Analyses de classification automatisée

Les ACA visent à dégager la structure d’un ensemble hétérogène, en créant des groupes qui partagent des caractéristiques similaires. Elles permettent de se représenter chacun de ces groupes et de mieux saisir leurs particularités (Everitt et al., Reference Everitt, Landau and Leese2001; Hair et al., Reference Hair, Black, Babin and Anderson2010). En outre, elles génèrent une matrice de calculs intermédiaires qui permet, dans un deuxième temps, de classer un objet (ici une RPA) dans l’un des groupes de la classification produite dès que les informations requises sont disponibles. L’utilisation d’ACA implique plusieurs décisions d’ordre méthodologique. Hair et collaborateurs (2010) regroupent ces décisions en une série d’étapes qui concernent respectivement : l’objectif poursuivi et les variables de regroupement; l’échantillon et la préparation des données; les stratégies de regroupement; l’interprétation des groupes et la validation de la classification.

La première étape consiste à déterminer (a) le but poursuivi ainsi que (b) les variables à utiliser pour construire la classification. (a) Les ACA peuvent être utilisées dans une perspective exploratoire ou confirmatoire, la perspective exploratoire étant la plus fréquente. (b) L’inclusion d’une variable « non pertinente » peut modifier les regroupements effectués. Par conséquent, une variable ne devrait être incluse que si elle peut contribuer à définir la structure du phénomène à l’étude (Everitt et al., Reference Everitt, Landau and Leese2001). La deuxième étape concernent : (a) la taille de l’échantillon; (b) la détection des données extrêmes; (c) l’identification d’une mesure de distance; (d) l’examen de la colinéarité entre les variables; et (e) la transformation des variables. (a) Une des particularités des ACA est qu’il n’existe pas de formule mathématique pour déterminer la taille d’échantillon requise (Dolnicar, Reference Dolnicar2002). De plus, la présence de données manquantes est particulièrement complexe à gérer. Hair et collaborateurs (2010) conseillent de ne considérer que les participants sans données manquantes. Conséquemment, il faut prévoir une taille d’échantillon suffisamment importante pour, d’une part, maximiser le nombre d’observations par variable de regroupement, et d’autre part, prévoir un certain pourcentage de participants inutilisables. (b) La détection des données extrêmes est importante car plusieurs stratégies de regroupement sont fortement influencées par celles-ci. Il importe donc de déterminer si elles sont de réelles données extrêmes ou si elles témoignent de la présence d’un sous-groupe marginal. (c) et (d) Un des principes clés de l’ACA est l’identification de la proximité entre les objets sur l’ensemble des variables choisies. Un calcul de distance entre toutes les paires d’observations est alors nécessaire. Plusieurs mesures de distance existent (ex. : euclidienne, Manhattan, Mahalanobis). Le choix de la mesure est principalement déterminé par la nature des variables sélectionnées et leur niveau de colinéarité (Everitt et al., Reference Everitt, Landau and Leese2001; Gordon, Reference Gordon1999; Hair et al., Reference Hair, Black, Babin and Anderson2010; Milligan, Reference Milligan1980). Le niveau d’interdépendance entre les variables doit donc être examiné. (e) La majorité des stratégies de regroupement ne peut être employée avec des variables de nature différente (ex. : dichotomique et continue). De plus, même lorsque les variables sont de même nature, elles doivent être d’échelle identique. Si tel n’est pas le cas, il est recommandé de transformer les variables, par exemple, en utilisant le score Z (Gordon, Reference Gordon1999; Milligan & Cooper, Reference Milligan and Cooper1988).

