Qu’est-ce qu’une méta-analyse ? Lire un résultat combiné

Chaque étude fournit une estimation, comme un risque relatif ou une différence de moyennes, avec son incertitude. La méta-analyse combine les estimations adaptées selon une méthode définie ; elle ne calcule pas une simple moyenne de tous les nombres publiés. Les études précises reçoivent souvent plus de poids, selon la méthode et le modèle.

Le résultat résume les preuves introduites dans l’analyse sous ses hypothèses. Il ne représente pas automatiquement l’effet dans tous les contextes. Un intervalle étroit ne répare ni un résultat mal transcrit, ni une étude biaisée, ni une combinaison de questions inadaptée. Examinez ces problèmes avant et après le calcul.

Une revue systématique définit une question, recherche les données, applique des critères d'éligibilité, évalue les études et synthétise les résultats. La méta-analyse est une méthode possible de cette synthèse. Combiner des études choisies par commodité ne rend pas la recherche systématique ; une revue rigoureuse peut renoncer à une combinaison inappropriée.

Devant une méta-analyse annoncée comme regroupant vingt études, demandez comment elles ont été trouvées, si plusieurs publications concernent les mêmes participants et quels résultats manquent. Le nombre ne garantit pas l'exhaustivité. Consultez le guide de la revue systématique pour l'ensemble du processus.

Définissez d’abord la question et la quantité à estimer. Populations, interventions ou expositions, comparateurs, résultats et échéances doivent être assez compatibles pour que leur combinaison ait un sens. Les études ne doivent pas être identiques, mais leurs différences exigent une justification scientifique.

Vérifiez ensuite l’indépendance et la disponibilité des données. Plusieurs rapports sur les mêmes participants, des mesures répétées ou des témoins partagés peuvent créer des estimations corrélées. Les traiter comme indépendantes peut sous-estimer l’incertitude. Une estimation ponctuelle peut aussi être inutilisable sans une mesure d’incertitude appropriée ou des informations permettant de la dériver.

Les situations fictives ci-dessous concernent toutes un résultat prévu à 12 semaines. Elles illustrent l’entrée dans cette synthèse, pas l’évaluation d’un produit. Des données manquantes ou une échéance incompatible peuvent exclure un résultat du calcul sans exclure une étude par ailleurs éligible de toute la revue.

Le risque relatif compare des probabilités d’événement. L’odds ratio compare des cotes : la probabilité divisée par un moins cette probabilité. Ils ne sont pas interchangeables, surtout lorsque les événements sont fréquents. La différence de moyennes conserve l’unité d’origine ; la différence standardisée s’exprime par rapport à la variabilité. Cochrane explique ces mesures.

Pour un ratio, l’absence de différence vaut 1 ; pour une différence, généralement 0. Un ratio inférieur à 1 n’est pas intrinsèquement bénéfique : vérifiez l’événement, le groupe au numérateur et la définition du résultat. Un effet relatif nécessite un risque de référence pertinent pour exprimer son impact absolu.

Les ratios sont souvent analysés sur une échelle logarithmique. Comme log(1) = 0, un intervalle symétrique autour de l’estimation logarithmique devient asymétrique après exponentiation. Ce n’est pas une erreur graphique. L’exemple utilise des log-risques relatifs pour expliciter le calcul ; aucun événement ni intervention réels ne sont définis.

Pour des calculs et conversions plus détaillés, consultez le guide du d de Cohen, du g de Hedges, des odds ratios et des risques relatifs (en anglais). Conservez avec chaque estimation la mesure, le sens de comparaison, les unités et le suivi.

Ces données sont entièrement synthétiques. Trois études indépendantes ont des log-risques relatifs de 0.10, 0.20 et 0.30, chacun avec une erreur standard de 0.10. Le calcul utilise un effet commun, des poids inverses des variances et un intervalle à 95 % par approximation normale. Les erreurs standards égales donnent des poids égaux : ce n’est ni un exemple de pondération inégale ni une preuve sur une intervention réelle.

Chaque variance vaut 0.10² = 0.01, donc chaque poids vaut 100 et leur somme 300. La moyenne pondérée est (100 × 0.10 + 100 × 0.20 + 100 × 0.30) / 300 = 0.20. L'erreur standard combinée est √(1 / 300) = 0.057735. Avec 1.96 erreurs standards, l'intervalle logarithmique est approximativement 0.08684 à 0.31316.

