Calculateur de corrélation intraclasse (CCI)

Utilisez le coefficient de corrélation intraclasse lorsque vous devez évaluer la cohérence des évaluateurs ou des mesures. Si plusieurs juges notent les mêmes essais, ou si un test médical est répété sur les mêmes patients, l'ICC vous dit si les évaluations concordent — pas seulement corrèlent, mais produisent réellement des valeurs similaires. C'est la mesure standard pour la fiabilité inter-évaluateurs en recherche clinique, psychologie et évaluation de la qualité.

Qu'est-ce que la corrélation intraclasse ?

Le coefficient de corrélation intraclasse (ICC) mesure la fiabilité et l'accord pour les mesures continues. Il est utilisé lorsque plusieurs évaluateurs ou occasions de mesure sont impliqués.

Question à laquelle il répond : « À quel point les mesures sont-elles cohérentes entre les évaluateurs ou à travers les occasions ? »

Plage : 0 à 1 (peut être négatif théoriquement)

• ICC = 0 : Pas de fiabilité
• ICC = 1 : Fiabilité parfaite

Quand utiliser l'ICC

Fiabilité inter-évaluateurs

Plusieurs évaluateurs notent les mêmes sujets :

• Juges notant des performances
• Cliniciens évaluant la sévérité des symptômes
• Codeurs catégorisant des réponses

Fiabilité test-retest

Même mesure à plusieurs occasions :

• Lectures répétées de tension artérielle
• Réponses à un sondage au fil du temps
• Évaluations de performance

Fiabilité intra-évaluateur

Même évaluateur à plusieurs occasions :

• Cohérence d'un seul évaluateur

Formes et modèles ICC

Il existe plusieurs formulations ICC — choisir correctement est crucial.

Trois décisions

1. Modèle (aléatoire vs fixe)

• Aléatoire à un facteur : Chaque sujet évalué par différents évaluateurs (rare)
• Aléatoire à deux facteurs : Les évaluateurs sont un échantillon aléatoire d'une population plus large
• Mixte à deux facteurs : Les évaluateurs sont les seuls évaluateurs d'intérêt (fixe)

2. Type (unique vs moyen)

• Mesures uniques : Fiabilité d'un seul évaluateur
• Mesures moyennes : Fiabilité de la moyenne de k évaluateurs

3. Définition (cohérence vs accord)

• Cohérence : Classement relatif (ignore les différences systématiques)
• Accord absolu : Scores exacts (inclut les différences systématiques)

Notation ICC

La notation standard est ICC(Modèle, Type) :

Les formules

Deux facteurs aléatoire, mesure unique, accord absolu : ICC(2,1)

$ICC(2,1) = \frac{MS_R - MS_E}{MS_R + (k-1)MS_E + \frac{k}{n}(MS_C - MS_E)}$

Où :

• $MS_R$ = carré moyen pour les lignes (sujets)
• $MS_C$ = carré moyen pour les colonnes (évaluateurs)
• $MS_E$ = carré moyen de l'erreur
• $k$ = nombre d'évaluateurs
• $n$ = nombre de sujets

Deux facteurs mixte, mesure unique, cohérence : ICC(3,1)

$ICC(3,1) = \frac{MS_R - MS_E}{MS_R + (k-1)MS_E}$

Exemple de calcul

3 évaluateurs notent 10 sujets :

Décomposition ANOVA :

• MS_R (sujets) = 245,6
• MS_C (évaluateurs) = 12,4
• MS_E (erreur) = 8,2

ICC(2,1) :

$ICC(2,1) = \frac{245,6 - 8,2}{245,6 + 2(8,2) + \frac{3}{10}(12,4 - 8,2)} = \frac{237,4}{263,26} = 0,90$

Interprétation : Excellente fiabilité (ICC = 0,90).

Directives d'interprétation

Standards spécifiques au contexte

• Décisions cliniques : ICC > 0,90 préféré
• Recherche : ICC > 0,70 souvent acceptable
• Dépistage : ICC > 0,80 recommandé

Intervalles de confiance

Utilisez la distribution F pour construire les IC :

$F_L = \frac{MS_R}{MS_E \times F_{1-\alpha/2}}$

Rapportez les IC à 95% pour montrer la précision de l'estimation ICC.

Exemple : ICC = 0,85 [IC 95% : 0,72, 0,93]

Choisir le bon ICC

Organigramme

1. Les évaluateurs sont-ils fixes ou aléatoires ?

   • Fixes (évaluateurs spécifiques d'intérêt) → Deux facteurs mixte
   • Aléatoires (échantillon de la population) → Deux facteurs aléatoire
   • Différents évaluateurs pour chaque sujet → Un facteur

2. Évaluateur unique ou moyenne des évaluateurs ?