L’étape suivante concerne le choix de la ou des stratégies de regroupement. Il existe deux grandes familles de stratégies : hiérarchiques (ex. : single linkage, complete, Ward) et non-hiérarchiques (ex. : k-means, k-modes). Ces méthodes reposent sur des principes d’agglomération distincts; elles ont chacune des avantages et des inconvénients (Everitt et al., Reference Everitt, Landau and Leese2001; Hair et al., Reference Hair, Black, Babin and Anderson2010; Milligan, Reference Milligan1980; Xu & Wunsch, 2008). Puisque les méthodes hiérarchiques et non hiérarchiques se complètent, plusieurs auteurs recommandent : 1) de varier les méthodes hiérarchiques utilisées et d’examiner la convergence des résultats; 2) d’identifier le nombre de groupes et leurs centres respectifs; et 3) d’utiliser ces informations (nombre et centres des groupes) dans une méthode non-hiérarchique (Hair et al., Reference Hair, Black, Babin and Anderson2010; Punj & Stewart, Reference Park, Zimmerman, Sloane, Gruber-Baldini and Eckert1983).

Enfin, la dernière étape se rapporte aux épreuves de validation. Ces épreuves permettent d’identifier la classification optimale d’un point de vue statistique et clinique. Statistiquement, la « meilleure » classification est celle qui crée des groupes distincts et homogènes (Kovacs, Legany, & Babos, Reference Kovacs, Legany and Babos2006). Selon Weissert et Musliner (1992), un coefficient de variation (CV) inférieur à 0,5 indique que l’homogénéité du groupe est acceptable. Pour identifier de bonnes classifications, on recommande également l’évaluation visuelle des groupes de chacune des classifications générées à l’étape précédente, l’utilisation de critères statistiques (ex. : pseudo t², pseudo-F de Calinski) et la prise en compte de considérations pratiques (ex. : nombre raisonnable d’objets par groupe) (Everitt et al., Reference Everitt, Landau and Leese2001; Hair et al., Reference Hair, Black, Babin and Anderson2010; Kettenring, Reference Kettenring2006; Milligan & Cooper, Reference Milligan and Cooper1985; Salem & Nandi, Reference Punj and Stewart2009; Xu & Wunsch, 2008).

Certains auteurs déplorent le peu de considération donnée aux épreuves de validation (Clatworthy, Buick, Hankins, Weinman, & Horne, Reference Clatworthy, Buick, Hankins, Weinman and Horne2005; Kaufman & Rousseeuw, Reference Kaufman and Rousseeuw1990). Pourtant, il s’agit d’une étape importante, car elle permet de s’assurer que la structure de la classification n’est pas due au hasard (Lange, Roth, Braun, & Buhmann, Reference Lange, Roth, Braun and Buhmann2004). L’examen de la reproductibilité des résultats générés par les différentes méthodes de regroupement permet, par le biais d’un pourcentage d’accord, de s’assurer que tel n’est pas le cas (Lange et al., Reference Lange, Roth, Braun and Buhmann2004; Salem & Nandi, Reference Punj and Stewart2009). De plus, un processus de validation croisée permet d’apprécier la stabilité de la classification, au moyen du coefficient Kappa (Hair et al., Reference Hair, Black, Babin and Anderson2010; Punj & Stewart, Reference Park, Zimmerman, Sloane, Gruber-Baldini and Eckert1983). Landis et Koch (1977) suggèrent d’interpréter le Kappa comme suit : faible (0,00–0,40), modéré (0,41–0,60), fort (0,61–0,80) et presque parfait (0,81–1,00). Enfin, d’un point de vue clinique, la « meilleure » classification est celle qui crée des groupes utiles aux futurs utilisateurs (Hair et al., Reference Hair, Black, Babin and Anderson2010). L’emploi de variables illustratives (variables non utilisées pour développer la classification mais connues pour différer entre les groupes) ainsi que le jugement d’experts viennent appuyer l’utilité et la pertinence de la classification générée (Everitt et al., Reference Everitt, Landau and Leese2001; Hair et al., Reference Hair, Black, Babin and Anderson2010; Kettenring, Reference Kettenring2006; Milligan & Cooper, Reference Milligan and Cooper1985; Salem & Nandi, Reference Punj and Stewart2009; Xu & Wunsch, 2008).

