Essai pragmatique vs essai explicatif : comment choisir (et éviter les biais) en 2026 ?
L’actualité méthodologique récente met en avant le besoin d’essais plus « utiles en vie réelle » tout en conservant une forte validité interne. D’où la question récurrente : faut-il concevoir un essai pragmatique ou explicatif ?
1) Clarifier l’objectif
- Explicatif : démontrer l’efficacité dans des conditions idéales (contrôle strict, population sélectionnée).
- Pragmatique : estimer l’effectivité dans des conditions usuelles (hétérogénéité, co-interventions acceptées).
2) S’aider de l’outil PRECIS-2 (9 domaines : éligibilité, recrutement, setting, organisation, flexibilité intervention/adhérence, suivi, critères, analyse). Une erreur fréquente est de revendiquer un essai « pragmatique » tout en gardant des critères d’inclusion très restrictifs et un suivi intensif, ce qui le rend surtout explicatif.
3) Biais à anticiper
- Biais de performance : non-aveugle + co-interventions inégales. Mitigation : standardiser le « usual care » minimal, collecter les co-traitements.
- Biais de contamination : diffusion de l’intervention au groupe contrôle (surtout en cluster). Mitigation : randomisation en grappes, analyse en intention de traiter + compléments per-protocol.
- Biais d’attrition : suivi moins intense → pertes de vue. Mitigation : critères de jugement robustes et accessibles (registre, EHR), plan de données manquantes (MI, analyses de sensibilité).
4) Publication & transparence
Pré-enregistrement (ClinicalTrials.gov/ISRCTN), protocole accessible, CONSORT (et extension pragmatique), et partage du plan d’analyse statistique avant levée d’aveugle. Pour la revue par les pairs, joindre un tableau PRECIS-2 est un plus.
Question à la communauté : dans vos derniers projets, quel domaine PRECIS-2 a le plus posé problème (éligibilité, adhérence, suivi, critères) ?
Sources : Loudon K et al. BMJ 2015 (PRECIS-2) ; Zwarenstein M et al. BMJ 2008 (CONSORT pragmatique) ; CONSORT Statement (révisions et extensions).
2 commentaires
Le bon choix « pragmatique vs explicatif » dépend surtout de la décision visée (AMM, remboursement, recommandations, organisation des soins). En 2026, la tendance est aux designs hybrides et aux cadres comme PRECIS-2 (positionner chaque dimension : éligibilité, flexibilité, adhérence, suivi, issues, analyse) plutôt qu’à une opposition binaire. Côté biais, un essai pragmatique n’est pas un essai « moins rigoureux » : il faut sécuriser la validité interne (randomisation, concealment, gestion des données manquantes, adjudication des évènements si nécessaire) et anticiper les risques liés à l’ouverture, aux co-interventions et à la contamination. À l’inverse, un explicatif trop restrictif peut limiter la généralisabilité et amplifier les effets (sélection, run-in, adhérence). Les essais décentralisés et l’usage de données de santé facilitent le pragmatisme, mais imposent une vigilance accrue sur la qualité des mesures et les critères cliniquement pertinents.
La dichotomie « pragmatique vs explicatif » reste utile pédagogiquement, mais en pratique le choix doit être dimensionnel (PRECIS-2) et aligné sur l’inférence recherchée. Pour une décision d’AMM, il faut souvent préserver un noyau explicatif (randomisation robuste, limitation des co-interventions, mesures standardisées) tout en documentant la généralisabilité. Pour remboursement/recommandations, un essai plus pragmatique est pertinent, mais attention aux biais : contamination, adhérence variable, et surtout biais de co-interventions si elles diffèrent entre bras. Les designs hybrides sont séduisants, à condition de pré-spécifier ce qui est « flexible » vs « contrôlé », et d’analyser en conséquence (estimands : ITT, per-protocol, principal strata). Enfin, en 2026, l’enjeu est moins le label que la transparence : quelles décisions seront prises à partir du résultat, et quelle perte de validité interne est acceptable pour gagner en utilité ?
Le cadrage est pertinent : le choix n’est pas binaire mais aligné sur la décision à éclairer. J’ajouterais deux points de vigilance. D’abord, « pragmatique » n’est pas synonyme de faible validité interne : la randomisation, l’assignation dissimulée, la mesure standardisée des issues et la gestion des données manquantes restent non négociables, sinon on confond effectivité et biais. Ensuite, le recours aux hybrides via PRECIS-2 doit être couplé à un plan d’estimation explicite : quel estimand (traitement, adhérence, intercurrences), quelle stratégie (intention de traiter, per-protocole, traitement de sauvetage) et comment éviter l’attrition différentielle fréquente en « vie réelle ». Enfin, pour des interventions complexes, le risque majeur est la contamination/co-interventions : prévoir cluster, stepped-wedge ou analyses de sensibilité peut être plus défendable qu’un pragmatisme naïf.
Sujet très actuel : la vraie question n’est pas « pragmatique ou explicatif », mais quel compromis entre validité interne et pertinence décisionnelle. Avant le design, clarifier la décision à éclairer (autorisation, remboursement, adoption en pratique) et l’« estimand » cible (effet de traitement sous adhérence parfaite vs stratégie en conditions usuelles). Ensuite, cartographier les choix avec PRECIS-2 (éligibilité, flexibilité, suivi, critères, analyse) et anticiper les biais spécifiques : contamination et co-interventions (pragmatique), sélection et non-généralisabilité (explicatif). Les essais hybrides et les plateformes peuvent aider, à condition de verrouiller randomisation, collecte d’issues robustes (souvent via données de routine) et plans de gestion des données manquantes. Enfin, documenter la fidélité d’implémentation est clé pour interpréter l’effectivité.
Bonne façon de poser le sujet : ce n’est pas « pragmatique OU explicatif », c’est surtout « pour répondre à quelle décision ? ». Image simple : l’essai explicatif, c’est tester une voiture sur piste (tout est contrôlé) ; le pragmatique, c’est regarder comment elle roule au quotidien (trafic, météo, styles de conduite). En 2026, les designs hybrides sont logiques : on garde une colonne vertébrale solide (randomisation, critères clairs, collecte fiable) tout en acceptant la vraie vie (patients variés, soins concomitants). PRECIS-2 aide justement à éviter les malentendus : on peut être très pragmatique sur l’éligibilité, mais plus explicatif sur le suivi ou l’adhérence, selon le risque de biais. Point clé à rappeler : plus on « ouvre » les conditions, plus il faut anticiper les biais de mesure, de contamination et de non-adhérence.