Biais de publication : ce que c'est et comment le détecter

Le biais de publication est la tendance des résultats d'études positifs ou statistiquement significatifs à être publiés plus souvent que les résultats négatifs ou nuls. Quand un médicament fonctionne, l'étude est publiée. Quand il ne fonctionne pas, elle finit souvent dans un tiroir. Cela crée une image déformée des preuves. Si vous lisez uniquement la littérature publiée, vous pouvez conclure qu'un traitement est plus efficace qu'il ne l'est réellement, simplement parce que les études montrant qu'il ne fonctionne pas n'ont jamais été publiées.

Les méta-analyses regroupent des données provenant d'études publiées. Si un biais de publication existe, l'estimation groupée sera gonflée — elle surestimera l'effet du traitement. Cela a des conséquences réelles : - Les recommandations cliniques peuvent préconiser des traitements moins efficaces que ne le suggèrent les preuves - Les patients reçoivent des traitements avec des profils bénéfice-risque moins favorables que prévu - Les études de réplication échouent, conduisant à des « crises de reproductibilité » L'exemple le plus célèbre est la revue Cochrane sur les antidépresseurs. Lorsque les données d'essais non publiées détenues par la FDA ont été incluses, les vraies tailles d'effet étaient substantiellement plus petites que ne le suggérait la littérature publiée seule.

Le funnel plot est l'outil le plus couramment utilisé pour détecter visuellement le biais de publication. Dans un funnel symétrique, les petites études se dispersent largement autour du vrai effet, tandis que les grandes études se regroupent étroitement autour de lui — formant un funnel inversé. Une asymétrie dans le coin inférieur gauche du funnel suggère des petites études manquantes avec des résultats négatifs. Ce manque implique un biais de publication. Cependant, l'asymétrie du funnel plot peut également être causée par : - L'hétérogénéité (effets vrais différents dans différentes populations) - Le hasard (surtout avec moins de 10 études) - Le biais de rapport de résultats (rapporter sélectivement les résultats) Les funnel plots nécessitent au moins 10 études pour être interprétés de manière fiable.

Plusieurs tests statistiques quantifient l'asymétrie du funnel plot : - **Test d'Egger** : une régression linéaire pondérée de l'écart normal standard par rapport à la précision. p < 0,05 suggère une asymétrie - **Test de Begg** : un test de corrélation des rangs ; moins puissant que le test d'Egger - **Trim and Fill** : estime le nombre d'études manquantes, ajoute des valeurs imputées et recalcule l'estimation groupée Ces tests ont une puissance limitée avec peu d'études (< 10) et peuvent manquer le biais de publication lorsqu'il existe ou le signaler lorsqu'il n'existe pas. Ils complètent, mais ne remplacent pas, les recherches complètes dans la littérature grise.

La meilleure défense contre le biais de publication est de l'empêcher de se produire : 1. **Rechercher dans les registres d'essais cliniques** (ClinicalTrials.gov, WHO ICTRP) les essais enregistrés mais non publiés 2. **Rechercher dans les résumés de conférences** les résultats préliminaires qui n'ont jamais été publiés 3. **Contacter les auteurs** des études incluses pour demander des travaux non publiés 4. **Rechercher la littérature grise** : thèses, rapports gouvernementaux, documents réglementaires 5. **Pré-enregistrer votre revue** dans PROSPERO pour vous engager à publier quels que soient les résultats Les agences réglementaires comme la FDA exigent désormais l'enregistrement des essais avant le début de l'enrôlement des patients, ce qui a amélioré la situation mais ne l'a pas éliminée.

MetaLens AI génère des funnel plots dans l'onglet Méta-Analyse pour vous aider à évaluer visuellement le biais de publication dans votre domaine. L'outil : - Recherche PubMed de manière exhaustive pour votre combinaison de mots-clés - Inclut des études plus anciennes (pas seulement les plus récentes à fort impact) - Fournit des citations sources afin que vous puissiez vérifier vous-même le statut d'enregistrement des essais Rappellez-vous que tous les outils de littérature assistés par l'IA font face à la même limitation fondamentale : ils travaillent avec la littérature publiée. Pour une revue systématique définitive, compléter PubMed avec des sources de données non publiées reste essentiel.