Une variable extrinsèque qui précède l'exposition, est liée (causalement ou statistiquement) à la fois à l'exposition et au résultat, et n'est pas une conséquence de l'exposition ; si elle n'est pas prise en compte, elle peut déformer l'estimation de la relation exposition–effet.

Principe

Lorsqu'une variable est associée à la fois à l'exposition et au résultat et ne se situe pas sur le chemin causal, l'omission de son contrôle entraîne des estimations biaisées ; les confondeurs mesurés peuvent être maîtrisés par le plan d'étude ou l'analyse pour réduire le biais.

Démonstration

Scénario illustratif → Une étude observe une association entre consommation de café et cancer du poumon. Reconnaissance → Le tabagisme est fréquent chez les buveurs de café et cause le cancer du poumon. Action → Les investigateurs mesurent l'historique tabagique et ajustent les estimations (stratification ou régression). Conséquence → L'association apparente café–cancer s'atténue, indiquant un biais de confusion par le tabagisme.

Mauvaise application

Traiter un médiateur ou un collier (collider) comme un confondeur et l'ajuster. Cela semble plausible car la variable est liée à l'exposition et au résultat, mais si elle est sur le chemin causal (médiateur) ou est causée par les deux (collider), l'ajustement induit un biais.

Conséquence

La confusion non contrôlée peut produire des associations factices, masquer de véritables effets causaux ou inverser la direction apparente de l'effet, induisant des erreurs dans l'inférence causale et les décisions de santé publique.

Inversion

La randomisation ou un instrument valide rompt l'association exposition–confondant et élimine la confusion sous leurs hypothèses ; toutefois, un biais résiduel subsiste si des confondeurs sont non mesurés, mal mesurés ou variant dans le temps sans méthodes appropriées.

Limite

Clairement inclus : un facteur socioéconomique antérieur à l'exposition, associé aux deux et non causé par l'exposition. Cas limite : une variable pré-exposition faiblement liée au résultat — sa classification dépend du modèle causal et de la puissance. Clairement exclu : un médiateur post-exposition ou un collier dont l'ajustement crée un biais.

Tension sémantique

Contraste entre contrôler la confusion (pour obtenir des estimations causales non biaisées) et le risque de sur-ajustement (supprimer des effets via des chemins causaux ou augmenter la variance), ainsi que les limites pratiques de la mesure.

Synthèse

La confusion concerne la structure causale, pas seulement l'association statistique : son identification correcte exige l'ordre temporel et un modèle causal explicite (p. ex. graphes causaux) pour décider des ajustements.