Désinformation sanitaire : incertitude, science en temps réel et corrections
En matière de santé, une information fausse peut avoir des conséquences plus immédiates que dans beaucoup d’autres domaines. Croire à tort qu’un traitement est efficace peut conduire à retarder une prise en charge utile ; exagérer un effet indésirable peut détourner d’une prévention efficace ; minimiser un risque réel peut conduire à s’exposer inutilement. Mais la santé présente aussi une difficulté particulière : la connaissance médicale évolue, parfois rapidement, et plus encore au début d’une épidémie ou face à un traitement nouveau.
Pendant la pandémie de Covid-19, le public a ainsi vu des recommandations changer, des résultats préliminaires être contredits, des estimations d’efficacité diminuer avec l’apparition de nouveaux variants et des débats scientifiques auparavant confinés aux revues spécialisées se dérouler presque en direct. Dans cet environnement, une erreur conceptuelle devient particulièrement facile : confondre une connaissance provisoire qui évolue avec une désinformation, ou, inversement, utiliser l’incertitude normale de la science pour prétendre que toutes les affirmations se valent.
La difficulté est réelle jusque dans la littérature spécialisée. Une analyse conceptuelle publiée en 2026 souligne que la définition même de la « désinformation sanitaire » reste discutée lorsque les preuves sont incertaines, contradictoires ou encore insuffisantes. Les auteurs constatent notamment des désaccords sur la manière de qualifier une affirmation qui ne correspond pas au consensus scientifique lorsque ce consensus lui-même reste provisoire.
La règle la plus robuste consiste donc à revenir au principe déjà construit dans cette rubrique : évaluer une affirmation relativement aux meilleures preuves disponibles au moment où elle est formulée, tout en distinguant ce qui est faux, ce qui est non démontré et ce qui reste réellement incertain.
« Nous ne savons pas » n’est pas une désinformation
Supposons qu’un nouveau virus apparaisse. Une question essentielle est immédiatement posée : peut-il provoquer une complication neurologique particulière ? Trois réponses sont possibles : « oui », « non » et « nous ne disposons pas encore de données suffisantes pour le savoir ». La troisième réponse n’est pas une faiblesse de la science. Elle peut être la réponse la plus exacte disponible.
Une confusion fréquente consiste pourtant à transformer l’incertitude en proposition binaire. Si aucune étude solide n’a encore établi l’existence de la complication, quelqu’un affirme : « il est prouvé que le virus ne provoque pas cette complication ». C’est aller au-delà des preuves. À l’inverse, quelqu’un peut répondre : « personne n’a prouvé que c’était impossible, donc le virus provoque probablement cette complication ». C’est la même erreur en sens inverse. Absence de preuve n’est pas automatiquement preuve d’absence. Mais lorsqu’une hypothèse devrait produire un signal facilement détectable et que de grandes études suffisamment puissantes ne le trouvent pas, l’absence observée devient progressivement une véritable preuve contre elle. La signification d’un résultat négatif dépend donc de ce que nous aurions raisonnablement dû observer si l’hypothèse était vraie.
Cette gradation est particulièrement importante en médecine, où certaines questions demandent des populations immenses pour détecter un événement rare.
La vérité et la justification ne sont pas exactement la même chose
Imaginons qu’en janvier un médecin affirme : « Le traitement X réduit de moitié la mortalité. » À cette date, il ne dispose que d’une petite étude observationnelle très incertaine. En juin, un grand essai randomisé montre effectivement une réduction proche de 50 %. Devons-nous conclure que l’affirmation de janvier était scientifiquement justifiée puisque le résultat final lui a donné raison ? Non. Une affirmation peut finalement se révéler vraie alors qu’elle était insuffisamment étayée au moment où elle a été présentée comme certaine.
L’inverse est également possible. Une hypothèse raisonnablement soutenue par les premières données peut être abandonnée lorsque des recherches plus solides montrent qu’elle était fausse. Cela ne transforme pas automatiquement les chercheurs qui la défendaient initialement en producteurs de désinformation. Nous devons donc distinguer deux questions : la proposition était-elle vraie ? et le niveau de confiance affiché était-il justifié par les preuves disponibles à ce moment-là ? Cette distinction protège à la fois contre le relativisme et contre une vision rétrospective trop facile de la science.
Une hypothèse n’est pas une fausse information simplement parce qu’elle est minoritaire
Une science capable de progresser doit laisser exister des hypothèses concurrentes. Une idée minoritaire peut être incorrecte, mais elle peut aussi identifier une faiblesse réelle du modèle dominant. Le fait qu’une proposition contredise le consensus constitue une information épistémique importante, surtout dans les domaines disposant d’une communauté scientifique mature et de nombreuses données. Ce n’est pourtant pas une preuve logique de fausseté.
La manière dont l’affirmation est présentée devient alors décisive. Dire : « voici une hypothèse minoritaire et les éléments qui la soutiennent » est différent de dire : « les scientifiques savent que cette hypothèse est vraie mais vous le cachent » lorsque les preuves ne permettent pas cette conclusion. De même, une institution devrait pouvoir dire : « les données actuelles rendent cette hypothèse peu probable » sans prétendre qu’elle est métaphysiquement impossible. La science gagne rarement à transformer des degrés de confiance en certitudes absolues.
Une crise sanitaire accélère brutalement le cycle normal de la science
En période ordinaire, une étude est menée, discutée dans des séminaires, évaluée par des pairs, publiée puis éventuellement répliquée. Le public n’en voit parfois que le résultat relativement stabilisé plusieurs années plus tard. Pendant le Covid-19, ce processus s’est retrouvé sous une lumière permanente. Des prépublications étaient commentées dans les médias avant évaluation par les pairs ; de petites études devenaient des événements politiques ; des chercheurs de disciplines différentes proposaient simultanément des interprétations concurrentes ; des décisions devaient être prises avant que toutes les données pertinentes existent. Le fonctionnement de la science n’était pas devenu soudainement anormal. Le public observait beaucoup plus directement son état normalement provisoire.