Participants

Toutes les RPA inscrites au registre public des résidences pour personnes âgées du Québec étaient visées par la présente étude, à l’exception de celles de l’Estrie, du Nord du Québec et du Nunavik. Celles de l’Estrie ont été écartées parce qu’elles avaient participé quelques mois auparavant à l’évaluation de la fidélité du questionnaire utilisé pour la collecte des données. Deux autres critères d’exclusion ont été appliqués : effectuer des rénovations majeures au moment de la collecte de données et avoir une vocation exclusive en santé mentale, en déficience physique ou en déficience intellectuelle.

Variables et instrument de mesure

Le développement de la présente classification s’inscrit dans une perspective exploratoire. Les variables retenues pour développer la classification sont issues du questionnaire de l’environnement physique et organisationnel, appelé EPO. Ce questionnaire auto-administré permet de décrire 13 dimensions de l’environnement physique et organisationnel des RPA, par exemple les aires communes, la sécurité, les politiques d’admission et les services offerts. Chaque dimension s’apprécie par le biais d’un score sur 100. Plus ce score est élevé, plus la RPA est pourvue en ressources matérielles, humaines et organisationnelles liées à la dimension concernée. La décision de privilégier le score des dimensions de ce questionnaire s’appuie sur des considérations théoriques et cliniques. D’une part, ces dimensions sont reconnues utiles pour se représenter un milieu de vie ou pour rencontrer adéquatement les différents besoins des personnes âgées qui y demeurent (Lawton, Weisman, Sloane, & Calkins, Reference Lawton, Weisman, Sloane and Calkins1997; Regnier & Scott, Reference Parker, Barnes, McKee, Morgan, Torrington and Tregenza2001). D’autre part, les items composant chacun des scores du questionnaire EPO ont été identifiés comme essentiels, suite à une consultation Delphi menée auprès de 48 experts québécois (Lestage, Dubuc, & Bravo, Reference Lestage, Dubuc and Bravo2008). Enfin, le questionnaire EPO ne requière pas la présence d’un examinateur externe et présente de bonnes qualités psychométriques (Lestage, Dubuc et Bravo, Reference Lestage, Dubuc and Bravo2009).

Collecte de données

Les responsables d’une RPA ont reçu, par la poste et à leur attention personnelle, une lettre explicative de l’étude, le questionnaire EPO accompagné de son guide de consignes et de directives, une fiche de consentement, une fiche de désistement, une fiche d’informations sociodémographiques ainsi qu’une enveloppe-réponse préadressée et affranchie. Trois semaines plus tard, un appel téléphonique a permis de vérifier si le responsable avait bien reçu les documents. Bien qu’il soit recommandé d’effectuer une deuxième relance auprès des non-répondants (Dillman, Reference Dillman2000), aucune autre tentative n’a été effectuée auprès de ces derniers, à la demande du Comité d’éthique de la recherche de notre établissement. Nous avons toutefois rappelé les responsables qui avaient omis de répondre à certaines questions.

Analyse de données

Après avoir décrit les caractéristiques des RPA participantes à l’aide de fréquence et de moyenne, nous avons procédé aux analyses de classification automatisée (ACA) en respectant les étapes préalablement exposées. Nous avons calculé un score Z pour chacune des variables afin d’établir leur écart à la moyenne et ainsi détecter la présence de données extrêmes. Puisque les variables de regroupement étaient de nature continue, nous avons étudié la matrice des corrélations pour établir leur niveau de colinéarité. Pour les paires de variables trop fortement corrélées entre elles, nous avons retiré une variable par paire identifiée. Comme mesure de distance, nous avons utilisé la distance euclidienne qui permet une interprétation simple et rapide de l’écart entre deux observations (Hair et al., Reference Hair, Black, Babin and Anderson2010). Enfin, la standardisation des données n’était pas nécessaire puisque la nature et l’échelle des variables étaient identiques.

