Sujet 1.4 — Rapports de risque

En une phrase : Un rapport de risque (hazard ratio) est un résumé compact, largement rapporté, et largement mal lu de la vitesse à laquelle des événements se produisent dans un groupe par rapport à un autre — et bien le lire signifie toujours demander « sur quel suivi, dans quelle population, et qu'est-ce que cela achète en termes absolus ? » avant de le laisser piloter une décision de commissionnement, d'évaluation, ou de rapport.

Pourquoi cela compte dans la santé et l'action sociale#

Quand la diapositive d'un fournisseur dit « notre intervention a obtenu un rapport de risque de 0,75 », un dirigeant est invité à ressentir une réduction de 25 % de quelque chose de mauvais. Le sentiment est généralement plus fort que ce que le fait justifie. Un rapport de risque (HR) est l'une des statistiques les plus courantes dans la preuve clinique et de santé publique, et l'une des plus régulièrement mal comprises — non pas par les statisticiens, mais par les conseils d'administration, les commissionnaires et les équipes de communication qui agissent dessus. Dans la santé et l'action sociale, cet écart entre ce qu'un HR dit et ce que les gens pensent qu'il dit n'est pas une nuisance académique. Il change ce qui est acheté, ce qui passe à l'échelle, et ce que l'on dit aux patients d'attendre.

Ce sujet est un compagnon pratique du sujet 1.3 — Décisions fondées sur les preuves. Ce sujet-là soutenait que vous devriez faire correspondre la force de la preuve au niveau de risque et garder la preuve clinique et de livraison distinctes. Celui-ci va une couche plus profondément dans une statistique unique qui revient dans la preuve clinique que vous serez appelé à peser : comment la lire, où elle induit en erreur, et ce qu'il faut exiger à ses côtés. Vous n'avez pas besoin de calculer un rapport de risque. Vous avez besoin de savoir que le même HR affiché peut correspondre à un bénéfice qui change une vie ou à un bénéfice à peine détectable selon des faits que la diapositive a omis — et qu'un dirigeant incapable de demander ces faits est à la merci de quiconque a choisi le cadrage. Parce que ces chiffres façonnent la communication publique et les parcours cliniques, les mal comprendre est une question de confiance et d'équité, pas seulement de précision.

Concepts clés#

Le risque instantané, et le rapport de risque. Un risque instantané est le taux instantané auquel un événement (décès, admission hospitalière, rechute) se produit parmi ceux encore à risque à un moment donné. Un rapport de risque est le ratio de ce taux dans un groupe de traitement par rapport au taux dans un groupe témoin. Un HR inférieur à 1 signifie que l'événement se produit plus lentement dans le groupe de traitement ; supérieur à 1, plus vite ; exactement 1, aucune différence. Il émerge de l'analyse de survie — la branche des statistiques pour les données « temps jusqu'à l'événement » — et est généralement estimé avec le modèle à risques proportionnels, connu d'après son créateur sous le nom de modèle de Cox. De façon cruciale, un HR décrit un taux, pas une probabilité, et pas une quantité de temps gagné.

L'hypothèse des risques proportionnels. La commodité du modèle de Cox repose sur une hypothèse : que le rapport de risque est constant — le même à trois mois qu'à trois ans, le même pour une personne de 50 ans que pour une personne de 80 ans. C'est l'hypothèse des risques proportionnels, et elle est fréquemment fausse. Les effets réels varient au fil du temps de suivi (une intervention chirurgicale peut élever le risque tôt et l'abaisser plus tard) et à travers les sous-groupes (âge, sexe, comorbidité, vulnérabilité). Quand l'hypothèse échoue, le HR unique rapporté est une moyenne sur la fenêtre de suivi particulière de l'essai et le mélange de population — un mélange pondéré, pas une constante universelle que vous pouvez transposer dans un contexte différent.