Cette accélération possède un avantage considérable : des connaissances importantes peuvent circuler beaucoup plus vite. Elle possède également un risque : une conclusion encore fragile peut être présentée médiatiquement avec la force d’un résultat établi. Une prépublication n’est pas nécessairement mauvaise. Une étude évaluée par les pairs n’est pas nécessairement correcte. Mais ces statuts nous apprennent quelque chose sur le degré de contrôle déjà subi par le résultat.
Lorsque les recommandations changent, plusieurs choses différentes peuvent avoir changé
Une modification de recommandation sanitaire est souvent interprétée ainsi : « Ils disaient A hier et B aujourd’hui ; l’un des deux devait donc être faux. » C’est parfois le cas. Une première évaluation peut réellement avoir été incorrecte. Mais au moins trois mécanismes très différents peuvent produire un changement.
Le premier est l’évolution des connaissances : de nouvelles études fournissent de meilleures données et modifient l’estimation d’un risque ou d’un bénéfice. Le deuxième est l’évolution du phénomène lui-même : un nouveau variant, une population davantage immunisée ou une nouvelle technologie modifient objectivement la situation. Le troisième est l’évolution du problème décisionnel : la même connaissance scientifique peut conduire à une recommandation différente lorsque la disponibilité des traitements, les coûts, les contraintes hospitalières ou le niveau de circulation d’un virus changent. Ces cas ne doivent pas être confondus. Une recommandation médicale n’est pas toujours un simple énoncé factuel. Elle combine souvent une estimation scientifique avec un jugement sur les bénéfices, les risques et les contraintes.
Une recommandation peut changer sans que le fait scientifique précédent soit devenu faux
Supposons qu’une infection soit extrêmement rare. Un traitement préventif réduit le risque de moitié mais produit un effet indésirable grave chez une personne sur 100 000. Dans une population où la maladie touche une personne sur un million, le traitement peut être déconseillé. Lorsqu’une épidémie fait passer le risque à une personne sur cent, exactement le même traitement avec exactement la même efficacité peut devenir nettement favorable. Le médicament n’a pas changé. Le calcul bénéfice-risque a changé. Cette distinction est fondamentale pour comprendre la santé publique. Une recommandation résulte souvent de la combinaison : preuves × fréquence du risque × gravité des conséquences × alternatives disponibles × valeurs et priorités collectives. Présenter chaque changement de recommandation comme la réfutation d’un ancien « fait scientifique » peut donc être conceptuellement erroné.
Le Covid fournit un exemple clair avec l’efficacité vaccinale
Au début des campagnes de vaccination, les résultats concernaient des variants et des populations particulières. Plus tard, l’apparition d’Omicron, l’accumulation d’infections antérieures et le temps écoulé depuis la vaccination ont profondément modifié les estimations. Une méta-analyse de 40 études publiée dans *JAMA Network Open* a par exemple montré que la protection contre l’infection et la maladie symptomatique dues à Omicron diminuait nettement avec le temps et plus rapidement que pour Delta, tandis que la protection contre les formes sévères suivait une dynamique différente. Il serait donc trompeur de demander simplement :
« Le vaccin était-il efficace : oui ou non ? »
Il faut préciser : quel vaccin, contre quel variant, combien de temps après quelle dose, pour prévenir quelle issue — infection, maladie symptomatique, hospitalisation ou décès — et dans quelle population ? Deux chiffres d’efficacité très différents peuvent être tous les deux corrects s’ils mesurent des résultats différents à des périodes différentes. Une partie de la désinformation sanitaire consiste précisément à faire disparaître ces conditions.
Une statistique sanitaire n’a de sens qu’avec son critère de jugement
Dire :
« Le traitement réduit le risque de 50 %. »
est incomplet. Réduit-il de 50 % le risque d’infection, de symptômes, d’hospitalisation, de décès ou de récidive ? Pendant combien de temps ? Dans quelle population ? Par rapport à quoi ? Une intervention peut avoir un effet important sur les hospitalisations et beaucoup plus faible sur les infections bénignes. Présenter le second résultat comme démontrant que « le traitement ne fonctionne pas » serait aussi trompeur que présenter le premier comme démontrant qu’il « empêche toutes les infections ». Les mêmes précautions valent pour les risques relatifs et absolus étudiés dans la fiche sur les chiffres trompeurs. En santé, l’oubli du dénominateur ou du critère de jugement peut changer directement une décision.
L’évolution de la transmission du SARS-CoV-2 illustre aussi la science en mouvement
La compréhension de la transmission du Covid a évolué avec l’accumulation des preuves. Les recommandations internationales ont progressivement accordé davantage d’importance aux particules respiratoires pouvant rester en suspension dans l’air et au risque accru dans les espaces clos mal ventilés ; les recommandations destinées aux professionnels ont elles-mêmes été mises à jour à mesure que les données sur la transmission et les variants évoluaient. Ce genre d’évolution peut être raconté de deux façons. Première version : « les scientifiques se sont contredits, donc ils ne savaient rien ». Deuxième version : « les scientifiques ont parfaitement compris la transmission dès le premier jour ». Les deux sont mauvaises.
La représentation correcte est : des modèles concurrents existaient, les données étaient initialement limitées, certaines positions institutionnelles ont pu être trop lentes ou trop catégoriques, puis l’accumulation des observations et recherches a modifié le poids accordé aux différents mécanismes. C’est exactement ce qu’une science faillibiliste devrait pouvoir faire.
