Les revues systématiques et les méta-analyses constituent un pilier de la médecine fondée sur les preuves : elles orientent les recommandations cliniques, les politiques de santé et les protocoles thérapeutiques. Leur fiabilité dépend toutefois de la qualité et de l’exhaustivité des données qu’elles synthétisent.
Dans un article publié dans PLOS Medicine en juin 2026, Saul Martin-Rodriguez, Rodrigo Fernandez-Gonzalo et David Moher font le constat que la validité des revues systématiques et méta-analyses peut être remise en question en raison d’un obstacle majeur : l’accès limité aux jeux de données issus des études primaires sous-jacentes et au code d’analyse utilisé dans ces études.
Dans le cas où les données des études primaires sont inaccessibles (données individuelles des participantes et participants ou données structurées au niveau de l’étude), les méta-analystes doivent s’appuyer sur des données agrégées et des résumés statistiques (médiane, valeurs minimale et maximale, écarts interquartiles…), qui peuvent être rapportés de manière incohérente ou partielle. Les chercheurs et chercheuses ont alors recours à des méthodes d’imputation qui peuvent introduire une incertitude méthodologique et un biais potentiel.
La présence de jeux de données incomplets peut affecter à la fois la robustesse et l’interprétabilité des résultats des revues systématiques et méta-analyses, avec des implications potentielles en aval sur la prise de décision clinique et politique (recommandations thérapeutiques, décisions de remboursement, dépenses de santé…).
Pour illustrer ces enjeux, les auteurs reviennent sur un cas emblématique : le traitement hormonal de la ménopause.
Pendant près de 20 ans, des méta-analyses de données issues d’études observationnelles (basées exclusivement sur des résumés statistiques) ont suggéré que le traitement hormonal de substitution réduisait le risque de maladie coronarienne de près de 50 % (en risque relatif). Cette conclusion a orienté les recommandations cliniques mondiales et influencé la prise en charge de dizaines de millions de femmes.
Ce discours n’a été remis en cause que lorsque des données individuelles des participantes issues de la Women’s Health Initiative (WHI) ont été rendues accessibles. Grâce à un accès à l’ensemble des données, l’essai randomisé de la WHI a révélé que le traitement hormonal combiné œstrogènes-progestatifs augmentait les risques d’événements coronariens, d’accident vasculaire cérébral, d’embolie pulmonaire et de cancer du sein. Confirmés par des analyses ultérieures, ces résultats ont contribué à des changements majeurs dans les recommandations cliniques, les pratiques de prescription et les politiques réglementaires dans de nombreux pays.
Selon les auteurs, cet exemple n’est pas une anomalie historique mais l’illustration d’une faiblesse systémique. Une revue de la littérature publiée en 2014 a ainsi étudié 37 articles présentant des réanalyses d’essais cliniques randomisés à partir des données individuelles des patientes et patients. 13 réanalyses ont abouti à des interprétations différentes de celles des publications originales.
Ceci illustre bien comment l’accès aux données sous-jacentes peut modifier de manière significative les conclusions scientifiques.
Mais alors, que faire ? Les auteurs proposent plusieurs mesures concrètes :
- Rendre les données et le code d’analyse disponibles au moment de la publication, en les déposant dans des entrepôts reconnus, sauf contraintes légales ou éthiques justifiées (accès contrôlé).
- Renforcer l’application des politiques éditoriales (jusqu’au rejet des manuscrits non conformes aux exigences de partage) et prévoir des mécanismes pour vérifier que les données et le code associés au manuscrit sont disponibles et suffisamment documentés.
- Impliquer financeurs et établissements de recherche : reconnaissance du partage dans l’évaluation de la recherche, consentements adaptés, soutien aux équipes sous-dotées…
Source : Martin-Rodriguez S, Fernandez-Gonzalo R, Moher D. The data transparency crisis in research: Lessons from systematic reviews and meta-analyses. PLOS Med. 16 juin 2026;23(6):e1005145. doi:10.1371/journal.pmed.1005145