Relatifs, cotes, et absolus. Un HR est facilement confondu avec trois voisins. Le risque relatif (ou ratio de risque) compare la probabilité cumulative d'un événement à un moment fixe donné, pas le taux ; il est proche du HR quand les événements sont rares mais diverge quand ils sont courants. Le rapport de cotes compare des cotes plutôt que des probabilités et peut paraître spectaculaire quand le risque sous-jacent est élevé. Les trois sont des mesures relatives. Ce dont les patients et les payeurs se soucient réellement est absolu : la réduction absolue du risque (différence de risque) — combien d'événements en moins pour cent personnes — et son réciproque, le nombre de sujets à traiter (NST), le compte de personnes que vous devez traiter pour prévenir un événement. Une mesure relative sans son partenaire absolu est une demi-phrase.

Censure et courbe de survie. Les essais se terminent ; des personnes déménagent, se retirent, ou n'ont simplement pas eu l'événement quand les données sont verrouillées. La censure (statistiques) est la façon dont l'analyse de survie gère ces vies partiellement observées, et c'est une force — mais une censure lourde ou déséquilibrée affaiblit ce qu'un HR peut vous dire. Le compagnon visuel honnête de tout HR est la courbe de l'estimateur de Kaplan-Meier, le tracé en escalier de la proportion sans événement au fil du temps. Deux courbes qui se séparent régulièrement racontent une histoire différente de deux qui se croisent ou convergent — pourtant les trois peuvent donner le même HR affiché.

Facteurs confondants et non-collapsibilité. Un HR issu d'une étude observationnelle peut être déformé par des facteurs confondants : un troisième facteur pilote à la fois qui reçoit le traitement et qui a l'événement. Les essais randomisés se prémunissent contre cela ; les comparaisons du monde réel ne le font pas, sauf ajustement soigneux. Il y a aussi un piège plus subtil spécifique aux ratios comme le HR, appelé non-collapsibilité : même sans facteur confondant, le ratio que vous obtenez après ajustement pour un facteur de risque peut différer du ratio non ajusté, purement comme un artefact de la façon dont les ratios se comportent. La leçon est la même — un HR est lié au modèle et à la population exacts qui l'ont produit, et ne voyage pas aussi librement que son nombre unique et propre le suggère.

Ce qu'un HR achète en années. Les gens traduisent « HR 0,75 » en « je vivrai plus longtemps », mais l'ampleur de ce gain dépend entièrement du risque de base et de la compression déjà présente dans la mortalité d'une population. Pensez-y comme desserrer une chambre dans un jeu de hasard : réduire un taux achète beaucoup de temps supplémentaire quand le risque de base est élevé et étalé, et très peu quand la plupart des gens survivent déjà jusqu'à un âge avancé et que les décès sont concentrés dans une fenêtre tardive étroite. La même réduction relative se convertit en différentes quantités d'espérance de vie selon cette base — c'est pourquoi un HR ne peut pas être lu comme un nombre fixe d'années ajoutées sans connaître la population dont il provient.

Signification statistique contre signification clinique. Enfin, un HR peut être statistiquement significatif — son intervalle de confiance excluant 1 — tandis que l'effet qu'il indique est cliniquement trivial, surtout dans un très grand essai. La signification répond à « est-ce distinguable du hasard ? » ; elle ne répond pas à « cela vaut-il la peine de changer un parcours pour cela ? » Les deux questions comptent, et seule la seconde devrait décider de l'investissement.

Bonnes pratiques#

1. Demandez toujours « sur quel suivi, et dans quelle population ? » Un HR est une moyenne sur une fenêtre d'essai spécifique et un groupe recruté spécifique. Avant d'agir dessus, établissez la durée de suivi et les critères d'inclusion et d'exclusion — les essais qui ont exclu les très âgés, les très jeunes, ou les personnes avec des comorbidités courantes peuvent ne pas décrire votre population du tout. Traitez un HR sans ce contexte comme un chiffre incomplet, pas un titre.

2. Exigez des chiffres absolus à côté de chaque chiffre relatif. Pour tout HR ou risque relatif, demandez la réduction absolue du risque et le nombre de sujets à traiter dans la population pertinente. « HR 0,75 » semble important ; « un événement évité pour 200 personnes traitées sur trois ans » vous dit si cela vaut le coût, le changement de flux de travail, et les effets secondaires. Les mesures relatives et absolues devraient toujours apparaître ensemble, et les communications au public devraient mener avec l'absolu.