Reconnaître une erreur institutionnelle n’attaque pas la science
Une défense maladroite de la science consiste parfois à présenter chaque décision passée comme la seule décision rationnelle possible. Ce n’est pas nécessaire. Une institution peut avoir sous-estimé une hypothèse, communiqué trop catégoriquement, tardé à réviser une recommandation ou choisi une stratégie discutable. Reconnaître ces erreurs n’implique pas : « les institutions scientifiques ne servent à rien ». Au contraire, une institution digne de confiance devrait être capable de documenter pourquoi elle a changé d’avis. L’autocorrection n’est convaincante que si l’on peut reconnaître qu’il y avait quelque chose à corriger. Le scepticisme rationnel ne consiste donc ni à sanctifier les autorités sanitaires ni à supposer qu’une erreur prouve leur malhonnêteté.
Une erreur n’est pas nécessairement un mensonge
Cette distinction rejoint le début de la rubrique. Pour démontrer qu’une institution a menti, il ne suffit pas de montrer qu’une affirmation s’est révélée fausse. Il faut établir qu’elle disposait de raisons suffisantes de la considérer fausse ou trompeuse lorsqu’elle l’a formulée et qu’elle cherchait néanmoins à induire son public en erreur. Une prévision épidémiologique qui se révèle mauvaise peut être une erreur de modèle. Une recommandation révisée peut résulter de nouvelles preuves. Une déclaration trop catégorique peut constituer une mauvaise communication. Une dissimulation consciente de données importantes serait un problème différent. Mettre tout cela dans la même catégorie « ils ont menti » détruit précisément les distinctions dont nous avons besoin pour attribuer correctement les responsabilités.
Mais « les connaissances évoluaient » ne doit pas devenir une excuse universelle
La prudence fonctionne également dans l’autre sens. Il serait facile pour une institution d’expliquer toute erreur a posteriori par :
« La science évolue. »
Cette réponse n’est pas suffisante lorsque les données disponibles à l’époque avaient déjà été mal représentées. Nous devons pouvoir demander : quelles preuves existaient exactement à cette date ? Quel degré d’incertitude était raisonnable ? Des spécialistes compétents avaient-ils identifié une faiblesse qui fut ignorée ? La communication publique reflétait-elle réellement le niveau de confiance scientifique ? C’est une question historique et documentaire. La révision scientifique légitime ne doit pas fournir une immunité contre la critique rétrospective.
Dire « selon les connaissances disponibles » n’est pas une formule vide
Cette expression peut sembler être une précaution bureaucratique. Elle représente pourtant une idée épistémologique fondamentale. La médecine ne possède pas un accès direct à la vérité future. Elle décide à partir de preuves nécessairement datées. Une définition opérationnelle fréquemment utilisée en santé qualifie ainsi de désinformation les affirmations fausses ou trompeuses au regard des meilleures données disponibles au moment considéré. L’étude expérimentale de Loomba et ses collègues sur les vaccins contre le Covid utilisait explicitement cette conception. Cela impose cependant de conserver les archives. Pour juger rétrospectivement une affirmation de mars 2020, il faut examiner ce que l’on pouvait raisonnablement savoir en mars 2020, pas projeter silencieusement les connaissances de 2022 vers le passé.
Le problème inverse : « finalement c’était vrai »
Une affirmation non étayée en 2020 peut se révéler exacte en 2022. Cela ne signifie pas nécessairement que ceux qui la présentaient comme une certitude en 2020 raisonnaient correctement. Imaginons mille personnes affirmant chacune une cause différente d’une maladie sans preuve solide. L’une finira peut-être par tomber juste. Le résultat final ne transforme pas sa méthode en bonne méthode. C’est le problème classique du pronostic chanceux : avoir raison n’est pas toujours la même chose qu’avoir eu de bonnes raisons d’avoir raison. Inversement, une institution qui attribuait une faible probabilité à une hypothèse finalement confirmée n’était pas nécessairement irrationnelle si les preuves disponibles rendaient effectivement cette hypothèse peu probable à ce moment-là. Le jugement scientifique doit porter sur la qualité de l’inférence au moment où elle était faite, pas uniquement sur le verdict final.
« Non démontré » devrait être une catégorie beaucoup plus visible
Une grande partie des controverses sanitaires gagnerait à utiliser au moins trois catégories plutôt que deux : établi, réfuté et non établi / incertain. Supposons qu’une petite étude suggère qu’un aliment diminue le risque de démence. Écrire :
« Cet aliment prévient la démence »
est excessif. Écrire :
« Il est faux que cet aliment puisse avoir un effet »
peut être tout aussi excessif. La formulation correcte pourrait être : « une association préliminaire a été observée, mais les données ne permettent pas encore d’établir un effet causal ». Ce vocabulaire est moins spectaculaire. Il correspond beaucoup mieux au fonctionnement normal de la recherche médicale.
Les médias ont parfois du mal avec cette troisième catégorie
Les titres favorisent naturellement les propositions simples : « le café protège le cœur », puis quelques années plus tard « le café serait mauvais pour le cœur ». Le lecteur peut conclure :
« La science change tout le temps d’avis. »
Mais les études elles-mêmes ont parfois posé des questions différentes, utilisé des doses différentes, étudié des populations différentes ou produit des estimations compatibles compte tenu de leurs intervalles d’incertitude. Une partie de l’impression de contradiction est donc créée au moment de la traduction médiatique. Cela ne disculpe pas les chercheurs : les communiqués de presse universitaires et les auteurs peuvent eux-mêmes exagérer leurs résultats. L’évaluation correcte exige de remonter vers la question exacte, la méthode et la force réelle des conclusions.
L’urgence favorise les résultats prématurés
En situation de crise sanitaire, attendre plusieurs années avant d’agir peut être impossible. Cette contrainte produit une tension fondamentale entre deux erreurs : agir trop tôt sur la base de données fragiles ou attendre trop longtemps alors qu’une intervention potentiellement utile était déjà suffisamment probable. La science fournit des probabilités et des estimations. La décision doit ensuite intégrer le coût des deux types d’erreur. Si une intervention est presque sans risque et potentiellement très bénéfique, on peut raisonnablement l’adopter avec un niveau de preuve moins élevé que pour un traitement présentant de graves effets indésirables. C’est pourquoi « preuve insuffisante pour établir définitivement l’efficacité » et « aucune raison d’utiliser provisoirement cette mesure » ne sont pas toujours équivalents. La santé publique est aussi une théorie de la décision sous incertitude.
