Réduction relative du risque

La réduction relative du risque, souvent abrégée RRR, mesure de combien le risque diminue proportionnellement par rapport au risque observé dans le groupe contrôle.

Elle est directement dérivée du risque relatif.

Si :

RR = risque traité / risque contrôle,

alors :

RRR = 1 − RR.

Exemple simple

Supposons :

Groupe contrôle

Risque d’événement :

10 %.

Groupe traité

Risque :

6 %.

Le risque relatif est :

RR = 6 / 10 = 0,60.

La réduction relative du risque est donc :

1 − 0,60 = 0,40, soit 40 %.

On peut dire :

« le traitement réduit le risque de 40 % relativement ».

La réduction absolue

Dans le même exemple :

10 % − 6 % = 4 points de pourcentage.

C’est la réduction absolue du risque.

Les deux chiffres décrivent exactement le même effet :

RRR = 40 %

et

réduction absolue = 4 points.

Pourquoi le chiffre relatif paraît plus impressionnant

Le cerveau réagit fortement à :

« réduction de 40 % ».

Mais il est souvent moins impressionné par :

« 4 événements évités pour 100 personnes ».

Le premier chiffre décrit une proportion.

Le second décrit l’impact concret.

Exemple avec événement rare

Supposons que le risque passe de :

0,10 %

à

0,05 %.

La réduction relative est :

50 %.

La réduction absolue est :

0,05 point de pourcentage.

Autrement dit :

5 événements évités pour 10 000 personnes.

Même réduction relative, autre contexte

Supposons maintenant :

40 % → 20 %.

La réduction relative est également :

50 %.

Mais la réduction absolue est :

20 points.

Soit :

200 événements évités pour 1 000 personnes.

Tableau comparatif

Risque sans traitementRisque avec traitementRéduction relativeRéduction absolue
40 %20 %50 %20 points
4 %2 %50 %2 points
0,4 %0,2 %50 %0,2 point
0,04 %0,02 %50 %0,02 point

La réduction relative est identique dans les quatre situations.

L’impact absolu change d’un facteur mille.

Pourquoi la RRR est utile malgré tout

La réduction relative n’est pas un mauvais indicateur.

Elle permet de décrire l’effet proportionnel de l’intervention.

Dans certaines situations, cet effet relatif peut rester relativement stable entre différents niveaux de risque de base.

Cela facilite la comparaison entre études et populations.

Mais elle ne suffit pas pour décider

Un patient veut rarement savoir seulement :

« mon risque est réduit de 30 % relativement ».

Il veut surtout savoir :

« mon risque passe de combien à combien ? »

C’est cette information qui permet d’évaluer le bénéfice réel.

Exemple clinique

Traitement :

RRR = 25 %.

Patient A

Risque initial :

40 %.

Risque traité :

30 %.

Réduction absolue :

10 points.

Patient B

Risque initial :

4 %.

Risque traité :

3 %.

Réduction absolue :

1 point.

Le même traitement produit un bénéfice absolu dix fois plus grand chez A.

Réduction relative et risque de base

La RRR répond à :

« quelle fraction du risque initial est supprimée ? »

La réduction absolue répond à :

« combien de risque est réellement supprimé ? »

Les deux perspectives sont complémentaires.

Un piège de langage

Dire :

« le traitement protège 80 % des personnes »

est souvent une mauvaise reformulation d’une :

réduction relative du risque de 80 %.

Ce n’est pas la même chose.

Exemple

Risque sans traitement :

1 %.

Risque avec traitement :

0,2 %.

RRR :

80 %.

Cela ne signifie pas que :

80 personnes sur 100 sont protégées grâce au traitement.

La réduction absolue est seulement :

0,8 point.

Combien de personnes bénéficient réellement ?

Dans cet exemple, sur 10 000 personnes :

Sans traitement

100 événements.

Avec traitement

20 événements.

Le traitement évite :

80 événements pour 10 000 personnes.

Cela correspond à :

0,8 % de la population traitée.

La RRR de 80 % et le bénéfice absolu de 0,8 % sont simultanément vrais.

Le taux de base change la perception

La RRR peut donc être impressionnante parce qu’elle ignore volontairement l’échelle du risque de départ.

Ce n’est pas une erreur mathématique.

C’est une propriété de la mesure.

Une analogie

Supposons qu’une entreprise réduise ses défauts de fabrication de :

2 objets sur 1 000

à

1 sur 1 000.