3. Insistez pour voir les courbes de Kaplan-Meier. Un seul HR compresse toute une histoire en un nombre et cache si l'effet est précoce, tardif, croissant, décroissant, ou en train de s'inverser. Demandez les courbes de survie et regardez leur forme : se séparent-elles proprement, se croisent-elles, ou convergent-elles ? Des courbes qui se croisent sont un signe visible que l'hypothèse des risques proportionnels a échoué et que le HR unique est trompeur.

4. N'extrapolez pas un essai court à toute une vie. Un rapport de risque mesuré sur trois ans n'autorise pas une affirmation sur trente. Les effets peuvent s'atténuer, s'inverser, ou s'accumuler, et l'hypothèse des risques proportionnels ne tient presque jamais sur toute une vie. Soyez particulièrement méfiant des modèles économiques et des communiqués de presse qui projettent un HR à court terme vers des gains spectaculaires en années de vie ; demandez quelle hypothèse fait ce travail, comme couvert au sujet 6.1 — Économie de la santé.

5. Séparez la signification statistique de la signification clinique. Un intervalle de confiance qui exclut 1 vous dit qu'un effet est probablement réel ; il ne dit rien sur si l'effet est assez grand pour compter. Dans les grands essais, des différences triviales deviennent « significatives ». Jugez l'ampleur — le bénéfice absolu — face au fardeau et au coût de l'intervention, et laissez cliniciens et patients définir ce qui compte comme utile.

6. Traitez les HR observationnels avec une suspicion supplémentaire. En dehors d'un essai randomisé, un HR peut refléter un facteur confondant — des personnes plus malades ou plus en bonne santé se sélectionnant vers le traitement — plutôt qu'un effet réel. Demandez ce qui a été ajusté et si des facteurs confondants non mesurés sont plausibles. La preuve du monde réel est précieuse (voir sujet 8.6 — Recherche et évaluation en conditions réelles) mais ses rapports de risque nécessitent plus d'examen, pas moins.

7. Vérifiez si le HR est réutilisé hors contexte. Un HR d'une population, dose, ou suivi est couramment cité comme s'il était universel. Quand un chiffre est cité, retracez-le jusqu'à son étude source et confirmez que la population et le critère de jugement correspondent à votre décision. La non-collapsibilité et les bases différentes signifient qu'un nombre qui était vrai là-bas peut être discrètement faux ici.

8. Rapportez honnêtement, et menez avec ce sur quoi les gens peuvent agir. Quand votre propre organisation publie des résultats, associez chaque HR à des chiffres absolus et un cadrage en langage clair, énoncez le suivi et la population, et évitez d'impliquer un bénéfice à vie à partir de données à court terme. Cela se connecte directement à comment vous choisissez les mesures au sujet 10.1 — Indicateurs clés de performance (KPI) : la métrique que vous affichez en titre façonne ce que les gens croient.

Questions à discuter avec votre équipe#

1. Quand un rapport de risque atterrit sur notre conseil d'administration, savons-nous demander le suivi, la population, et le bénéfice absolu — ou agissons-nous sur le seul chiffre relatif ? Cette question teste si votre direction peut interroger la statistique la plus mal lue qu'elle rencontrera. Elle compte parce qu'un HR est une moyenne sur une fenêtre d'essai particulière et un groupe recruté particulier, et le même chiffre peut représenter un bénéfice transformateur ou négligeable selon le risque de base et le suivi que la diapositive a omis. Le tiraillement est que le nombre relatif est émotionnellement convaincant et facile à répéter, tandis que le nombre absolu — le nombre de sujets à traiter, les événements évités pour cent personnes — est plus terne et plus difficile à obtenir, donc il est couramment abandonné. Travaillez sur un exemple récent réel : prenez un HR qui a influencé une décision et reconstruisez quel suivi il couvrait, qui a été exclu, et quel bénéfice absolu il impliquait pour votre population. Demandez si quelqu'un a exigé ces faits à l'époque, et si la réponse aurait changé la décision. Une bonne discussion se termine par une attente permanente qu'aucun HR n'est agi sans son suivi, sa population, et son partenaire absolu à ses côtés.