Les prépublications ne sont ni fausses ni validées
La pandémie a rendu le mot *preprint* familier au grand public. Une prépublication permet de diffuser rapidement un résultat avant la fin du processus traditionnel d’évaluation par les pairs. Elle peut contenir un excellent travail. Elle peut aussi contenir une erreur importante. Le statut de prépublication signifie surtout : ce travail n’a pas encore franchi certaines étapes de contrôle éditorial et scientifique. Une bonne communication devrait donc éviter deux extrêmes : « ce n’est pas évalué par les pairs, donc c’est faux » et « une étude scientifique vient de prouver que… » alors qu’il s’agit d’une première analyse non répliquée. L’information pertinente est le niveau actuel de maturation de la preuve.
Une étude isolée ne renverse généralement pas un ensemble de preuves
La désinformation sanitaire exploite fréquemment une asymétrie rhétorique. Un grand nombre d’études soutient une conclusion générale, puis une étude nouvelle produit un résultat différent. On annonce :
« Une nouvelle étude détruit tout ce que l’on croyait savoir. »
Parfois, une étude réellement décisive justifie une révision importante. Mais le plus souvent, elle doit être intégrée à l’ensemble des preuves existantes. Une étude peut diverger à cause du hasard, d’une population différente, d’un biais ou d’une véritable hétérogénéité de l’effet. C’est précisément pourquoi les **méthodes scientifiques** donnent autant d’importance à la réplication, aux revues systématiques et aux méta-analyses. Une anomalie mérite examen. Elle n’annule pas automatiquement tout ce qui la précède.
Le témoignage individuel possède une puissance particulière en santé
« Mon voisin a pris ce médicament et a guéri le lendemain. » L’histoire est réelle. L’inférence peut être mauvaise. La personne aurait peut-être guéri spontanément. Elle prenait peut-être plusieurs traitements. La maladie avait peut-être été mal diagnostiquée. À l’inverse :
« Ma tante a reçu le vaccin et a fait un infarctus trois jours plus tard »
décrit une succession temporelle qui peut être parfaitement exacte sans établir un lien causal. Lorsque des millions de personnes reçoivent une intervention médicale, certains événements graves se produiront nécessairement peu après par hasard. Cela ne signifie pas que les signalements individuels soient inutiles. Ils peuvent constituer des signaux de pharmacovigilance conduisant à rechercher si l’événement apparaît plus souvent qu’attendu. Le passage correct est donc : anecdote → signal possible → comparaison avec un taux attendu → étude systématique, pas anecdote → causalité démontrée.
Mais les signaux rares ne doivent pas être rejetés parce qu’ils commencent par des anecdotes
La prudence doit encore fonctionner dans les deux sens. Certains effets indésirables rares sont initialement repérés parce que plusieurs médecins observent des événements inhabituels. Le caractère anecdotique des premiers cas ne permet pas de conclure qu’ils sont imaginaires. La question devient : le signal se répète-t-il ? existe-t-il un mécanisme plausible ? l’incidence dépasse-t-elle celle attendue sans traitement ? observe-t-on une relation temporelle ou dose-réponse cohérente ? Un bon système de surveillance transforme progressivement des observations individuelles en données comparatives. L’esprit critique ne dit donc pas : « les anecdotes ne valent rien ». Il dit : « elles ont une valeur probante limitée pour établir seules une fréquence ou une causalité ».
L’incertitude mal communiquée crée un terrain idéal pour la défiance
Une institution peut être tentée de présenter une conclusion avec davantage de certitude qu’elle n’en possède afin d’éviter de « semer le doute ». Cette stratégie offre un bénéfice immédiat : le message est simple. Mais elle comporte un risque à moyen terme. Lorsque de nouvelles preuves modifient la conclusion, le changement ressemble moins à une mise à jour attendue qu’à une contradiction ou une dissimulation.
Une expérience britannique randomisée auprès de 328 adultes a testé précisément ce problème avec des messages concernant l’efficacité d’un vaccin contre le Covid. Lorsque les participants recevaient initialement une communication certaine puis une information contradictoire, leur confiance dans le gouvernement et leur intention vaccinale diminuaient davantage que lorsque l’incertitude avait été communiquée dès le départ ; l’écart était d’environ d = 0,34 pour les deux résultats. Autrement dit, reconnaître l’incertitude peut parfois constituer une assurance contre les révisions futures.
Une expérience de 2024 retrouve le même mécanisme
Charlotte Dries et ses collègues ont présenté à 800 participants une déclaration fictive d’une autorité sanitaire concernant un possible lien entre un nouveau vaccin contre le Covid et une inflammation cardiaque. Les informations étaient ensuite modifiées à mesure que de nouvelles données apparaissaient. Lorsque le message initial avait reconnu et expliqué l’incertitude, la révision ultérieure entraînait moins de perte de confiance que lorsque la conclusion avait d’abord été présentée avec une plus grande certitude. Le mécanisme est intuitif. Si l’autorité dit :
« Les données actuellement disponibles ne montrent pas de signal, mais l’échantillon reste trop petit pour exclure un effet rare »,
une découverte ultérieure peut être intégrée dans le modèle initial. Si elle avait dit :
« Il n’existe aucun risque »,
la même découverte ressemble à une réfutation complète. La calibration initiale protège la crédibilité future.
Mais communiquer l’incertitude n’a pas toujours le même effet
Nous ne devons pas transformer cette observation en nouvelle recette universelle. Une grande expérience portant sur 10 519 participants, complétée par une seconde auprès de 2 309 personnes, a montré que présenter une incertitude statistique sous forme de plage numérique avait peu d’effet sur la confiance envers la source, tandis qu’une formulation vague disant simplement qu’« il existe de l’incertitude » pouvait diminuer davantage la confiance dans le chiffre et sa source.