Après exponentiation, le risque relatif combiné est 1.221, avec un intervalle de confiance à 95 % de 1.091 à 1.368. Chaque étude fournit un tiers du poids ; les pourcentages affichés sont arrondis. Sans événement ni comparateur réels, aucune direction de bénéfice ne peut être attribuée. Un ratio supérieur à 1 signifie seulement une probabilité plus élevée au numérateur dans cet exemple.

Le marqueur du forest plot situe chaque estimation et la ligne horizontale son intervalle. La référence verticale est 1. Le losange est centré sur 1.221 et s'étend de 1.091 à 1.368. Sa faible largeur décrit la précision sous ce modèle, pas le biais ni l'applicabilité. Le tableau présente les mêmes valeurs.

Un modèle à effet commun, souvent appelé à effet fixe ici, suppose que les études estiment un même effet sous-jacent. Un modèle à effets aléatoires permet des effets différents et résume leur distribution. Choisissez selon la question et les différences plausibles, pas uniquement selon un seuil de test d’hétérogénéité. Cochrane présente les hypothèses et méthodes.

L’hétérogénéité clinique ou méthodologique concerne les participants, contextes, plans et mesures. L’hétérogénéité statistique décrit la variation au-delà de l’erreur d’échantillonnage sous le modèle. I² résume une incohérence relative ; ce n’est ni la proportion d’études de mauvaise qualité ni la taille d’effet. Il peut être incertain, surtout avec peu d’études. La variance interétudes τ² décrit un autre aspect de la variation.

Un modèle à effets aléatoires ne répare pas une combinaison inadéquate et ne supprime pas les biais. Les résultats dépendent de l’estimateur de variance et du calcul de l’intervalle, surtout avec peu d’études. Un intervalle de prédiction décrit la dispersion des effets sous-jacents dans des contextes comparables sous des hypothèses supplémentaires. Il diffère de l’intervalle de confiance autour de la moyenne et ne garantit pas le résultat d’une nouvelle étude.

Utilisez des sous-groupes ou analyses de sensibilité prévus pour examiner les différences pertinentes, et signalez les changements exploratoires. Pour vérifier ensuite l’implémentation logicielle, le guide des outils de méta-analyse couvre les données d’entrée, le code et les traces nécessaires à une analyse reproductible.

Les biais des études peuvent se transmettre à l'estimation combinée. La pondération ne corrige ni les résultats sélectionnés ni les défauts de conduite. Évaluez les risques selon le plan d'étude et le résultat concerné. Voir Cochrane, chapitre 7.

Des résultats absents peuvent déformer l'ensemble disponible. L'asymétrie d'un funnel plot ne prouve pas à elle seule un biais de publication ; une figure rassurante ne prouve pas l'absence de données manquantes. Voir le chapitre 13.

Un intervalle excluant la valeur nulle ne dit pas si l'effet est important, applicable ou étayé avec certitude. Lisez taille et incertitude avec les limites, l'incohérence et le caractère indirect des preuves. Le chapitre 14 de Cochrane présente le cadre pertinent.

• Interpréter seulement après vérification des données sources et de l’identité des études.

• Lire les analyses de sensibilité et les décisions sur les données manquantes avec l’estimation principale.

• Distinguer preuves insuffisantes et preuves d’absence d’un effet important.

• Faire apparaître les limites importantes dans la conclusion, pas seulement dans une annexe technique.

Si l’estimation combinée ne répond pas à la question, adoptez une alternative explicite. Des tableaux structurés ou graphiques sans combinaison peuvent rendre les résultats visibles ; d’autres questions appellent une synthèse qualitative ou une autre méthode. Expliquez regroupements et comparaisons au lieu de compter les résultats significatifs. Cochrane présente les alternatives méthodologiques, et le guide du travail de synthèse les relie aux outils.

Quelle que soit la méthode, conservez les données et raisons permettant de reprendre l’analyse. Le guide PRISMA explique le lien entre méthodes, résultats et rapport. Choisir et vérifier le logiciel constitue une étape suivante distincte ; cela ne décide pas si la question justifie la combinaison.