2. Où pourrions-nous extrapoler un rapport de risque à court terme en une affirmation à long terme ou à vie — dans un dossier d'analyse, un modèle de bénéfices, ou un message public ? Le sujet avertit qu'un HR mesuré sur quelques années n'autorise pas d'affirmations sur des décennies, car les effets s'atténuent, s'inversent, ou s'accumulent et l'hypothèse des risques proportionnels tient rarement sur toute une vie. Cela compte parce que les modèles économiques de santé et les équipes de communication ont tous deux de forts incitatifs à projeter des réductions relatives à court terme vers des gains affichés en années de vie ou en économies de coûts, et ces projections peuvent discrètement devenir la justification de grands investissements. Le compromis est réel : vous devez planifier et modéliser au-delà de l'horizon de l'essai, pourtant chaque année que vous projetez au-delà de la preuve est une hypothèse, pas une découverte. Faites surgir un dossier d'analyse ou un modèle de réalisation de bénéfices en cours et demandez quel horizon temporel ses bénéfices dérivés du HR supposent, et ce qui arriverait au dossier si l'effet s'aplatissait après la période de l'essai. Considérez aussi si un message destiné aux patients implique une vie entière d'années ajoutées à partir de données à court terme. Une réponse honnête nomme où l'extrapolation fait un travail lourd et s'engage à énoncer l'hypothèse ouvertement plutôt que de l'enterrer dans une feuille de calcul.

3. Séparons-nous systématiquement « est-ce réel ? » de « est-ce assez grand pour compter ? » — ou la signification statistique seule pilote-t-elle nos décisions ? Cette question confronte la confusion entre signification statistique et clinique, où un intervalle de confiance excluant 1 est traité comme un feu vert quel que soit l'ampleur de l'effet. Elle compte parce que les grands essais et les grands jeux de données du monde réel rendent des différences triviales statistiquement significatives, et une intervention de santé numérique peut afficher un rapport de risque « significatif » tout en livrant un bénéfice trop petit pour justifier son coût, sa perturbation du flux de travail, ou son coût d'opportunité face à d'autres usages du même argent. Le tiraillement plus profond est que l'ampleur est un jugement clinique et de valeur — ce qui compte comme utile dépend de la condition, du fardeau du traitement, et de la préférence du patient — donc cela ne peut pas être délégué à une valeur p ou automatisé. Prenez une décision que votre équipe a prise en partie sur la force d'un résultat significatif et demandez quelle était réellement la taille de l'effet absolu, et qui a décidé qu'elle était assez grande pour agir. Explorez si cliniciens et, idéalement, patients ont été impliqués dans le jugement que le bénéfice valait la peine d'être eu. Une réponse forte montre que l'équipe demande systématiquement l'ampleur, pas seulement la signification, et traite les deux comme des portes séparées qui doivent toutes deux être franchies.

4. Quand un rapport de risque provient de données de routine ou d'un jeu de données du monde réel d'un fournisseur plutôt que d'un essai randomisé, demandons-nous ce qui a été ajusté et si un facteur confondant non mesuré pourrait expliquer l'effet ? De plus en plus, les rapports de risque qui atteignent une décision ne proviennent pas d'essais propres mais de sources observationnelles — une analyse avant-après d'un fournisseur, un registre, ou vos propres dossiers collectés en routine — où les personnes qui ont reçu une intervention diffèrent systématiquement de celles qui ne l'ont pas reçue. Cela compte parce que le facteur confondant par indication est la norme plutôt que l'exception : des patients plus en bonne santé ou plus malades se sélectionnent vers le traitement, et à moins que cela ne soit soigneusement ajusté, le HR résultant mesure autant qui a été traité que ce que le traitement a fait. Le tiraillement est que la preuve du monde réel est véritablement précieuse et souvent la seule preuve disponible pour un service numérique déployé à l'échelle, pourtant sa commodité tente les équipes de la lire comme causale quand elle est simplement associationnelle. Interrogez un HR observationnel réel sur lequel votre équipe s'est appuyée : demandez quelles variables ont été ajustées, quels facteurs confondants plausibles ont été laissés non mesurés, et si la direction du biais probable flatte ou déprime l'effet. Considérez si la non-collapsibilité — la façon dont ajuster pour un facteur de risque peut déplacer un ratio même en l'absence de facteur confondant — a été prise en compte dans la façon dont le nombre est cité. Une réponse honnête traite les rapports de risque observationnels comme des hypothèses nécessitant plus d'examen, pas moins, et peut énoncer clairement ce qui devrait être vrai pour que l'effet soit réel.