Deux expériences préenregistrées publiées en 2025, portant respectivement sur 600 participants pour les vaccins contre le Covid et 1 001 pour les événements météorologiques extrêmes, montrent en outre que la réaction à l’incertitude dépend des croyances préalables et de la concordance entre celles-ci et les preuves présentées.
Une revue systématique publiée en 2026, synthétisant 24 articles, conclut néanmoins que la transparence sur l’incertitude tend globalement à avoir un effet positif sur la confiance, tout en soulignant l’hétérogénéité des situations et la nécessité de tenir compte du public et du contexte politique. La bonne règle n’est donc pas simplement « dites que vous êtes incertains ». Elle est plutôt : dites sur quoi porte l’incertitude, pourquoi elle existe et, lorsque c’est possible, quelle est son ampleur.
« Entre 10 et 20 % » est plus informatif que « les experts sont incertains »
Cette différence mérite d’être soulignée. Une formulation vague comme :
« Nous ne savons pas vraiment. »
peut laisser imaginer que toutes les valeurs sont possibles. Une formulation comme :
« Les études disponibles situent actuellement le risque entre environ 10 et 20 %, mais l’échantillon reste insuffisant pour être beaucoup plus précis »
transmet simultanément une connaissance et sa limite. L’incertitude scientifique ne signifie presque jamais ignorance totale. Nous pouvons être très confiants sur certaines dimensions et beaucoup moins sur d’autres. Dire précisément ce que nous savons et ce que nous ne savons pas encore est beaucoup plus informatif que choisir entre la fausse certitude et le vague absolu.
Un intervalle d’incertitude peut lui-même être mal compris
Afficher davantage de chiffres ne garantit pas une meilleure communication. Un intervalle de confiance, par exemple, possède une signification technique qui n’est pas intuitive pour tout le monde. Une estimation peut également comporter des incertitudes que l’intervalle statistique ne capture pas : biais de sélection, qualité des données, erreurs de mesure ou hypothèses du modèle. Une bonne communication ne doit donc pas se contenter de déposer :
« IC95 % : 0,74–1,18 »
devant le public. Elle doit traduire ce que cela implique raisonnablement pour la décision : les données permettent-elles d’exclure un effet important ? la direction reste-t-elle incertaine ? quelles nouvelles données pourraient changer la conclusion ? La transparence n’est utile que si elle reste compréhensible.
Les recommandations devraient parfois contenir les conditions de leur propre révision
Une communication particulièrement robuste peut annoncer :
« Nous recommandons actuellement X parce que les données A et B suggèrent Y. Nous réévaluerons cette recommandation si l’étude C montre Z ou si l’incidence descend sous tel niveau. »
Cette forme de communication possède un avantage considérable : lorsqu’une modification survient, elle paraît moins arbitraire. Le public peut voir quel élément du raisonnement a changé. Elle transforme :
« Hier vous disiez autre chose »
en :
« la condition que vous aviez explicitement identifiée s’est modifiée ».
Toutes les décisions ne permettent évidemment pas des seuils aussi précis. Mais rendre visible la logique de mise à jour rapproche la communication publique du raisonnement scientifique réel.
Une correction sanitaire ne doit pas seulement dire « faux »
Supposons qu’une rumeur affirme :
« Le médicament X augmente de 300 % le risque de thrombose. »
Le chiffre provient réellement d’une étude. Écrire simplement :
« Faux »
serait peut-être aussi trompeur que la publication initiale. La bonne correction pourrait expliquer que le risque observé est passé, par exemple, de 1 cas à 4 cas pour 100 000, que l’intervalle d’incertitude reste large, que l’association est ou non compatible avec les autres études et que le risque doit être comparé aux bénéfices du traitement et aux risques de la maladie elle-même. La correction doit rétablir le dénominateur, l’incertitude et le contexte décisionnel. C’est particulièrement important en médecine parce qu’un chiffre factuellement exact peut produire une représentation extrêmement fausse du risque.
Une correction trop absolue peut préparer la prochaine désinformation
Imaginons une rumeur exagérant un effet secondaire rare. Pour rassurer, une institution répond :
« Ce traitement ne provoque absolument jamais cet effet. »
Quelques mois plus tard, une étude solide montre un risque très faible mais réel. La correction initiale devient alors une ressource idéale pour les producteurs de désinformation :
« Voyez : ils nous ont menti. »
Une meilleure communication aurait peut-être dit :
« Aucun excès de risque n’est détecté dans les données actuelles ; un effet très rare ne peut pas encore être totalement exclu et la surveillance continue. »
La seconde formulation est moins spectaculaire. Elle est beaucoup plus résistante aux nouvelles données. La prudence scientifique n’est donc pas seulement une vertu académique. Elle peut constituer une protection contre l’exploitation future des révisions normales de la connaissance.
Reconnaître publiquement une correction peut renforcer plutôt qu’affaiblir la crédibilité
Il existe une peur institutionnelle compréhensible : reconnaître une erreur ferait perdre la confiance. Les travaux sur la communication de l’incertitude suggèrent que cette intuition est trop simple. Une revue systématique récente conclut plutôt que dissimuler ou minimiser l’incertitude peut devenir plus coûteux lorsque les preuves changent. La crédibilité à long terme ne repose donc pas sur l’image : « nous ne nous trompons jamais ». Elle peut davantage reposer sur : « voici ce que nous pensions, voici pourquoi, voici les nouvelles preuves et voici pourquoi nous révisons notre conclusion ». Une institution qui documente ses changements montre la procédure même par laquelle la connaissance se corrige.
