A framework for classifying and visualising experimental designs when subjects are measured repeatedly
Cet article traite de la confusion entourant les mesures répétées dans la recherche expérimentale en définissant des caractéristiques de conception clés basées sur les unités expérimentales, la fréquence de mesure et les stratégies de randomisation afin d'établir un cadre pour classifier et visualiser ces conceptions à l'aide de diagrammes de Hasse.
Article original placé dans le domaine public sous CC0 1.0 (http://creativecommons.org/publicdomain/zero/1.0/). Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète
Imaginez que vous soyez un détective tentant de résoudre un mystère, mais qu'au lieu de chercher des indices sur une scène de crime, vous cherchiez des réponses dans le comportement d'êtres vivants — des humains, des chiens, ou même de minuscules cellules. Dans le monde de la science, les chercheurs mènent souvent des expériences pour voir comment différentes choses, comme un nouveau médicament ou un programme d'entraînement spécifique, affectent ces sujets. Mais voici la partie délicate : parfois, ils ne se contentent pas de vérifier le sujet une seule fois pour passer à autre chose. Ils peuvent le vérifier cinq fois par jour, ou lui administrer trois traitements différents à la suite, ou encore prélever trois minuscules échantillons lors d'un même prélèvement sanguin. C'est ce que les scientifiques appellent des « mesures répétées ».
Considérez cela comme la dégustation d'une soupe. Si vous prenez une cuillerée, c'est une mesure unique. Mais si vous prenez une cuillerée toutes les dix minutes pour voir comment la saveur évolue pendant qu'elle mijote, ou si vous goûtez avec trois cuillères différentes pour vous assurer que vous n'imaginez pas les choses, vous faites des « mesures répétées ». Le problème est que les scientifiques ont utilisé le même terme, « plan de mesures répétées », pour tous ces scénarios différents, même s'ils sont en réalité très distincts. C'est comme appeler un vélo, un skateboard et un monocycle des « véhicules à roues ». Ils ont tous des roues, mais on ne les conduit pas de la même manière, et si vous essayez de conduire un monocycle comme un vélo, vous pourriez tomber. En science, si vous analysez vos données de la mauvaise façon parce que vous avez mal compris le dispositif, vos conclusions pourraient être complètement erronées, menant à de mauvais conseils médicaux ou à des recherches gâchées.
Cet article, écrit par Damianos Michaelides et Simon T. Bate, est comme un nouveau manuel d'instructions qui clarifie enfin la confusion. Les auteurs ont remarqué que les gens mélangeaient différents types d'expériences où les sujets sont mesurés plus d'une fois, et que cela provoquait des erreurs dans l'analyse des données. Ils proposent un cadre clair pour classer ces dispositifs en se basant sur trois questions simples : Qui est le personnage principal (l'unité expérimentale) ? Vérifions-nous ce personnage encore et encore ? Et surtout, comment avons-nous décidé qui reçoit quel traitement (la stratégie de randomisation) ?
Au lieu de simplement lister des règles, les auteurs introduisent un outil visuel appelé « diagramme de Hasse ». Imaginez un arbre généalogique, mais au lieu de montrer qui est apparenté à qui, il montre comment les différentes parties d'une expérience sont connectées et comment les traitements ont été assignés. En dessinant ces diagrammes, les auteurs montrent que ce qui ressemble à un tas désordonné de mesures répétées peut en fait être trié en six catégories distinctes : mesures répétées standards, dispositifs intra-sujets, dispositifs en blocs, dispositifs en parcelles divisées (split-plot), dispositifs croisés (cross-over) et dispositifs emboîtés (nested).
L'article soutient que l'on ne peut pas simplement coller une étiquette générique de « mesures répétées » sur n'importe quelle expérience où quelqu'un est mesuré deux fois. Par exemple, si un chien reçoit une pilule chaque jour dans un ordre spécifique qui ne peut être modifié, il s'agit d'un dispositif « intra-sujet » où l'ordre importe. Mais si un humain reçoit une pilule, et que l'ordre des pilules est mélangé de manière aléatoire pour chaque personne, il s'agit d'un dispositif « en blocs ». Les auteurs démontrent que traiter ces deux scénarios comme étant la même chose est une erreur. Ils démontrent qu'en identifiant correctement dans laquelle des six catégories votre expérience s'inscrit, vous pouvez construire le modèle mathématique approprié pour analyser les données.
L'article ne prétend pas avoir découvert un nouveau type de médicament ou une nouvelle loi de la physique. Il propose plutôt une meilleure façon d'organiser les outils que les scientifiques utilisent déjà. Il suggère qu'en utilisant ces caractéristiques spécifiques et les diagrammes de Hasse, les chercheurs peuvent éviter le piège de l'utilisation de méthodes statistiques inappropriées. Les auteurs démontrent, à travers plusieurs exemples — allant d'essais cliniques sur des humains à des études sur des lapins et des chiens — que lorsque vous identifiez correctement la classification, vous obtenez la bonne réponse. Ils ne disent pas que cela résout tous les problèmes de la science, mais ils suggèrent que cela dissipe une grande partie de la confusion qui mène à des résultats trompeurs. En résumé, ils remettent aux chercheurs une meilleure carte afin qu'ils ne se perdent pas dans la forêt de leurs propres données.
Noyé(e) sous les articles dans votre domaine ?
Recevez des digests quotidiens des articles les plus récents correspondant à vos mots-clés de recherche — avec des résumés techniques, dans votre langue.