5. Regardons-nous systématiquement les courbes de Kaplan-Meier derrière un rapport de risque, et reconnaîtrions-nous quand l'hypothèse des risques proportionnels a échoué ? Un seul HR fait silencieusement la moyenne de toute la forme d'un effet en un nombre, cachant si le bénéfice est précoce, tardif, croissant, décroissant, ou en train de s'inverser sur le suivi. Cela compte parce que le modèle de Cox qui produit la plupart des rapports de risque suppose que le ratio est constant dans le temps, et cette hypothèse est fréquemment fausse — une intervention chirurgicale ou procédurale peut élever le risque tôt et l'abaisser plus tard, et des courbes qui se croisent ou convergent peuvent donner le même HR affiché bien rangé que des courbes qui se séparent proprement. Le compromis est que lire des courbes de survie demande plus d'effort et plus d'expertise que répéter un seul chiffre, et les courbes sont souvent absentes de la diapositive de résumé précisément parce qu'elles compliquent l'histoire. Prenez un rapport de risque sur lequel votre équipe a agi et demandez si quelqu'un a vu le graphique de Kaplan-Meier, ce que la forme des courbes impliquait sur quand le bénéfice s'est accumulé, et si l'hypothèse des risques proportionnels a jamais été testée. Discutez de qui dans l'équipe a la littératie statistique pour repérer des lignes qui se croisent ou convergent et pour dire ce qu'elles signifient pour votre population. Une bonne réponse fait de voir les courbes une attente permanente, pas une faveur de spécialiste, et traite une courbe manquante comme une raison de demander plutôt qu'un détail à sauter.

6. Avons-nous vérifié si un rapport de risque unique cache une distribution inégale du bénéfice selon l'âge, la comorbidité, et la vulnérabilité dans les personnes que nous servons réellement ? Un HR affiché présente un effet comme s'il atterrissait uniformément, mais un bénéfice moyenné sur le groupe recruté d'un essai peut tomber très différemment selon les personnes plus âgées, plus malades, et plus vulnérables qui composent une grande partie d'une population réelle de santé et d'action sociale. Cela compte parce qu'agir sur le chiffre agrégé peut élargir les inégalités tout en paraissant améliorer les résultats globalement : une intervention qui aide un sous-groupe plus en forme et fait peu pour un sous-groupe plus fragile affiche quand même un HR moyen attrayant. Le tiraillement est que la désagrégation exige des données, une puissance statistique, et une volonté de voir une variation inconfortable, tandis que le nombre unique est plus simple à rapporter et plus facile à défendre. Regardez une décision pilotée par un rapport de risque et demandez si l'effet a jamais été décomposé par tranche d'âge, comorbidité, ou vulnérabilité, et si l'essai a même recruté assez de votre population pour soutenir une telle décomposition. Considérez comment vous surveilleriez un bénéfice inégal une fois un service en production, en vous connectant à vos devoirs d'évaluation en conditions réelles et d'équité. Une réponse honnête accepte qu'un HR d'apparence uniforme puisse masquer une réalité inégale, et s'engage à regarder l'image désagrégée et absolue avant de passer à l'échelle.

