Comment créer un forest plot pour une méta-analyse (guide 2026)

La figure doit rendre trois choses évidentes : l'effet et la précision de chaque étude, la contribution de chacune, et ce qu'elles disent ensemble. Réussissez cela et le graphique raconte toute l'histoire.

Étape 1 : décrivez le forest plot souhaité

Ouvrez l'éditeur et indiquez à l'IA la mesure d'effet, les études et la structure. La mesure d'effet détermine où se place la ligne nulle et si l'axe est en échelle logarithmique : annoncez-la d'emblée.

Un exemple complété :

• « Crée un forest plot pour une méta-analyse de 8 essais randomisés. Mesure d'effet : odds ratio sur un axe des x logarithmique. Une ligne par étude avec le nom de l'étude, l'OR et l'IC à 95 % en texte à droite, un carré dimensionné selon le poids de l'étude, et une ligne verticale en pointillés d'absence d'effet à OR = 1. Ajoute un losange groupé à effets aléatoires en bas, intitulé "Global". »

Étape 2 : saisissez les études et les tailles d'effet

Chaque ligne a besoin d'un libellé et d'une estimation d'effet avec son intervalle. Vous pouvez fournir à l'IA un petit tableau ou les énumérer directement.

• « Ajoute ces études en lignes : Smith 2019, OR 1,42 (1,10–1,84) ; Lee 2020, OR 0,88 (0,61–1,27) ; Garcia 2021, OR 1,95 (1,30–2,93)... »
• « Affiche l'OR numérique et l'IC à 95 % dans une colonne de droite alignée sur chaque ligne. »
• « Ajoute une colonne de gauche avec le premier auteur et l'année pour chaque étude. »

Si votre mesure d'effet est continue, changez la formulation : « Utilise la différence de moyennes avec la ligne d'absence d'effet à 0 et un axe des x linéaire. »

Étape 3 : ajoutez les poids, le losange groupé et l'hétérogénéité

Ce qui distingue un forest plot d'une simple rangée de barres d'erreur, c'est le détail méta-analytique. Demandez-le explicitement :

• « Dimensionne le carré de chaque étude proportionnellement à son poids et ajoute une colonne "Poids (%)" à droite. »
• « Ajoute un losange groupé à effets aléatoires en bas ; sa largeur correspond à l'IC à 95 % de l'estimation de synthèse. »
• « Ajoute les statistiques d'hétérogénéité sous le losange : I² = 38 %, τ² = 0,04, p = 0,12. »
• « Intitule la ligne groupée "Global (effets aléatoires)". »

Précisez si votre regroupement est à effet fixe ou à effets aléatoires — cela change les poids et le losange, et les relecteurs le vérifieront.

Étape 4 : ajoutez des sous-groupes et des libellés de direction

De nombreuses revues répartissent les études par sous-groupe (par ex. dose, région, risque de biais). L'IA peut regrouper les lignes et donner à chaque sous-groupe son propre losange de sous-total.

• « Regroupe les études en deux sous-groupes — "Dose élevée" et "Dose faible" — chacun avec son propre losange de sous-total, puis un losange global tout en bas. »
• « Ajoute un test d'hétérogénéité entre sous-groupes entre les deux sous-totaux. »
• « Ajoute les libellés de direction sous l'axe : "En faveur du traitement" à gauche, "En faveur du contrôle" à droite. »

Les libellés de direction sous l'axe sont une petite touche qui évite aux lecteurs de se tromper sur le côté qui aide. Pour peaufiner ensuite un libellé précis, voyez comment modifier le texte et les étiquettes dans une figure IA.

