Score SUCRA : comment lire un classement issu d'une méta-analyse en réseau
Un classement de traitements antihypertenseurs affiche l'IEC en tête avec un score SUCRA de 78%. Faut-il en conclure que ce traitement a 78% de chances de mieux fonctionner que les autres chez un patient donné ? Non — et cette confusion, très répandue, mérite d'être clarifiée avant d'utiliser un tel classement en pratique.
Le problème que résout la méta-analyse en réseau
Une méta-analyse classique compare deux traitements A et B en combinant les essais randomisés qui les opposent directement. Mais en pratique clinique, on dispose rarement d'essais comparant toutes les paires possibles de traitements — on a des essais A vs placebo, B vs placebo, A vs C, mais peu ou pas de B vs C.
La méta-analyse en réseau (Network Meta-Analysis, NMA) résout ce problème en combinant les comparaisons directes ET indirectes à travers un réseau de traitements reliés par des comparateurs communs. Elle permet d'estimer une comparaison B vs C même en l'absence d'essai direct, en passant par les données disponibles A vs B et A vs C.
Ce que mesure le score SUCRA
Une fois le réseau de comparaisons modélisé, chaque traitement obtient une distribution de probabilité de rang (1er, 2e, 3e... parmi tous les traitements comparés) pour le critère d'évaluation choisi. Le SUCRA (Surface Under the Cumulative Ranking curve) résume cette distribution en un score unique entre 0 et 100%.
- Un SUCRA de 100% signifierait que le traitement est classé numéro 1 avec certitude absolue dans toutes les simulations.
- Un SUCRA de 0% signifierait qu'il est systématiquement classé dernier.
- Un SUCRA de 78% reflète une position relative moyenne dans le classement probabiliste — pas une probabilité de succès clinique pour un patient donné.
Les limites à connaître
- Écarts de SUCRA faibles = incertitude, pas égalité. Deux traitements avec des SUCRA proches (ex. 65% vs 61%) ne sont pas nécessairement différents de façon cliniquement significative — l'intervalle de crédibilité autour de chaque estimation doit être consulté, pas seulement le score ponctuel.
- L'hypothèse de transitivité doit être vérifiée. La NMA suppose que les populations des différents essais sont suffisamment comparables pour que les comparaisons indirectes soient valides — une hétérogénéité trop importante entre les essais invalide cette hypothèse.
- Le critère d'évaluation choisi oriente le classement. Un même ensemble de traitements peut se classer différemment selon qu'on évalue la baisse de pression systolique, diastolique, ou la réduction d'événements cardiovasculaires.
Où trouver la méthodologie de référence
Les standards d'évaluation de la confiance dans les résultats d'une NMA sont détaillés dans Nikolakopoulou A, et al., "CINeMA: An approach for assessing confidence in the results of a network meta-analysis", PLOS Medicine, 2020. Les recommandations de choix thérapeutique en hypertension s'appuient sur les guidelines ESH 2023 (Mancia G, et al., Journal of Hypertension).
Classement NMA appliqué à l'HTA
HyperMed AI combine un classement SUCRA issu d'une NMA de 14 classes antihypertensives (~80–120 essais randomisés) avec un filtre biologique dynamique (DFG, ionogramme, contre-indications) pour une recommandation personnalisée, pas seulement statistique.
Essayer HyperMed AI →Cet article a un objectif pédagogique et méthodologique. Il ne remplace pas l'avis d'un cardiologue ou médecin traitant. Toute décision thérapeutique doit s'appuyer sur l'évaluation complète du patient, au-delà d'un classement statistique.
Pour aller plus loin : L’IA pour la revue de littérature.
← Retour au blog