Nous avons utilisé les méthodes hiérarchiques de Ward, average et complete, chacune produisant des classifications potentielles. Nous avons employé la représentation par dendrogramme, le pseudo-F de Calinski (Calinski & Harabasz, Reference Calinski and Harabasz1974) comme règle d’arrêt et certains critères pratiques (ex. : nombre raisonnable de résidences par groupe, nombre de groupes aisé à manipuler) afin d’identifier le nombre de groupes acceptable ainsi que les centres de chacun de ces groupes, et ce, pour chacune des classifications générées. Ces informations furent ensuite utilisées avec la méthode non-hiérarchique k-means. Les classifications ainsi générées ont ensuite été examinées attentivement. Nous avons calculé un coefficient de variation pour chacun des groupes de chacune des classifications afin de mesurer leur homogénéité. La reproductibilité a été étudiée par le biais d’un pourcentage d’accord entre les classifications produites par les différentes méthodes d’ACA employées. La stabilité a été testée par la procédure de validation croisée suggérée par Punj et Stewart (1983). Celle-ci consiste à estimer un coefficient Kappa entre les résultats dérivés de deux sous-échantillons. La mise en commun de tous ces paramètres nous a amené à rejeter un certain nombre de classifications et à identifier les plus pertinentes d’un point de vue statistique. Ces dernières ont été soumises à un groupe d’experts composé de cliniciens expérimentés dans le processus d’orientation des personnes âgées. Cette consultation d’experts avait pour but d’évaluer la pertinence clinique ainsi que l’utilité des classifications présentées. Afin de faciliter et de soutenir les discussions du groupe d’experts, un document de travail leur avait été préalablement remis. On y retrouvait la description de l’étude ainsi que la présentation de chacune des classifications jugées statistiquement pertinentes. De plus, les groupes de ces classifications étaient décrits à l’aide de variables illustratives (ex. : services spécifiques, clientèle, taille) et des dimensions de l’EPO. La statistique du khi-carré et l’analyse de variance univariée avec correction de Bonferroni ont servi à comparer les différents groupes sur ces variables.

Toutes les analyses statistiques ont été réalisées à l’aide du progiciel SPSS, version 15.0.

Échantillon

Au moment de la collecte des données, 2 262 RPA étaient inscrites au registre. De celles-ci, 334 ne satisfaisaient pas aux critères d’inclusion. Sur les 1 928 admissibles, 552 (29%) responsables ont retourné le questionnaire. Ceux-ci étaient répartis dans les 14 régions socio-sanitaires du Québec. Les responsables participants et non-participants sont comparables en ce qui a trait au sexe (p = 0,212). Cependant, ceux de résidence de moins de 100 lits (p < 0,001) et localisés en zone rurale (p = 0,003) ont davantage participé. En nombre absolu, l’échantillon comprend toutefois davantage de RPA situées en zone urbaine. Le tableau 1 présente quelques caractéristiques des RPA participantes. On y remarque que celles-ci varient au plan de l’environnement physique (bâtiment, ascenseur, unités locatives) et organisationnel (clientèle et services offerts).

Tableau 1 : Caractéristiques des 552 RPA participantes

* plus d’une réponse possible.

Analyse de classification automatisée

Les données ont d’abord été examinées à l’aide d’un score Z, afin de déceler la présence de données extrêmes. Soixante-cinq données potentiellement aberrantes ont ainsi été identifiées. Les analyses ont été effectuées avec et sans ces données, et aucune différence significative n’a été notée. Les 552 RPA ont donc été incluses dans les analyses. L’examen de la matrice des corrélations a révélé que deux paires de variables étaient fortement corrélées. La première paire concernait les politiques d’admission et les politiques de rétention (r de Pearson = 0,92); la seconde concernait l’environnement supportant l’autonomie et le confort, l’intimité et la personnalisation (r = 0,87). Nous avons retiré une dimension par paire identifiée conformément à la visée clinique de l’étude, soit de soutenir les intervenants dans le processus d’orientation. Conséquemment, les scores des 11 dimensions suivantes de l’EPO ont été utilisés : espaces communs, environnement supportant l’autonomie, équipement spécialisé, sécurité, contrôle personnel, activités récréatives, politiques d’admission, clarté des politiques, offre de services, personnel et déficits cognitifs.

