Forest plots et méta-analyse : guide pratique
Un forest plot montre la taille d’effet de chaque étude avec son intervalle de confiance, et un losange pour l’estimation combinée : une seule figure suffit pour voir si les études concordent et quelle est l’ampleur de l’effet global. Ce guide présente les données nécessaires, les effets fixes et aléatoires, l’hétérogénéité et les effets des petites études, et explique comment tracer le graphique gratuitement dans LabTools.
Dans ce guide
- Ce que montre un forest plot
- Les données nécessaires
- Effet fixe ou effets aléatoires
- Tracer un forest plot dans LabTools
- Effets des petites études et biais de publication
- Ce qu’il faut rapporter
- Questions fréquentes
Huit études, odds ratios avec IC à 95% ; l’odds ratio combiné à effet fixe est de 0.74 (IC à 95% 0.68–0.80). Voir l’exemple complet
Ce que montre un forest plot
Chaque ligne correspond à une étude : un marqueur à son estimation de l’effet et un segment horizontal pour son intervalle de confiance. Une ligne d’absence d’effet verticale se trouve à 1 pour les rapports (odds ratio, risque relatif, hazard ratio) ou à 0 pour les différences (différence de moyennes, différence de moyennes standardisée, différence de risques). En bas, un losange montre l’estimation combinée : son centre est l’effet global et sa largeur l’intervalle de confiance.
Les rapports sont tracés sur un axe logarithmique, car un odds ratio de 0.5 est aussi éloigné de l’absence d’effet qu’un odds ratio de 2, et la combinaison se fait sur l’échelle logarithmique.
Les données nécessaires
Une ligne par étude avec la taille d’effet et les bornes inférieure et supérieure de son intervalle de confiance, telles que publiées dans chaque article. Une colonne de poids est facultative : sans elle, les poids sont calculés à partir de la largeur des intervalles (inverse de la variance), si bien que les études précises comptent davantage.
L’exemple de forest plot comprend huit études avec des odds ratios et un fichier CSV téléchargeable pour suivre pas à pas.
Effet fixe ou effets aléatoires
Un modèle à effet fixe suppose que toutes les études estiment un seul effet réel et ne diffèrent que par le hasard. Un modèle à effets aléatoires suppose que l’effet réel varie d’une étude à l’autre, estime cette variance (τ²) et donne un intervalle plus large et plus prudent. Quand les études diffèrent par la population, la dose ou le protocole, les effets aléatoires sont en général le choix honnête. Tracer les deux losanges montre à quel point ce choix compte.
L’hétérogénéité se résume par le Q de Cochran (un test du désaccord entre études au-delà du hasard), l’I² (la part de la variation due à de vraies différences, de 0 à 100%) et le τ² (la variance inter-études elle-même).
Tracer un forest plot dans LabTools
- Dans Charts & Plots, cliquez sur Upload File et chargez votre tableau (CSV ou Excel), ou collez-le avec Paste Data.
- Sur la pastille Chart, choisissez Forest Plot.
- Dans Columns, choisissez la Study/Label Column, l’Effect Size Column, la CI Lower Bound Column et la CI Upper Bound Column (et éventuellement une Weight Column). La liste des études ne propose pour l’instant que les colonnes numériques : numérotez donc vos études.
- Dans Statistical Analysis, réglez l’Effect Size Type (OR, RR et HR passent à un axe logarithmique avec la ligne à 1), le Meta-Analysis Model (Fixed Effects, Random Effects ou Both) et le Confidence Level.
- Dans Layout & Typography, réglez les libellés « Favours » et Sort Studies By ; dans Publication Features, choisissez un Journal Style (APA, Nature, JAMA ou Cochrane) et l’emplacement du tableau de statistiques.
- Export (Ctrl+E) en PNG, SVG ou PDF.
Le graphique combine les effets aléatoires avec la méthode de DerSimonian–Laird. Pour REML, un intervalle de prédiction et le test d’Egger, lancez labtools stats meta en ligne de commande, ou demandez-le à un assistant IA connecté à LabTools par MCP.
Effets des petites études et biais de publication
Si les petites études rapportent des effets plus grands que les grandes, l’estimation combinée peut être surévaluée, souvent parce que les petits résultats nuls ne sont pas publiés. Un funnel plot le montre visuellement ; une corrélation de rangs entre taille d’étude et effet, ou le test de régression d’Egger, le chiffre. Dans l’exemple, le τ de Kendall entre la taille d’étude et log(OR) vaut 0.143 (p = 0.62) : aucun signe d’effet des petites études, même si huit études donnent peu de puissance à ces tests.
Ce qu’il faut rapporter
- La mesure d’effet et l’échelle (par exemple odds ratio, combiné sur l’échelle logarithmique).
- Le modèle (effet fixe ou effets aléatoires) et l’estimateur de τ².
- L’estimation combinée avec son intervalle de confiance, ainsi que Q, I² et τ².
- Toute évaluation des effets des petites études ou du biais de publication, et le nombre d’études sur lequel elle repose.
Questions fréquentes
À quoi sert un forest plot ?
À présenter côte à côte les résultats de plusieurs études sur une même question : la taille d’effet et l’intervalle de confiance de chaque étude sur une ligne, et l’estimation combinée (méta-analytique) sous forme de losange en bas. C’est la figure de référence des méta-analyses et des revues systématiques.
Comment lire un forest plot ?
Chaque ligne est une étude : le marqueur est son estimation et le segment horizontal son intervalle de confiance. La ligne verticale correspond à « aucun effet » (1 pour les rapports, 0 pour les différences) ; un intervalle qui la croise n’est pas significatif à lui seul. Le losange est l’estimation combinée, et sa largeur son intervalle de confiance.
Comment obtenir l’erreur type à partir d’un intervalle de confiance ?
Pour un IC à 95% sur une différence : SE = (upper − lower) / (2 × 1.96). Pour un rapport (OR, RR, HR), travaillez sur l’échelle logarithmique : SE = (ln(upper) − ln(lower)) / (2 × 1.96). LabTools accepte directement l’intervalle et fait ce calcul pour vous.
Que signifie un I² élevé ?
Que l’essentiel de la dispersion entre les résultats des études reflète de vraies différences entre elles (populations, doses, méthodes) plutôt que le hasard. On parle généralement d’hétérogénéité élevée à partir d’environ 75%. Rapportez l’estimation à effets aléatoires, cherchez la source de l’hétérogénéité et envisagez un intervalle de prédiction, qui montre où tomberait probablement l’effet d’une nouvelle étude.
DerSimonian–Laird ou REML ?
Les deux estiment la variance inter-études τ² d’un modèle à effets aléatoires. DerSimonian–Laird est le choix classique par défaut (utilisé par RevMan) ; REML est souvent préféré, surtout avec peu d’études. Le forest plot de LabTools utilise DerSimonian–Laird ; labtools stats meta propose les deux, avec un intervalle de prédiction et le test d’Egger.