Comment lire un forest plot en 5 minutes

Le forest plot, c'est ce graphique qu'on retrouve dans toutes les méta-analyses — celui qui ressemble à un sapin couché avec des carrés de tailles différentes et un losange en bas. La première fois qu'on en voit un, ça fait peur. En réalité, tu ne regardes que 3 choses et tu peux l'interpréter en 30 secondes.

Qu'est-ce qu'un forest plot ?

Une méta-analyse combine les résultats de plusieurs études sur la même question. Le forest plot est la représentation visuelle de cette combinaison. Chaque ligne = une étude. Le bas = le résultat combiné (la moyenne pondérée de toutes les études).

C'est l'outil préféré des examinateurs aux EDN parce qu'il condense beaucoup d'informations dans un seul graphique, et les erreurs d'interprétation sont fréquentes.

Les 3 choses à regarder (dans cet ordre)

1. La ligne verticale = "pas d'effet"

C'est la ligne de référence. Elle est à :

• 1 si on parle de RR (risque relatif) ou OR (odds ratio) — parce que RR=1 signifie "même risque dans les deux groupes"
• 0 si on parle d'une différence de moyennes — parce que différence=0 signifie "pas de différence"

Règle : si un résultat (carré ou losange) croise cette ligne → l'effet n'est pas statistiquement significatif pour cette étude.

2. Les carrés et leurs barres horizontales = les études individuelles

Chaque ligne horizontale représente une étude :

• Le carré = l'estimation ponctuelle (le résultat de cette étude particulière)
• La barre horizontale = l'intervalle de confiance à 95%
• La taille du carré = le poids de l'étude dans la méta-analyse (plus c'est gros, plus l'étude compte — généralement parce qu'elle a un grand échantillon)

Si la barre horizontale d'une étude croise la ligne verticale → cette étude seule n'est pas significative. C'est normal — les petites études ont souvent des IC larges qui croisent la ligne, même si l'effet existe vraiment.

3. Le losange en bas = le résultat global (la réponse)

C'est LE résultat de la méta-analyse — la combinaison pondérée de toutes les études. C'est lui qui répond à la question clinique.

• Le centre du losange = l'estimation globale de l'effet
• La largeur du losange = l'IC global à 95%
• Si le losange ne touche PAS la ligne verticale → résultat significatif
• Si le losange touche ou chevauche la ligne → non significatif

L'hétérogénéité : les études sont-elles cohérentes ?

Avant de faire confiance au losange, il faut vérifier que les études ne se contredisent pas trop. C'est ce que mesure le I² (I-carré) :

• I² < 25% → faible hétérogénéité. Les études convergent. Le résultat global est fiable.
• I² entre 25% et 75% → hétérogénéité modérée. Quelques divergences. Le résultat est à interpréter avec nuance.
• I² > 75% → forte hétérogénéité. Les études se contredisent sérieusement. Le résultat global est fragile — peut-être que les études n'étudiaient pas vraiment la même chose.

Aux EDN, quand I² est élevé, on te demande souvent "le résultat est-il fiable ?" → réponse : "à interpréter avec prudence en raison de l'hétérogénéité importante entre les études incluses".

Checklist rapide devant un forest plot

1. Le losange est-il du côté "traitement efficace" (à gauche ou à droite selon ce qui est mesuré) ?
2. Le losange croise-t-il la ligne de pas d'effet ? → si oui, pas significatif
3. Les carrés pointent-ils globalement dans le même sens ? → si oui, cohérence (I² bas)
4. Y a-t-il une étude qui sort du lot (très loin des autres) ? → si oui, regarder I² et discuter de l'hétérogénéité
5. La largeur du losange est-elle acceptable ? → un losange très large = peu de précision

Erreur classique aux EDN

Dire "toutes les études montrent un effet significatif" en regardant le forest plot, alors qu'en fait plusieurs barres individuelles croisent la ligne. Ce n'est pas parce que le résultat GLOBAL est significatif que chaque étude individuelle l'est. Et inversement — des études individuellement non significatives peuvent donner un résultat global significatif quand on les combine (c'est justement l'intérêt de la méta-analyse : la puissance augmente en combinant).

Autre piège : ignorer l'hétérogénéité. Un I² de 85% devrait te faire douter de la pertinence de combiner ces études en une seule estimation.

S'entraîner

Les forest plots apparaissent dans les annales LCA depuis 2022. Fais les QCM LCA annales gratuites — tu y trouveras des questions sur l'interprétation des méta-analyses. La plateforme LCA a des exercices dédiés dans le Thème 3 (études de survie, revues et méta-analyses).