Erreurs fréquentes (et comment les corriger)

• Mauvaise ligne d'absence d'effet. Une ligne nulle à 1 sur un graphique de différence de moyennes n'a aucun sens. Correctif : « Place la ligne d'absence d'effet à 0 pour les différences de moyennes et à 1 pour les mesures de ratio. »
• Axe linéaire pour des ratios. Les odds ratios et risk ratios sont asymétriques sur une échelle linéaire. Correctif : « Utilise une échelle logarithmique pour l'axe des x afin que les intervalles de confiance paraissent symétriques. »
• Poids des études absents. Des carrés de taille égale masquent les études qui pilotent le résultat. Correctif : « Dimensionne les carrés selon le poids et ajoute une colonne de poids. »
• Pas de losange groupé. Une pile d'études sans synthèse n'est pas une figure de méta-analyse. Correctif : « Ajoute le losange de synthèse groupée en bas. »
• Omission de l'hétérogénéité. Les lecteurs ont besoin de I² et τ² pour juger la synthèse. Correctif : « Ajoute I², τ² et la p-value d'hétérogénéité sous le losange. »
• Colonnes non alignées. Des noms d'études, estimations et IC qui ne s'alignent pas font négligé. Correctif : « Aligne les colonnes étude, estimation, IC et poids en couloirs verticaux nets. »

Exportez et utilisez

Quand le graphique est prêt, exportez-le pour votre cible :

• « Exporte en PNG à 300 DPI au format pleine largeur d'une page de revue. »
• « Donne-moi un SVG pour le retoucher dans Illustrator avant soumission. »
• « Exporte en haute résolution avec un fond blanc pour le fichier supplémentaire. »

Un forest plot est généralement une figure parmi d'autres dans un dossier de revue systématique. Associez-le à comment créer un diagramme de flux PRISMA pour votre flux de sélection d'études et à comment créer un diagramme CONSORT si vous rapportez aussi les essais eux-mêmes. Continuez d'affiner le texte avec comment modifier le texte et les étiquettes dans une figure IA. Tout reste modifiable dans l'éditeur SciDraw AI.

Foire aux questions

Comment créer un forest plot pour une méta-analyse sans R ni RevMan ? Ouvrez le générateur de forest plot, indiquez votre mesure d'effet (odds ratio, risk ratio, différence de moyennes ou hazard ratio), listez chaque étude avec son estimation et son IC à 95 %, et l'IA construit les lignes, les poids et le losange groupé. Vous affinez tout en tapant des instructions — ni metafor ni RevMan nécessaires.

Quelle est la différence entre un forest plot d'odds ratio et de risk ratio ? Les deux sont des mesures de ratio tracées sur un axe des x logarithmique avec la ligne d'absence d'effet à 1 : la mise en page est donc identique. La différence tient au calcul sous-jacent et à l'interprétation ; indiquez simplement au générateur la mesure utilisée par vos données et il étiquette l'axe en conséquence.

Où se place la ligne d'absence d'effet ? À 1 pour les mesures de ratio (odds ratio, risk ratio, hazard ratio) sur une échelle logarithmique, et à 0 pour les mesures de différence (différence de moyennes, différence de moyennes standardisée) sur une échelle linéaire. Annoncer la mesure d'effet d'emblée la place correctement.

Comment afficher les poids des études sur un forest plot ? Demandez à l'IA de dimensionner le carré de chaque étude proportionnellement à son poids et d'ajouter une colonne "Poids (%)". Des carrés plus grands signifient que l'étude a davantage contribué à l'estimation groupée — une convention centrale des figures de méta-analyse.

Puis-je créer un forest plot par sous-groupes ? Oui. Indiquez au générateur de forest plot comment regrouper les études, et il crée des sous-groupes distincts, chacun avec un losange de sous-total, plus un losange global et un test d'hétérogénéité entre sous-groupes optionnel.

Créez votre forest plot maintenant

Faites l'impasse sur la configuration de RevMan. Listez vos études, nommez votre mesure d'effet, et laissez l'IA assembler un forest plot soigné, pondéré et prêt à publier avec son losange groupé. Ouvrez le générateur de forest plot ou rendez-vous directement dans l'éditeur SciDraw AI pour créer le vôtre maintenant.