Après avoir combiné les différentes méthodes de classification et stratégies de regroupement, nous avons considéré différents paramètres statistiques (cf. tableau 2) afin d’écarter les classifications moins intéressantes. Le pseudo-F de Calinski a permis de guider le nombre optimal de groupe. Les meilleurs résultats provenaient des classifications à cinq groupes pour lesquelles la valeur du pseudo-F était maximisée. Le pourcentage de reproductibilité entre les classements issus des différentes méthodes de regroupement variait entre 75 pour cent et 90 pour cent. L’examen des coefficients de variation des groupes générés par chacune des classifications démontra qu’ils étaient tous homogènes (CV < 0,5). Ce paramètre ne s’est donc pas avéré discriminant. Ensuite, pour réaliser la validation croisée, nous avons divisé aléatoirement l’échantillon principal en deux sous-échantillons comprenant respectivement 75 % (n = 411) et 25 % (n = 141) des résidences. Les deux sous-échantillons étaient comparables en ce qui a trait aux 11 variables de regroupement (p = 0,181 à 0,940), à la région géographique (p = 0,564) et à la taille de la résidence (p = 0,988). La stabilité des classifications a été établie par les Kappas obtenus, lesquels variaient de 0,48 à 0,88.

Tableau 2 : Valeurs des différents paramètres statistiques examinés pour choisir les meilleures classifications à 5, 6 et 7 groupes

L’examen visuel des groupes et des dendrogrammes générés et l’appréciation des paramètres statistiques ne permettent pas d’identifier la classification la plus pertinente. Ce choix résulte davantage d’un équilibre entre des considérations d’ordre statistique et pratique (Hair et al., Reference Hair, Black, Babin and Anderson2010; Kettenring, Reference Kettenring2006). Seuls des experts cliniciens peuvent évaluer dans quelle mesure une classification donnée reflète la réalité « terrain ». Nous avons donc présenté à un comité d’experts « la meilleure » classification à 5 groupes, à 6 groupes et à 7 groupes telles que soutenues par les paramètres statistiques et le jugement de deux membres de l’équipe.

Choix de la classification finale

Le comité d’experts était composé de huit professionnels de la santé impliqués dans le processus d’orientation des personnes âgées. Les membres étaient âgés en moyenne de 44 ans (± 11 ans) et sept d’entre eux étaient des femmes. La moitié des membres travaillaient en soutien à domicile, alors que les autres œuvraient en milieu hospitalier. Ils avaient en moyenne plus de sept ans d’expérience dans leur fonction actuelle et plus de 11 ans d’expérience auprès de personnes âgées.

Cette rencontre de trois heures a permis aux experts d’échanger sur les avantages et les inconvénients de chacune des classifications et sur leur pertinence clinique. À l’aide de RPA connues de tous les experts, des exercices d’assignation manuelle ont été faites. À la fin de la rencontre, les experts ont individuellement ordonné leurs préférences quant aux classifications proposées. Tous les membres préféraient la classification à 5 groupes créée à partir de la méthode hiérarchique de Ward et de la méthode non-hiérarchique k-means. Cette classification assigne les RPA de manière identique dans plus de 86 pour cent des cas. De plus, elle forme des groupes homogènes (CV = 0,28) et présente une très bonne stabilité (Kappa = 0,88). De manière plus spécifique, le tableau 3 présente la moyenne et l’écart-type des 11 dimensions du questionnaire EPO ayant servi à la création des 5 groupes de la classification retenue. Le tableau 4 complète le portrait en comparant les groupes sur les variables illustratives essentielles au processus d’orientation d’une personne âgée.

Tableau 3 : Comparaison des groupes sur les variables ayant servi à construire la classification finale

_a moyenne (écart-type).

Note: La moyenne la plus élevée est en gras; la plus faible est en italique.

