Revue systématique et méta-analyse

Une revue systématique avec méta-analyse combine deux méthodes : une revue structurée et reproductible qui rassemble et évalue toutes les études éligibles sur une question donnée, et une procédure statistique qui regroupe leurs résultats en une estimation pondérée unique de l'effet. La revue contrôle le biais de sélection des études ; la méta-analyse quantifie le signal combiné et la variabilité qui l'entoure. Ensemble, elles constituent la méthode prototypique de la recherche interventionnelle fondée sur des preuves.

Definition

Une revue systématique avec méta-analyse est une revue qui utilise des méthodes explicites et reproductibles pour identifier et évaluer toutes les études éligibles sur une question donnée, puis combine statistiquement leurs estimations d'effet en une estimation regroupée, caractérisant à la fois l'effet central et l'hétérogénéité entre les études.

Scope

Ce sujet couvre la conduite d'une revue systématique avec regroupement quantitatif : protocole et éligibilité, recherche et sélection, évaluation du risque de biais, le choix entre effets fixes et effets aléatoires, la pondération, l'hétérogénéité, ainsi que les normes de rapport et de certitude qui régissent le résultat. Il s'agit d'une référence méthodologique, et non d'une orientation clinique.

Core questions

• Les études incluses sont-elles suffisamment similaires pour justifier le regroupement de leurs résultats ?
• Faut-il utiliser un modèle à effets fixes ou à effets aléatoires ?
• Dans quelle mesure les résultats des études varient-ils au-delà du hasard (hétérogénéité) ?
• Comment le risque de biais au sein des études est-il reflété dans l'estimation regroupée ?
• Quelle est la certitude globale des preuves combinées ?

Key concepts

• Protocole et éligibilité pré-spécifiée
• Mesure d'effet (par exemple, rapport de risque, rapport de cotes, différence moyenne)
• Pondération par l'inverse de la variance
• Modèle à effets fixes versus modèle à effets aléatoires
• Hétérogénéité et la statistique I-carré
• Graphique en forêt (forest plot)
• Évaluation du risque de biais
• Évaluation de la certitude (GRADE)

Mechanisms

Une fois les études éligibles identifiées et évaluées, chaque étude contribue une estimation d'effet avec une mesure de précision. La méta-analyse les combine en pondérant chaque étude, généralement par l'inverse de sa variance, de sorte que les études plus importantes et plus précises aient un poids plus élevé. Un modèle à effets fixes suppose un effet vrai commun unique ; un modèle à effets aléatoires suppose que l'effet vrai varie d'une étude à l'autre et intègre cette variance inter-études. La dispersion des effets vrais au-delà de l'erreur d'échantillonnage est l'hétérogénéité, souvent résumée par la statistique I-carré, et le résultat regroupé est conventionnellement affiché dans un graphique en forêt (forest plot). Le rapport suit les directives PRISMA, le biais intra-étude est évalué avec des outils tels que l'outil de risque de biais de Cochrane, et la certitude des preuves regroupées est évaluée avec GRADE (higgins-handbook-2019; page-2021-prisma; higgins-2011-rob; guyatt-2008-grade).

Clinical relevance

Les méta-analyses d'essais randomisés fournissent une grande partie des preuves quantitatives citées dans les lignes directrices et les évaluations des technologies de la santé. La lecture critique d'une méta-analyse — vérifier ce qui a été regroupé, comment l'hétérogénéité a été gérée et comment la certitude des preuves est évaluée — fait partie de l'évaluation des preuves. La méthode décrit comment les estimations regroupées sont produites ; elle ne prescrit pas de traitement pour un individu.

Evidence & guidelines

La conduite et le rapport sont standardisés : PRISMA 2020 (avec sa lignée d'explication et d'élaboration de 2009) régit le rapport, le Cochrane Handbook décrit les méthodes acceptées, l'outil de risque de biais de Cochrane structure l'évaluation intra-étude, et GRADE évalue la certitude de l'ensemble des preuves (page-2021-prisma; liberati-2009; higgins-handbook-2019; higgins-2011-rob; guyatt-2008-grade).

History

La combinaison statistique d'études remonte aux statistiques agricoles et médicales du début du XXe siècle, et le terme méta-analyse a été inventé en 1976. La revue systématique a consolidé le processus environnant au cours des années 1990, notamment grâce à la Cochrane Collaboration. Les normes de rapport ont évolué de QUOROM à PRISMA (2009, mis à jour en 2021), les statistiques d'hétérogénéité telles que l'I-carré ont été popularisées, et GRADE a fourni un cadre structuré de certitude, définissant ensemble la méthode moderne (page-2021-prisma; higgins-handbook-2019).

Debates

Quand l'hétérogénéité est-elle trop importante pour regrouper les données ?

La combinaison d'études cliniquement ou statistiquement dissemblables peut produire une moyenne trompeuse ; les réviseurs débattent des seuils et de la question de savoir s'il faut privilégier les modèles à effets aléatoires, l'analyse de sous-groupes ou une synthèse narrative plutôt que le regroupement.

Key figures

• Julian Higgins
• David Moher
• Matthew Page
• Gordon Guyatt
• Cynthia Mulrow

Seminal works

• page-2021-prisma
• higgins-handbook-2019
• guyatt-2008-grade

Frequently asked questions

Toute revue systématique inclut-elle une méta-analyse ?

Non. Lorsque les études sont trop dissemblables en termes de population, d'intervention ou de résultats, le regroupement peut être trompeur, et la revue présente alors une synthèse narrative structurée au lieu d'une estimation combinée unique.

Qu'est-ce qu'un graphique en forêt (forest plot) ?

Un graphique en forêt (forest plot) affiche l'estimation d'effet et l'intervalle de confiance de chaque étude à côté de l'estimation regroupée, rendant la contribution de chaque étude et le résultat global visibles en un coup d'œil.