En pratique : un exemple de santé et d'action sociale#

Un système de soins intégrés (ICS) se voit proposer un service de télésurveillance pour les personnes en insuffisance cardiaque. L'affirmation centrale du fournisseur est un rapport de risque de 0,72 pour le résultat composite de décès ou d'admission non planifiée, décrit comme « une réduction de 28 % » et associé à une projection de gains substantiels d'années de vie à travers la population.

Les responsables numériques et cliniques traitent le chiffre comme une question de départ, pas une conclusion. Ils demandent l'étude source et trouvent un seul essai randomisé avec un suivi médian de dix-huit mois, recrutant des patients de moins de 75 ans avec une admission récente et sans déficience cognitive significative — un groupe plus en forme et plus jeune que la population réelle en insuffisance cardiaque de l'ICS, qui penche plus âgée et plus comorbide. Ils demandent les courbes de l'estimateur de Kaplan-Meier et voient les deux lignes se séparer principalement dans les six premiers mois, puis courir à peu près parallèlement — un indice que le bénéfice est concentré tôt et que l'hypothèse du HR constant est fragile sur un horizon plus long.

Puis ils demandent les absolus. Traduit dans la population de l'essai, le HR correspond à une modeste réduction absolue du risque et un nombre de sujets à traiter d'environ 20 sur dix-huit mois pour prévenir un événement composite — significatif, mais bien moins spectaculaire que ce que « réduction de 28 % » suggérait, et sans doute encore plus petit dans leur population plus âgée. L'équipe d'économie de la santé est priée de reconstruire son modèle sans extrapoler le HR de dix-huit mois sur toute une vie, et de tester ce qui arrive si le bénéfice précoce ne persiste pas. Les responsables de la sécurité clinique et de la gouvernance de l'information évaluent le service sur ses propres mérites (sujet 1.6 — Sécurité clinique et gestion des risques). L'ICS avance — mais comme un déploiement surveillé et échelonné avec sa propre évaluation en conditions réelles, et il briefe son équipe de communication pour mener avec le bénéfice absolu et les limites honnêtes, pas le titre relatif. Quand un journal local demande plus tard à propos du « chiffre de 28 % », l'ICS peut expliquer exactement ce que cela signifie et ne signifie pas.

Angles sectoriels#

Tout le monde lisant un HR doit le même devoir d'interprétation, mais les pressions et les garde-fous diffèrent selon l'organisation.

Startup#

L'incitatif d'une startup est de présenter le nombre vrai le plus flatteur, et un rapport de risque relatif est souvent le nombre vrai le plus flatteur disponible — donc « HR 0,7 » apparaît sur la présentation aux investisseurs sans le suivi, la population, ou le bénéfice absolu qui le recalibreraient. Le mouvement honnête et finalement plus crédible est de mener avec l'effet absolu et le nombre de sujets à traiter, énoncer clairement le suivi et les exclusions de l'essai, et résister à projeter des résultats à court terme sur toute une vie dans le dossier d'analyse. Les évaluateurs du NHS soucieux de diligence et les investisseurs sérieux savent de plus en plus poser ces questions, donc une équipe qui offre volontairement le contexte paraît plus forte, pas plus faible. La discipline ne coûte presque rien et protège les fondateurs d'une correction ultérieure plus dommageable.

Petite entreprise#

Un petit prestataire établi — un cabinet de médecine générale, une pharmacie communautaire, un établissement de soins, ou une clinique à site unique pesant un outil de surveillance ou l'affirmation d'un fournisseur — a de vrais patients en jeu mais pas de statisticien interne et peu de temps pour lire un essai. Le risque pratique est que le rapport de risque relatif du fournisseur soit pris pour argent comptant parce qu'il n'y a personne pour reconstruire le suivi, la population, et le bénéfice absolu, et pas d'équipe analytique pour le tester contre la propre liste du cabinet. La réponse proportionnée n'est pas de maîtriser l'analyse de survie mais de poser trois questions simples à tout fournisseur — sur quel suivi, chez quels patients, et combien de personnes traiterions-nous pour prévenir un événement — et de s'appuyer sur des ressources partagées telles que les orientations de NICE, un pharmacien de CCG ou d'ICS, ou un réseau de pairs plutôt que de juger le nombre seul. Un petit prestataire qui insiste sur le chiffre absolu et les exclusions de l'essai avant de signer protège ses patients et son budget sans avoir besoin de la puissance de feu statistique d'un grand trust.