Tableau 4 : Comparaison des groupes sur les variables illustratives

_a Fréquence des résidences qui présentent cette caractéristique.

Note: La fréquence la plus élevée est en gras; la plus faible est en italique.

Voici une brève description de chacun des groupes. Le groupe 1 (n = 139) se caractérise par des résidences ayant peu d’équipements spécialisés et où les personnes ont peu d’occasions d’exercer leur contrôle personnel et de participer à des activités récréatives. Il se distingue par un haut pourcentage de petites résidences (≤ 9 lits) à but lucratif, offrant principalement des chambres privées. Ce groupe admet surtout des personnes âgées en très légère perte d’autonomie. Le propriétaire vit généralement sur les lieux et il assume lui-même certaines tâches telles que la préparation des repas, l’entretien ménager et la distribution de médicaments. La nuit, il assure une présence physique, mais il n’est pas forcément éveillé.

Le groupe 2 (n = 170) est similaire au groupe 1 en ce qui a trait au peu d’espaces communs accessibles aux résidents et à un environnement supportant peu l’autonomie fonctionnelle (absence de barres d’appui, de services à proximité, de buanderie, etc.). En revanche, il s’en distingue parce qu’il offre plus d’activités récréatives et qu’il admet une clientèle en plus grande perte d’autonomie. Il présente d’ailleurs la moyenne la plus élevée quant à l’offre de services. Ce groupe est composé de résidences de petite à moyenne taille (≤ 29 lits) offrant principalement des chambres privées. Ces résidences accueillent des personnes âgées ayant des déficits cognitifs et de légers troubles de comportement. Dans ce groupe, la situation typique est un propriétaire qui demeure sur les lieux et qui assiste les résidents dans leurs activités de la vie quotidienne (AVQ) et domestique (AVD), et ce, avec l’aide de quelques employés non infirmiers.

Contrairement aux deux groupes précédents, le groupe 3 (n = 58) offre davantage d’espaces communs. Les résidences de ce groupe présentent le même niveau d’équipements spécialisés et une offre similaire d’activités récréatives que les résidences du groupe 2. Le groupe 3 obtient les plus hauts scores quant à l’environnement supportant l’autonomie et l’exercice du contrôle personnel. Toutefois, il présente les plus faibles quant à l’offre de services, au personnel et aux interventions liées aux déficits cognitifs. Ce groupe est caractérisé par une forte présence de résidences privées à but non lucratif. Ce sont généralement des milieux collectifs, de grande taille (entre 30 et 99 lits), offrant principalement des appartements. Parmi tous les groupes, celui-ci accueille la clientèle la plus autonome et présente l’offre de services la plus limitée. Sauf exception, il n’y a pas de personnel infirmier ni d’assistance. Le groupe 4 (n = 72) obtient les plus hautes moyennes quant aux espaces communs accessibles aux résidents ainsi qu’à son offre d’activités récréatives. Ce groupe est caractérisé par des résidences de grande à très grande taille (100 lits et plus) qui offrent à la fois des chambres privées et des logements. Comme dans le groupe 1, les résidences de ce groupe accueillent une clientèle en légère perte d’autonomie. Elles offrent principalement des services dans les AVD. Le groupe 4 se démarque par une présence éveillée 24 heures sur 24. Plus de la moitié des résidences de ce groupe disposent de personnel infirmier et d’assistance pour dispenser les services.

Le groupe 5 (n = 113) se caractérise par l’obtention des plus hautes moyennes quant aux équipements spécialisés, à la sécurité, aux politiques d’admission (donc moins strictes), à la clarté de ses politiques organisationnelles, au personnel ainsi qu’aux interventions en lien avec les déficits cognitifs. Ce groupe est majoritairement composé de résidences privées à but lucratif de grande à très grande taille. Ces résidences accueillent des personnes âgées avec une perte d’autonomie plus importante que tous les autres groupes. Elles offrent beaucoup de services d’aide par l’entremise de leur personnel infirmier et d’assistance ainsi qu’une présence éveillée 24 heures sur 24.