Les modèles à effets croisés décalés (Cross-Lagged Panel Models–CLPM) et leurs extensions avec intercept aléatoire (Random Intercept CLPM–RI-CLPM) constituent une famille d’outils statistiques permettant d’examiner les relations longitudinales et de « causalité » entre variables cliniques. Dans ce bref article d’introduction aux CLPM, à destination des cliniciens, nous utilisons un exemple fictif pour explorer les interactions entre le trouble dépressif caractérisé (TDC) et la somnolence diurne excessive (SDE). Un tel modèle permet par exemple de montrer, avec ces données, une stabilité temporelle significative des symptômes de TDC et de SDE (effets autorégressifs) ; de plus, il montre que les symptômes initiaux de TDC sont significativement associés à une aggravation de la SDE lors du suivi, tandis que l’inverse n’est pas observé – suggérant ainsi un lien asymétrique entre ces deux dimensions cliniques. Au-delà de l’intérêt de ces approches en termes de relations causales, cet exemple pratique permet de discuter les limites méthodologiques des CLPM et RI-CLPM dans l’analyse des relations temporelles complexes. Il souligne également l’intérêt d’alternatives comme les modèles multiniveaux (MLM) ou les modèles à effets croisés décalés en réseaux (CLPN), qui permettent d’encore mieux appréhender les dynamiques et interactions entre les variables utiles en médecine du sommeil.

Cross-lagged panel models (CLPM) and their extensions with random intercepts (Random Intercept CLPM–RI-CLPM) form a family of statistical tools designed to examine longitudinal and potentially “causal” relationships between clinical variables. In this brief introductory article aimed at clinicians, we use a fictional example to explore the interactions between major depressive disorder (MDD) and excessive daytime sleepiness (EDS). Such an example can reveal significant temporal stability in both MDD and EDS symptoms (autoregressive effects). Moreover, it suggests that initial MDD symptoms may be significantly associated with a worsening of EDS at follow-up, whereas the reverse is not observed–suggesting an asymmetric relationship between these two clinical dimensions. Beyond the interest of these approaches in inferring directional associations, this practical example also provides an opportunity to discuss the methodological limitations of CLPM and RI-CLPM in capturing complex temporal relationships. It further highlights the relevance of alternatives such as multilevel models (MLM) or cross-lagged panel network models (CLPN), which allow for a more refined understanding of the dynamics and interactions among clinically relevant variables in sleep medicine.