Créateur de graphique en forêt (Forest Plot)

Construisez en quelques secondes des forest plots prêts pour publication pour vos revues systématiques et méta-analyses. Calcule automatiquement les estimations combinées à effet fixe (variance inverse) et à effets aléatoires (DerSimonian-Laird), les poids et les statistiques d'hétérogénéité.

Saisie des données

6 lignes analysées

Configuration du graphique

Aperçu vectoriel en direct

SVG · PNG · PDF
Meta-Analysis: Early Anticoagulation vs. Standard Care Meta-Analysis: Early Anticoagulation vs. Standard Care Study Odds Ratio (95% CI) Effect [95% CI] Weight Chen et al. (2021) 0.68 [0.49, 0.94] 15.6% Patel & Gomez (2022) 0.81 [0.58, 1.13] 14.9% Müller et al. (2023) 0.61 [0.45, 0.83] 17.6% Okafor et al. (2023) 0.75 [0.52, 1.08] 12.4% Sato et al. (2024) 0.64 [0.47, 0.87] 17.4% Lindqvist et al. (2025) 0.72 [0.55, 0.95] 22.1% Pooled (Random, DL) 0.69 [0.61, 0.79] 100.0% 0.5 1 ← Favors Treatment Favors Control → Heterogeneity: I² = 0.0%, τ² = 0.0000, Q = 2.03 (df = 5, p = 0.8448) | Test for overall effect: Z = -5.56, p < 0.0001

Indicateurs statistiques en direct

Effet combiné0.69 [0.61, 0.79]
Hétérogénéité (I²)0.0%
Tau² (τ²)0.0000
Q de Cochran2.03 (p=0.8448)
Valeur p globale< 0.0001

Qu'est-ce qu'un graphique en forêt (forest plot) en méta-analyse ?

Un graphique en forêt (forest plot) est la synthèse visuelle de référence d'une revue systématique et d'une méta-analyse. Chaque ligne horizontale représente une étude distincte : un carré marque l'estimation ponctuelle (Odds Ratio, Risk Ratio, Hazard Ratio ou différence de moyennes) avec une aire proportionnelle à son poids statistique, et le segment horizontal indique son intervalle de confiance à 95 % CI.

En bas du graphique, un losange représente l'effet global combiné et son 95 % CI sur l'ensemble des études. Si le losange ne coupe pas la ligne verticale d'absence d'effet (1,0 sur une échelle de rapports, 0,0 sur une échelle de différences), l'effet combiné est statistiquement significatif au seuil α = 0,05. Rapportez toujours l'hétérogénéité (I², τ² et Q de Cochran) avec le losange combiné.

Comment construire ce graphique

  1. Saisissez les études sur quatre colonnes : nom de l'étude, taille d'effet, borne inférieure du 95 % CI et borne supérieure du 95 % CI.
  2. Sélectionnez l'échelle logarithmique (OR/RR/HR) ou linéaire (MD/SMD), puis choisissez le modèle à effets aléatoires (DerSimonian-Laird) ou à effet fixe.
  3. Vérifiez en direct I², τ², Q, Z et la valeur p globale, puis exportez en SVG vectoriel ou PDF pour votre manuscrit.

Questions fréquentes

Quand choisir les effets aléatoires (DerSimonian-Laird) plutôt que l'effet fixe ?

Utilisez le modèle à effets aléatoires lorsqu'une diversité clinique ou méthodologique existe entre les essais (en particulier si I² > 25–50 %). Le modèle à effet fixe suppose que toutes les études estiment un seul et même effet réel.

Pourquoi l'échelle logarithmique exige-t-elle des nombres positifs ?

Les mesures de rapport (Odds Ratio, Risk Ratio, Hazard Ratio) sont symétriques sur l'échelle du logarithme naturel avec une valeur nulle à 1,0 ; les valeurs doivent donc être strictement positives. Pour les différences de moyennes incluant zéro ou des valeurs négatives, passez à l'échelle linéaire.

Comment les poids des études sont-ils calculés ?

Les erreurs standard sont dérivées de la largeur du 95 % CI de chaque étude : SE = (borne sup. − borne inf.) / (2 × 1,96) sur l'échelle d'analyse. Les poids fixes valent 1/SE² et les poids aléatoires 1/(SE² + τ²).

Puis-je personnaliser les libellés d'axe « Favorise le traitement / Favorise le contrôle » ?

Oui. Modifiez directement les champs Note d'axe gauche et Note d'axe droit dans le panneau de configuration avant de télécharger votre SVG ou PDF.

Explorer d'autres créateurs de graphiques