Mais toutes les corrections ne réparent pas automatiquement la confiance
Une personne peut avoir subi personnellement les conséquences d’une mauvaise recommandation. Lui répondre :
« La science évolue »
ne suffit pas nécessairement. La confiance dépend également de la compétence perçue, de l’intégrité, de l’écoute et de l’impression que l’institution partage réellement les préoccupations du public. Une revue systématique de 2024 portant sur 813 études empiriques publiées entre 2013 et 2022 conclut justement que la confiance occupe un rôle central, mais souvent insuffisamment conceptualisé, dans les circuits de la désinformation sanitaire. La confiance n’est pourtant pas une alternative aux preuves. Elle détermine en partie à qui nous acceptons de déléguer l’évaluation de preuves que nous ne pouvons pas toutes examiner nous-mêmes.
La médecine rend cette délégation particulièrement nécessaire
Personne ne peut personnellement vérifier la totalité des essais cliniques, données de pharmacovigilance, modèles épidémiologiques et analyses biologiques nécessaires à chaque décision sanitaire. Nous devons déléguer. La question rationnelle n’est donc pas :
« Dois-je faire confiance aux experts ? »
mais :
« Dans quelles conditions cette délégation est-elle justifiée et comment puis-je détecter les situations où elle mérite d’être réexaminée ? »
La spécialisation, la transparence méthodologique, la convergence entre équipes indépendantes, les mécanismes de déclaration des conflits d’intérêts et la capacité de révision constituent des indices pertinents. L’argument d’autorité devient problématique lorsqu’il demande : « croyez ceci uniquement parce que nous le disons ». La confiance épistémique est plus robuste lorsque l’autorité peut expliquer pourquoi son système mérite une confiance calibrée.
Les conflits d’intérêts doivent être examinés sans devenir une théorie universelle de la corruption
La santé implique des industries extrêmement puissantes, des agences publiques, des intérêts professionnels et d’immenses marchés. Les conflits d’intérêts sont donc une question parfaitement légitime. Ils peuvent augmenter la probabilité de certains biais et justifier des exigences supplémentaires de transparence, d’indépendance et de réplication. Mais découvrir qu’une étude a été financée par une entreprise ne démontre pas automatiquement que ses résultats sont faux. Inversement, l’absence de financement industriel ne garantit pas l’absence de biais. Un conflit d’intérêts est une information sur les conditions de production de la preuve. Il doit modifier la vigilance sans remplacer l’évaluation de la méthode. Sinon, le raisonnement devient génétique : « je connais l’origine de l’affirmation, donc je connais sa vérité ».
La désinformation sanitaire exploite souvent de vraies incertitudes
Les messages les plus efficaces ne sont pas nécessairement des fabrications absurdes. Ils peuvent partir d’un fait réel : un effet indésirable existe, une étude s’est trompée, une entreprise possède un conflit d’intérêts, une recommandation a changé, des scientifiques sont en désaccord. La manipulation consiste alors à transformer : « il existe un risque rare » en « le traitement est extrêmement dangereux » ; « une étude a été rétractée » en « aucune recherche n’est fiable » ; « les recommandations ont changé » en « ils savaient qu’ils mentaient » ; « quelques chercheurs défendent une hypothèse différente » en « la communauté scientifique cache la vérité ». Nous retrouvons le mécanisme étudié dans Dire vrai pour tromper : la proposition de départ peut être exacte tandis que l’inférence finale devient disproportionnée.
La réponse institutionnelle peut elle-même nourrir ce mécanisme
Si les autorités répondent à toute critique par :
« Il n’existe aucune incertitude »,
elles offrent paradoxalement un avantage aux acteurs qui montreront ensuite une véritable zone d’incertitude. Le public peut alors passer d’un excès à l’autre : « les autorités savent tout » → « elles se sont trompées ici » → « elles ne savent donc rien ». Une communication plus robuste prépare dès le départ une représentation réaliste : certaines conclusions sont très solides, d’autres modérément solides, certaines restent provisoires ; toutes peuvent être révisées, mais elles ne sont pas pour autant également incertaines. Le faillibilisme ne signifie pas que toutes les connaissances sont fragiles.
« La science s’est déjà trompée » n’est pas un argument suffisant
L’histoire de la médecine contient évidemment des erreurs importantes. Mais de : « la médecine s’est trompée dans le passé » on ne peut pas déduire : « cette affirmation médicale actuelle est probablement fausse ». Il faudrait connaître le taux d’erreur pertinent, la qualité actuelle des données et les mécanismes de contrôle disponibles. Dire :
« Les médecins se sont déjà trompés »
possède à peu près la même structure que :
« Les avions se sont déjà écrasés, donc celui-ci va probablement s’écraser. »
Les erreurs passées justifient des mécanismes de vigilance et d’autocorrection. Elles ne permettent pas de choisir arbitrairement l’hypothèse opposée à celle des experts.
« Le consensus peut changer » ne signifie pas « le consensus ne vaut rien »
Un consensus scientifique est toujours révisable. Mais cette révisabilité ne le rend pas épistémiquement vide. Si des centaines d’équipes indépendantes, utilisant plusieurs méthodes, convergent progressivement vers la même conclusion, cette convergence constitue une information importante. Une hypothèse opposée doit alors généralement produire des preuves proportionnellement fortes pour justifier une grande révision. Le consensus ne crée pas la vérité par vote. Il sert plutôt de résumé imparfait de la distribution actuelle des preuves et jugements experts. Lorsque les données changent suffisamment, le consensus devrait changer avec elles. C’est précisément ce qui le distingue d’un dogme.
La correction sanitaire doit viser une décision, pas seulement une croyance
Une personne qui demande :
« Dois-je accepter ce traitement ? »
n’a pas seulement besoin d’apprendre qu’une vidéo TikTok contient une erreur. Elle doit comprendre le bénéfice attendu, le risque, les alternatives et l’incertitude qui subsiste. Corriger le mensonge sans fournir cette information peut laisser intacte la question pratique qui avait poussé la personne à chercher une réponse. C’est ici que la communication sanitaire diffère parfois d’un fact-check politique ordinaire. Une correction utile devrait idéalement restaurer la capacité de décider correctement.