   • Utiliser le score d'un évaluateur → Unique
   • Faire la moyenne de plusieurs évaluateurs → Moyen

3. La différence systématique est-elle importante ?

   • Oui (besoin d'accord exact) → Accord absolu
   • Non (le classement relatif compte) → Cohérence

Scénarios courants

ICC vs corrélation

Corrélation de Pearson

• Mesure la relation linéaire
• Ignore le biais systématique
• Toujours entre -1 et +1

ICC

• Mesure l'accord/fiabilité
• Peut tenir compte du biais systématique (accord absolu)
• Dépend de la variabilité de la population

Exemple : Deux évaluateurs avec une corrélation parfaite (r = 1,0) mais l'un note toujours 10 points plus haut :

• Pearson r = 1,0
• ICC (cohérence) = 1,0
• ICC (accord absolu) < 1,0

Erreur standard de mesure

À partir de l'ICC, calculez l'ESM :

$ESM = ET \times \sqrt{1 - ICC}$

Cela estime l'erreur de mesure dans les unités originales.

Changement minimum détectable

$CMD = 1,96 \times \sqrt{2} \times ESM = 2,77 \times ESM$

Le changement doit dépasser le CMD pour être considéré comme réel (pas une erreur de mesure).

Applications

Imagerie médicale

Accord entre radiologues lisant des scans.

Kinésithérapie

Fiabilité des mesures d'amplitude de mouvement.

Psychologie

Accord entre cliniciens sur les évaluations de diagnostic.

Éducation

Cohérence de la notation des essais entre enseignants.

Sciences du sport

Fiabilité des tests de performance.

Rapporter les résultats

Format standard :

« La fiabilité inter-évaluateurs a été évaluée en utilisant un modèle à effets mixtes à deux facteurs avec accord absolu. L'ICC était de 0,87 (IC 95% : 0,79-0,93), indiquant une bonne fiabilité. »

Rapport complet :

« Trois évaluateurs formés ont noté indépendamment 50 échantillons d'écriture. La fiabilité inter-évaluateurs a été évaluée en utilisant l'ICC(3,1) pour l'accord absolu. L'ICC à mesures uniques était de 0,85 (IC 95% : 0,76-0,91), indiquant une bonne fiabilité. L'ICC à mesures moyennes était de 0,94 (IC 95% : 0,90-0,97). »

Erreurs courantes

Utiliser la mauvaise forme ICC

Choisir la cohérence quand l'accord absolu compte (ou vice versa).

Ne pas rapporter l'IC

L'ICC est estimé à partir d'un échantillon — incluez toujours l'intervalle de confiance.

Confondre avec Kappa

L'ICC est pour les données continues ; le kappa de Cohen est pour les données catégorielles.

Ignorer la structure de variance

L'ICC dépend de la variabilité inter-sujets. Un ICC faible peut refléter des sujets homogènes plutôt que de mauvais évaluateurs.

Facteurs affectant l'ICC

Variabilité inter-sujets

Plus de variabilité → ICC plus élevé (si les évaluateurs sont cohérents)

Variabilité intra-sujet

Plus d'erreur de mesure → ICC plus faible

Nombre d'évaluateurs/occasions

Plus d'évaluateurs → ICC plus élevé (pour les mesures moyennes)

Restriction de plage

Plage étroite de scores → ICC plus faible

Valeurs ICC négatives

Théoriquement possible quand :

• Variance intra-sujet > variance inter-sujets
• Indique souvent un problème avec les données ou le design
• Généralement interprété comme 0

Contexte historique

Le concept d'ICC a été développé par Ronald Fisher dans les années 1920 pour analyser les traits héréditaires. Shrout et Fleiss (1979) ont clarifié les différentes formes et leurs utilisations appropriées, établissant la notation encore utilisée aujourd'hui.

Calculs associés

• Alpha de Cronbach — Cohérence interne
• Corrélation de Pearson — Relation linéaire
• Calculateur d'erreur standard — Précision de mesure
• Analyse de Bland-Altman — Comparaison de méthodes

Résumé

Le coefficient de corrélation intraclasse mesure la fiabilité et l'accord pour les mesures continues entre évaluateurs ou occasions. Choisissez la forme ICC appropriée selon votre design : modèle à un facteur vs deux facteurs, mesures uniques vs moyennes, et cohérence vs accord absolu. ICC > 0,75 indique une bonne fiabilité ; > 0,90 est excellent. Rapportez toujours les intervalles de confiance et précisez quelle forme ICC a été utilisée. Calculez l'ESM et le CMD pour interpréter la fiabilité en unités de mesure.