La recherche, menée par des scientifiques de l’Université de Leeds et de l’Institut Alan Turing – l’Institut national pour la science des données et l’intelligence artificielle – révèle que l’approche statistique standard et la plus courante pour étudier la relation entre l’alimentation et la santé peut donner des résultats trompeurs et dénués de sens.

L’auteur principal, Georgia Tomova, chercheuse en doctorat à l’Institut d’analyse des données et à l’Institut Alan Turing de l’université de Leeds, a déclaré : « Ces résultats sont pertinents pour tout ce que nous pensons savoir sur l’effet de l’alimentation sur la santé.

« Il est bien connu que différentes études nutritionnelles ont tendance à trouver des résultats différents. Une semaine, un aliment est apparemment nocif et la semaine suivante, il est apparemment bon pour la santé. »

Les chercheurs ont constaté que la pratique répandue consistant à contrôler statistiquement, ou à prendre en compte, l’apport énergétique total d’une personne peut entraîner des changements spectaculaires dans l’interprétation des résultats.

Le contrôle des autres aliments consommés peut alors fausser davantage les résultats, de sorte qu’un aliment nocif semble bénéfique ou vice versa.

Mme Tomova a ajouté : « En raison des grandes différences entre les études individuelles, nous avons tendance à nous fier aux articles de synthèse pour obtenir une estimation moyenne de la question de savoir si, et dans quelle mesure, un aliment particulier provoque un problème de santé particulier.

Malheureusement, comme la plupart des études ont des approches différentes pour contrôler le reste du régime alimentaire, il est probable que chaque étude estime une quantité très différente, ce qui rend la « moyenne » plutôt insignifiante. »

La recherche, qui a été financée par l’Alan Turing Institute, a identifié le problème en utilisant de nouvelles méthodes d' »inférence causale », popularisées par Judea Pearl, l’auteur de « The Book of Why ».

L’auteur principal, le Dr Peter Tennant, professeur associé en sciences des données de santé à la faculté de médecine de Leeds, a expliqué : « Lorsque vous ne pouvez pas mener d’expérience, il est très difficile de déterminer si, et dans quelle mesure, quelque chose cause quelque chose d’autre.

« C’est pourquoi on dit que ‘corrélation n’égale pas causalité’. Ces nouvelles méthodes d' »inférence causale » promettent de nous aider à identifier les effets causaux à partir des corrélations, mais ce faisant, elles ont également mis en évidence un certain nombre de domaines que nous ne comprenions pas entièrement. »

Les auteurs espèrent que cette nouvelle recherche aidera les spécialistes de la nutrition à mieux comprendre les problèmes liés au contrôle inapproprié de l’apport énergétique total et du régime alimentaire global, et à mieux comprendre les effets du régime alimentaire sur la santé.

Le Dr Tennant a ajouté : « Différentes études peuvent fournir des estimations différentes pour toute une série de raisons, mais nous pensons que ce problème statistique peut expliquer une grande partie des désaccords. Heureusement, ce problème peut être facilement évité à l’avenir. »

Source :https://academic.oup.com/ajcn/advance-article/doi/10.1093/ajcn/nqac188/6759427