Les interventions disponibles sont utiles, mais les preuves comportementales restent limitées
Une revue de 50 études d’intervention sur la désinformation liée au Covid, couvrant les travaux publiés jusqu’en février 2023, trouve des résultats favorables pour plusieurs stratégies : rappels d’exactitude, debunking, littératie médiatique, avertissements et superpositions explicatives. Mais seulement 18 % des études incluaient un véritable résultat de santé publique, comme l’intention vaccinale ; beaucoup mesuraient surtout croyance ou partage, et les méthodes étaient très hétérogènes.
Une revue systématique de 2025 consacrée aux corrections sanitaires narratives arrive également à une conclusion prudente : sur 20 études, les narrations ne se montraient supérieures aux corrections non narratives que dans une minorité des comparaisons directes. La crédibilité de la source, la proximité sociale et la structure du message modifiaient les résultats. Il n’existe donc pas encore une recette universelle de communication sanitaire capable de corriger toutes les populations et toutes les fausses croyances.
Une désinformation peut réellement modifier une intention sanitaire
Cette prudence ne signifie pas que les effets soient imaginaires. Dans un essai randomisé auprès de 8 001 participants britanniques et américains, Loomba et ses collègues ont exposé les participants soit à des informations factuelles, soit à plusieurs désinformations réellement diffusées concernant les futurs vaccins contre le Covid. Comparativement aux informations factuelles, l’exposition aux messages trompeurs réduisait d’environ 6,2 points de pourcentage au Royaume-Uni et 6,4 points aux États-Unis la proportion de personnes disant qu’elles accepteraient « certainement » la vaccination. Comme nous l’avons vu dans la fiche sur les comportements, il s’agit d’une intention déclarée, pas d’une vaccination effectivement observée plusieurs mois plus tard. Mais l’expérience démontre qu’une désinformation sanitaire peut produire un déplacement causal mesurable d’une décision envisagée.
Les enjeux ne sont donc pas purement théoriques.
Cas pratique — « Ils avaient dit 95 %, maintenant ils reconnaissent que ça ne marche pas »
Une publication affirme : « Au début, on nous disait que le vaccin était efficace à 95 %. Aujourd’hui on reconnaît qu’il n’empêche presque plus les infections. Donc le chiffre initial était mensonger. » Le raisonnement paraît convaincant parce qu’il juxtapose deux informations potentiellement réelles.
Il faut pourtant reconstruire les variables. Le chiffre initial concernait un vaccin particulier, une période particulière, des variants particuliers, une définition particulière du résultat et un délai particulier après vaccination. Les estimations ultérieures concernent notamment Omicron, une immunité qui diminue avec le temps et parfois un critère de jugement différent. Les méta-analyses ont effectivement montré une diminution plus rapide de la protection contre l’infection et la maladie symptomatique pour Omicron que pour Delta. La bonne conclusion n’est ni : « les premières estimations étaient donc nécessairement frauduleuses » ni : « rien n’a changé ». Elle est : l’efficacité est une quantité conditionnelle dont la valeur peut changer lorsque le virus, le temps depuis la vaccination, la population et le résultat mesuré changent.
Pour démontrer que le chiffre initial était mensonger, il faudrait montrer qu’il ne représentait pas correctement les données auxquelles il prétendait se rapporter à l’époque.
Cas pratique — « Un médecin raconte trois accidents après le traitement »
Un médecin publie une vidéo : trois de ses patients ont développé le même trouble quelques jours après avoir commencé un nouveau médicament. Deux mauvaises réactions sont possibles. La première : « c’est un médecin et il l’a constaté lui-même, donc le médicament provoque ce trouble ». La seconde : « ce ne sont que trois anecdotes, donc cela ne vaut absolument rien ».
Une meilleure réponse est : ces cas peuvent constituer un signal à examiner, mais ils ne permettent pas seuls d’estimer la causalité ou la fréquence. Il faut connaître combien de patients ont reçu le médicament, combien auraient développé spontanément le trouble dans une population comparable, si d’autres centres trouvent le même signal et si les études de pharmacovigilance ou épidémiologiques confirment une augmentation. Le signal mérite enquête. La causalité mérite davantage de preuves.
Cas pratique — Une autorité change de recommandation
Une agence sanitaire recommande en janvier une mesure préventive à toute la population. En septembre, elle la réserve aux personnes les plus à risque. Un commentaire viral affirme :
« Ils reconnaissent enfin que leur recommandation de janvier était fausse. »
Ce n’est qu’une hypothèse parmi plusieurs. La bonne enquête demande : les données sur l’efficacité ont-elles changé ? un nouveau variant est-il apparu ? le risque de maladie a-t-il diminué ? de nouveaux effets indésirables ont-ils été identifiés ? les ressources ou alternatives ont-elles changé ? Il est possible que l’ancienne recommandation ait réellement été mauvaise. Il est également possible qu’elle ait été raisonnable dans les conditions de janvier et ne le soit plus en septembre. Un changement de décision n’est pas automatiquement un aveu de mensonge. Il constitue une invitation à reconstruire ce qui a changé dans le raisonnement.
Une bonne communication sanitaire pourrait afficher son degré de confiance
Plutôt que de présenter toutes les affirmations sous la même forme, on pourrait davantage distinguer : très solidement établi, probable, plausible mais encore incertain, preuves insuffisantes, improbable au vu des données disponibles. Ces catégories ne doivent pas devenir une fausse précision bureaucratique. Elles possèdent néanmoins une vertu : elles rendent visible que la science produit des degrés de confiance, pas uniquement des verdicts.
Une telle communication facilite aussi la mise à jour. Passer de « plausible » à « probable » ressemble à une progression naturelle. Passer brutalement de « absolument impossible » à « effectivement observé » produit beaucoup plus facilement l’impression que l’institution a dissimulé quelque chose.
