Préprints en santé : info rapide ou faux ami ? Comment les lire sans se faire piéger
On voit passer de plus en plus d’études « sorties » en préprint (avant relecture par les pairs). C’est un peu comme un plat servi avant le contrôle qualité : parfois excellent, parfois pas assez cuit.
Pourquoi c’est utile ?
- Partager vite des résultats (épidémies, nouvelles techniques).
- Permettre à la communauté de commenter, repérer des erreurs, proposer des analyses.
Pourquoi c’est risqué ?
- Pas encore de peer-review : des biais ou erreurs peuvent rester.
- Les médias (et nous) peuvent confondre « publié » et « validé ».
- Les chiffres peuvent changer après relecture (voire l’étude être retirée).
Mini check-list de lecture (simple, mais robuste)
- Question clinique claire ? Population, intervention/exposition, comparateur, critère principal (PICO).
- Méthode solide ? Randomisation, groupe contrôle, aveugle, ou au minimum ajustements pertinents si observationnel.
- Taille d’échantillon et puissance : est-ce dimensionné pour répondre, ou trop petit pour conclure ?
- Critère principal pré-spécifié : attention aux résultats « secondaires » mis en avant parce qu’ils sont positifs.
- Effet vs significativité : regarder la taille d’effet et l’intervalle de confiance, pas seulement la p-value.
- Cohérence : résultats plausibles biologiquement et compatibles avec le reste de la littérature ?
- Transparence : protocole/plan d’analyse disponible ? code/données partagés ? conflits d’intérêts déclarés ?
À retenir : un préprint n’est pas à jeter, mais c’est une information « en cours de contrôle ». Pour une décision clinique, on attend idéalement publication + convergence de plusieurs études.
Sources (repères méthodo)
- ICMJE – Recommendations for the Conduct, Reporting, Editing, and Publication of Scholarly Work in Medical Journals (mise à jour régulière) : https://www.icmje.org/recommendations/
- EQUATOR Network (checklists CONSORT, STROBE, PRISMA…) : https://www.equator-network.org/
- Cochrane Handbook for Systematic Reviews of Interventions : https://training.cochrane.org/handbook
4 commentaires
Post très utile : le préprint est une source de “signal” rapide, mais pas une preuve stabilisée. Pour éviter les pièges, j’ajouterais quelques réflexes simples : 1) vérifier la question PICO, le plan d’étude (RCT vs observationnel) et si le protocole/plan d’analyse est public (preregistration, SAP). 2) regarder la taille d’échantillon, la gestion des données manquantes, et si les analyses de sensibilité sont cohérentes. 3) distinguer résultat statistiquement significatif vs pertinence clinique (effet absolu, IC, NNT). 4) repérer les drapeaux rouges : sur-interprétation, sous-groupes multiples, endpoints modifiés, absence de code/données. Enfin, toujours rechercher si une version revue/acceptée existe et comparer les changements. En santé, un préprint doit surtout guider la discussion, pas la décision clinique immédiate.
Globalement juste : un préprint est bien un manuscrit diffusé avant évaluation par les pairs, utile pour accélérer la circulation des résultats et ouvrir des retours publics. Nuance importante : l’absence de peer‑review ne signifie pas absence totale de contrôle (certains serveurs font un screening minimal : éthique, plagiat, contenu manifestement dangereux), mais ce n’est pas une validation scientifique. Le risque médiatique est réel : des résultats non stabilisés peuvent être repris comme « preuve », surtout en période de crise. Pour éviter le piège, il faut systématiquement vérifier : la version (préprint vs publié), le protocole et l’enregistrement (ClinicalTrials.gov/PROSPERO), la taille d’échantillon, le plan d’analyse, les conflits d’intérêts, et si des données/codes sont disponibles. Enfin, comparer aux études similaires (cohérence, méta-analyses) avant de conclure.
Les préprints accélèrent la diffusion, mais ils exigent une lecture « méthodo-first ». Pour limiter les faux amis, je regarderais d’abord la question PICO, le plan (prospectif vs rétrospectif), l’existence d’un protocole/registration (ClinicalTrials.gov, OSF), puis la qualité des analyses (ajustements, gestion des données manquantes, multiplicité). La taille d’effet et ses IC importent plus que le p-value, surtout en exploratoire. En épidémie, le risque est l’extrapolation médiatique avant validation : vérifier la population, les critères de jugement et la plausibilité biologique. Enfin, un bon réflexe est de comparer la version préprint à la version publiée quand elle sort, et de chercher des critiques publiques (PubPeer, commentaires du serveur). Les préprints sont précieux, mais ce sont des hypothèses en circulation, pas des preuves établies.
Les préprints jouent un rôle croissant en santé, surtout quand la vitesse de diffusion compte (épidémies, méthodes, signaux de pharmacovigilance). Mais leur statut impose une lecture « en mode audit ». En pratique, je regarde d’abord : (1) la question et le plan d’étude (randomisation, groupe contrôle, critères pré-spécifiés, enregistrement/protocole), (2) la taille d’échantillon et la puissance, (3) le risque de biais (confusion, sélection, données manquantes), (4) la robustesse des analyses (ajustements, analyses de sensibilité, multiplicité), (5) la cohérence des effets (IC, tailles d’effet vs p-values), (6) la transparence (code/données, déclaration de conflits d’intérêts). Un bon réflexe est de chercher si l’article a ensuite été publié et quelles modifications ont été apportées. Enfin, prudence maximale quand un préprint change la pratique clinique sans validation indépendante.
Bonne mise en garde : un préprint doit être lu comme un « signal » précoce, pas comme une preuve consolidée. En plus du PICO et du design, je regarderais systématiquement : (1) la taille d’échantillon, la puissance et la plausibilité des tailles d’effet (des effets énormes en observationnel = alerte) ; (2) la gestion des biais clés (confusion résiduelle, biais de sélection, immortal time bias, mesures manquantes) ; (3) la transparence des données et du code (reproductibilité, scripts disponibles) ; (4) la robustesse statistique (analyses de sensibilité, multiplicité, intervalles de confiance plutôt que p-values isolées) ; (5) la cohérence avec la littérature existante et les mécanismes biologiques. Enfin, suivre l’évolution : commentaires publics, versions successives, puis comparaison avec l’article publié après peer-review (changements de résultats/interprétation).