Grande entreprise#

Un trust NHS ou un ICS a la capacité analytique et les volumes de patients pour interroger correctement un HR — et la responsabilité qui l'exige, car déployer à l'échelle sur une statistique mal lue est un risque de sécurité clinique et d'argent public à la fois. L'échec caractéristique est l'enthousiasme institutionnel : un chiffre relatif convaincant défendu par un clinicien respecté, adopté avant que quiconque ne reconstruise le bénéfice absolu pour la population réelle, souvent plus âgée et plus malade, du trust. Le correctif est une habitude permanente — chaque HR dans un document de conseil d'administration arrive avec son suivi, sa population, sa réduction absolue du risque, et ses courbes de Kaplan-Meier, et chaque extrapolation nomme son hypothèse. Les grandes entreprises génèrent aussi leurs propres HR observationnels à partir de données de routine, où le facteur confondant est le danger omniprésent et l'ajustement doit être explicite.

Gouvernement#

Un organisme national — NICE, NHS England, l'UK Health Security Agency, le DHSC — décide souvent comment la preuve est cadrée pour tout le système, donc sa gestion des rapports de risque façonne la compréhension publique à l'échelle de la population. Les décisions ici attirent un examen réglementaire, parlementaire et médiatique, et un chiffre relatif cité sans son partenaire absolu peut induire en erreur des millions de personnes et éroder la confiance quand corrigé plus tard. Le devoir est de publier les absolus aux côtés des relatifs, d'énoncer la population et le suivi, et d'être franc sur où l'hypothèse des risques proportionnels et les horizons d'essai courts limitent ce qui peut être affirmé. À cette échelle, un cadrage honnête n'est pas une courtoisie mais un instrument d'équité : un bénéfice qui paraît uniforme dans un seul HR peut tomber inégalement selon l'âge et la vulnérabilité, et seule l'image désagrégée et absolue le révèle.

Modes de défaillance courants#

• Rapport relatif seulement. Citer « réduction de 28 % » sans réduction absolue du risque ni nombre de sujets à traiter. Antidote : associez chaque mesure relative à son partenaire absolu et menez la communication publique avec l'absolu.
• Extrapolation à vie. Projeter un HR d'essai court sur des décennies dans un modèle économique ou un communiqué de presse. Antidote : modélisez seulement jusqu'à l'horizon de la preuve, et nommez chaque hypothèse au-delà.
• Ignorer la population. Appliquer le HR d'un essai à des groupes plus âgés, plus malades, ou plus vulnérables que l'essai a exclus. Antidote : vérifiez les critères d'inclusion et d'exclusion contre votre population réelle.
• Supposer la constance. Traiter un HR comme valide à chaque âge et point temporel. Antidote : inspectez les courbes de Kaplan-Meier pour des lignes qui se croisent ou convergent.
• Signification confondue avec importance. Agir sur un HR statistiquement significatif dont l'effet est cliniquement trivial. Antidote : jugez l'ampleur séparément, avec une contribution clinique et patiente.
• Faire confiance aux HR observationnels sans esprit critique. Lire un HR du monde réel comme causal sans demander à propos des facteurs confondants. Antidote : demandez ce qui a été ajusté et si des facteurs confondants non mesurés sont plausibles.
• Blanchiment de nombre. Réutiliser un HR hors de son contexte original comme s'il était universel. Antidote : retracez chaque chiffre cité jusqu'à son étude source et son critère de jugement.