La date devrait presque faire partie de certaines affirmations
Dans un domaine évolutif, écrire :
« Les données montrent que… »
sans date peut être trompeur. Une formulation plus rigoureuse est parfois :
« Au 15 mars, les études disponibles indiquent… »
La date n’est pas une faiblesse. Elle indique le contexte épistémique de l’affirmation. Cette habitude serait particulièrement utile pendant une épidémie, lorsque de nouvelles données apparaissent rapidement. Elle permet aussi de relire correctement les déclarations anciennes sans les juger avec des connaissances qui n’existaient pas encore.
La bonne question face à un changement : « Pourquoi ? »
Lorsque la connaissance ou une recommandation évolue, deux réactions automatiques sont possibles : « ils se sont encore trompés » ou « c’est la science, ne posez pas de question ». La meilleure réaction est beaucoup plus simple :
« Quelle nouvelle information justifie ce changement ? »
Si une réponse claire existe — nouvelles données, meilleur essai, nouveau variant, risque réévalué — le changement peut être une manifestation normale de l’autocorrection. Si aucune justification sérieuse n’apparaît, la critique devient plus légitime. Cette question permet d’être exigeant sans exiger l’infaillibilité.
À retenir
La désinformation sanitaire est particulièrement difficile à définir parce que les preuves médicales évoluent. Une analyse conceptuelle publiée en 2026 confirme que la frontière devient particulièrement problématique lorsque les données sont incertaines ou que le désaccord scientifique est légitime.
La meilleure règle est de juger une affirmation relativement aux preuves raisonnablement disponibles à la date où elle a été formulée, tout en distinguant clairement faux, réfuté, non démontré et encore incertain. Une proposition peut finalement se révéler vraie alors qu’elle était injustement présentée comme certaine ; une hypothèse raisonnable peut inversement être réfutée plus tard sans que sa défense initiale ait constitué une désinformation.
Les recommandations sanitaires ajoutent une difficulté supplémentaire : elles ne reflètent pas seulement des faits. Elles combinent preuves, risques, bénéfices, alternatives et contexte. Elles peuvent donc changer parce que les connaissances ont évolué, mais aussi parce que le virus, la population ou le problème décisionnel ont changé. L’évolution de l’efficacité des vaccins contre différents variants du SARS-CoV-2 illustre directement ce caractère conditionnel : la protection contre l’infection et la maladie symptomatique a notamment diminué plus rapidement avec Omicron qu’avec Delta.
Communiquer l’incertitude n’est pas nécessairement une menace pour la confiance. Une expérience britannique randomisée montre même qu’une communication initialement trop certaine entraîne davantage de perte de confiance lorsque des informations contradictoires apparaissent ensuite. Une expérience de 2024 auprès de 800 participants retrouve qu’expliquer dès le départ l’incertitude protège davantage la confiance lorsque les preuves changent, et une revue systématique de 2026 portant sur 24 articles conclut globalement que la transparence sur l’incertitude tend à soutenir la confiance, avec des effets dépendant fortement du contexte.
Mais la communication doit être précise. Dire seulement « il existe de l’incertitude » peut produire davantage de confusion qu’indiquer sur quoi elle porte et, lorsque c’est possible, son ordre de grandeur. Une grande expérience de plus de 10 000 participants trouve justement que des intervalles numériques d’incertitude ont peu d’effet négatif sur la confiance envers la source, contrairement à certaines formulations vagues.
Les conséquences de la désinformation sanitaire sont également réelles sans être automatiquement massives. Un essai randomisé auprès de 8 001 personnes au Royaume-Uni et aux États-Unis a montré qu’une exposition à des désinformations vaccinales pouvait réduire d’environ six points de pourcentage l’intention de se faire certainement vacciner relativement à des informations factuelles. Mais une revue de 50 études d’intervention souligne que la plupart des travaux mesurent encore davantage les croyances et intentions que les comportements sanitaires réels. La leçon générale ne doit donc être ni « faites toujours confiance aux autorités sanitaires » ni « puisqu’elles révisent leurs recommandations, elles ne savent rien ». Une science fiable n’est pas une science qui ne change jamais.
C’est une science capable de dire ce qu’elle sait, avec quel degré de confiance, pourquoi elle le pense, ce qui reste incertain et quelles nouvelles preuves l’amèneraient à changer d’avis. Et une institution réellement digne de confiance ne devrait pas promettre : « nous ne nous tromperons jamais ». Elle devrait pouvoir montrer : « lorsque les preuves changent suffisamment, voici comment nous corrigeons ce que nous pensions savoir ».
Sources principales
Johanna Saia Pope, Paula Byrne, Declan Devane, Tina D. Purnat et Maura Dowling, « *Defining Health Misinformation: Theoretical Concept Analysis* », *Journal of Medical Internet Research*, 2026. Christian Schuster et Andreas M. Scheu, « *How Communication of Scientific Uncertainty Affects Trust in Science: A Systematic Review* », *Risk Analysis*, 2026. Charlotte Dries, Michelle McDowell, Felix G. Rebitschek et Christina Leuker, « *When Evidence Changes: Communicating Uncertainty Protects Against a Loss of Trust* », *Public Understanding of Science*, 2024. Eleonore Batteux, Avri Bilovich, Samuel G. B. Johnson et David Tuckett, « *Negative Consequences of Failing to Communicate Uncertainties During a Pandemic* », *BMJ Open*, 2022.
Sahil Loomba, Alexandre de Figueiredo, Simon J. Piatek, Kristen de Graaf et Heidi J. Larson, « *Measuring the Impact of COVID-19 Vaccine Misinformation on Vaccination Intent in the UK and USA* », *Nature Human Behaviour*, 2021. Francesco Menegale, Mattia Manica, Agnese Zardini et collaborateurs, « *Evaluation of Waning of SARS-CoV-2 Vaccine-Induced Immunity: A Systematic Review and Meta-analysis* », *JAMA Network Open*, 2023. Travaux de synthèse sur la prévalence et les interventions contre la désinformation sanitaire publiés dans le *Journal of Medical Internet Research*, 2024–2025.