence est perçu comme une tentative d'esquive. Pour connaître la place de chaque modèle dans la hiérarchie, voir niveaux de preuve dans la recherche clinique.

Je ne sais toujours pas lequel.

Trois questions permettent généralement de trancher. Votre question nécessite-t-elle un dénominateur national ? Cela oriente vers NHANES et exclut NTDB. Nécessite-t-elle un suivi du délai d'apparition de l'événement ? Cela oriente vers SEER et exclut NHANES. Doit-elle établir une relation de cause à effet, plutôt qu'une simple coexistence ? Cela oriente vers la randomisation mendélienne et exclut les trois autres.

Si votre question résiste aux trois épreuves et ne trouve toujours sa place nulle part, ou si elle concerne plusieurs sources, il s'agit d'un engagement prolongé plutôt que d'une offre fixe.

Outils et ressources

Support professionnel

Nous élaborons des études à partir des quatre sources selon les normes décrites ci-dessus, et nous disons non lorsque les données ne permettent pas de répondre à la question.

La catégorie complète se trouve dans la section « Études de données d’enregistrement et de données en situation réelle ».

Références

1. Maupin D, Suchak T, Barnett A, Spick M. Augmentation spectaculaire des publications redondantes à l'ère de l'IA générative. BMC Medicine. 2026; 24 (1): 29. doi: 10.1186 / s12916-025-04569-y
2. Centre national des statistiques de santé. Méthodes d'enquête et lignes directrices analytiques de l'enquête NHANES. CDC
3. Institut national du cancer. Programme de surveillance, d'épidémiologie et de résultats finaux. seer.cancer.gov
4. Collège américain des chirurgiens. Fichier d'utilisation des participants aux programmes de qualité en traumatologie. facs.org
5. von Elm E, Altman DG, Egger M, et al. La déclaration STROBE. The Lancet. 2007;370(9596):1453-1457. doi:10.1016/S0140-6736(07)61602-X
6. Skrivankova VW, Richmond RC, Woolf BAR, et al. Renforcer la communication des études observationnelles en épidémiologie à l'aide de la randomisation mendélienne : la déclaration STROBE-MR. JAMA. 2021;326(16):1614-1621. doi: 10.1001/jama.2021.18236