Modèle de maturité#

Liste de contrôle#

• Chaque rapport de risque arrive avec sa durée de suivi et les critères d'inclusion et d'exclusion de l'essai.
• Chaque mesure relative (HR, risque relatif) est associée à la réduction absolue du risque et au nombre de sujets à traiter.
• Les courbes de Kaplan-Meier sont revues pour la forme de l'effet et tout croisement ou convergence.
• La population de l'essai est vérifiée contre votre population réelle et locale avant d'agir.
• Aucun HR à court terme n'est extrapolé sur toute une vie sans une hypothèse explicitement énoncée.
• La signification statistique et la signification clinique sont jugées comme des portes séparées.
• Les HR observationnels sont examinés pour les facteurs confondants et ce qui a été ajusté.
• Chaque HR cité est retracé jusqu'à son étude source, son critère de jugement, et son suivi.
• Les communications publiques et de conseil d'administration mènent avec le bénéfice absolu et des limites honnêtes.

Sources clés#

• Wikipédia — Hazard ratio, Proportional hazards model, Survival analysis (définitions fondamentales).
• BMJ / série The BMJ Statistics Notes — Douglas Altman et J. Martin Bland — explications simples des rapports de risque, courbes de survie, et risque absolu contre relatif.
• David Spiegelhalter — The Art of Statistics: Learning from Data (Pelican, 2019) — sur communiquer honnêtement le risque relatif et absolu.
• Gerd Gigerenzer et al. — Helping Doctors and Patients Make Sense of Health Statistics (Psychological Science in the Public Interest, 2007) — sur pourquoi les chiffres relatifs induisent en erreur.
• Cochrane — Handbook for Systematic Reviews of Interventions — sur interpréter les mesures d'effet.
• dynomight — essai sur les rapports de risque et l'espérance de vie (dynomight.net) — l'intuition de la roulette russe pour pourquoi les réductions relatives n'égalent pas les années de vie, et pourquoi les interventions ont différents rapports de risque à différents âges.
• Equator Network — directive de rapport CONSORT — sur comment les effets d'essai, y compris les résultats temps-jusqu'à-événement, devraient être rapportés.

Références#

1. Hazard ratio — Wikipédia — https://en.wikipedia.org/wiki/Hazard_ratio
2. Proportional hazards model — Wikipédia — https://en.wikipedia.org/wiki/Proportional_hazards_model
3. Survival analysis — Wikipédia — https://en.wikipedia.org/wiki/Survival_analysis
4. Relative risk — Wikipédia — https://en.wikipedia.org/wiki/Relative_risk
5. Odds ratio — Wikipédia — https://en.wikipedia.org/wiki/Odds_ratio
6. Risk difference (absolute risk reduction) — Wikipédia — https://en.wikipedia.org/wiki/Risk_difference
7. Number needed to treat — Wikipédia — https://en.wikipedia.org/wiki/Number_needed_to_treat
8. Censoring (statistics) — Wikipédia — https://en.wikipedia.org/wiki/Censoring_(statistics)
9. Kaplan–Meier estimator — Wikipédia — https://en.wikipedia.org/wiki/Kaplan%E2%80%93Meier_estimator
10. Confounding — Wikipédia — https://en.wikipedia.org/wiki/Confounding
11. Life expectancy — Wikipédia — https://en.wikipedia.org/wiki/Life_expectancy
12. Statistical significance — Wikipédia — https://en.wikipedia.org/wiki/Statistical_significance
13. The Art of Statistics: Learning from Data — David Spiegelhalter, Pelican — https://www.penguin.co.uk/books/294857/the-art-of-statistics-by-spiegelhalter-david/9780241398630
14. Helping Doctors and Patients Make Sense of Health Statistics — Gerd Gigerenzer et al., Psychological Science in the Public Interest — https://doi.org/10.1111/j.1539-6053.2008.00033.x
15. Statistics Notes (survival and risk) — Douglas Altman & J. Martin Bland, The BMJ — https://www.bmj.com/specialties/statistics-notes
16. Cochrane Handbook for Systematic Reviews of Interventions — Cochrane — https://training.cochrane.org/handbook
17. Hazard ratios and life expectancy — dynomight — https://dynomight.net/
18. CONSORT reporting guideline — Equator Network — https://www.equator-network.org/reporting-guidelines/consort/