Elle peut annoncer :

« 50 % de défauts en moins ».

C’est vrai.

Mais la différence est :

1 objet sur 1 000.

Le même principe s’applique aux risques médicaux.

Communication des bénéfices

Une présentation informative devrait idéalement donner :

risque sans traitement : X

risque avec traitement : Y

réduction relative : Z

et éventuellement :

réduction absolue et NNT.

Exemple de formulation équilibrée

Au lieu de :

« ce médicament réduit le risque de 40 % »,

on peut dire :

« sur cinq ans, le risque est passé d’environ 10 % à 6 %, soit une réduction relative de 40 % et une réduction absolue de 4 points ».

La compréhension est beaucoup meilleure.

Le problème des gros titres

Un article de presse peut choisir :

« risque réduit de moitié ».

Le lecteur peut imaginer un bénéfice très important.

Mais le risque réel peut être passé de :

2 sur 100 000

à

1 sur 100 000.

Le chiffre relatif amplifie alors intuitivement l’importance perçue.

Le phénomène fonctionne aussi pour les dangers

Supposons qu’une exposition augmente un risque de :

1 sur 1 000 000

à

2 sur 1 000 000.

On peut annoncer :

« risque doublé ».

La hausse relative est de :

100 %.

Mais l’augmentation absolue est :

1 cas supplémentaire par million.

Inversement, un petit effet relatif peut avoir un grand impact

Supposons qu’une intervention réduise seulement le risque de :

10 % relativement.

Si l’événement est extrêmement fréquent :

50 % → 45 %.

La réduction absolue est :

5 points.

Cela peut représenter beaucoup d’événements évités.

Petit relatif ne signifie donc pas petit impact

Le sens dépend toujours du risque de base.

Un RR proche de 1 peut avoir un grand impact populationnel si :

  • l’événement est fréquent ;
  • la population exposée est immense.

RRR et prévention

En prévention, le risque initial est souvent plus faible que chez des patients déjà malades.

Cela rend particulièrement important le calcul du bénéfice absolu.

Prévention primaire

Supposons un traitement préventif chez des personnes sans maladie connue.

RRR :

30 %.

Risque initial à dix ans :

3 %.

Risque traité :

2,1 %.

Réduction absolue :

0,9 point.

Prévention secondaire

Chez des patients ayant déjà eu un événement :

risque initial :

30 %.

Avec la même RRR de 30 % :

risque traité :

21 %.

Réduction absolue :

9 points.

Même effet relatif.

Bénéfice absolu dix fois plus important.

Pourquoi les personnes à haut risque bénéficient souvent davantage

Si l’effet relatif reste approximativement constant, la réduction absolue est proportionnelle au risque initial.

Plus le risque de base est élevé, plus il y a d’événements potentiellement évitables.

Relation avec le NNT

La réduction absolue permet de calculer :

NNT = 1 / ARR.

Supposons :

RRR = 50 %.

Risque initial 20 %

Risque traité : 10 %.

ARR = 10 %.

NNT :

10.

Risque initial 2 %

Risque traité : 1 %.

ARR = 1 %.

NNT :

100.

Même RRR.

NNT dix fois plus élevé.

La RRR n’est donc pas une propriété suffisante du traitement

Elle décrit l’effet dans une comparaison donnée.

La valeur clinique dépend aussi de :

  • population ;
  • durée ;
  • risque initial.

La durée est essentielle

Supposons :

RRR = 50 %.

Sur un mois :

risque 0,2 % → 0,1 %.

Sur dix ans :

risque 20 % → 10 %.

Le même chiffre relatif peut correspondre à des bénéfices extrêmement différents.

Il faut toujours préciser l’horizon temporel.

Une RRR peut changer au cours du temps

L’effet d’un traitement n’est pas nécessairement constant.

Par exemple :

Première année

RRR = 40 %.

Cinquième année

RRR cumulée = 15 %.

Le bénéfice peut :

  • diminuer ;
  • augmenter ;
  • varier.

Un chiffre unique doit être rattaché à une période précise.

Risques cumulés et hazard ratio

Une réduction relative calculée à partir des risques cumulés ne doit pas être confondue avec :

1 − hazard ratio.

Ces deux mesures peuvent parfois être proches mais elles ne sont pas mathématiquement identiques.

Exemple

Un essai rapporte :

HR = 0,70.

On lit parfois :

« réduction de 30 % du risque ».

Cette formulation est fréquente mais imprécise.

Le HR décrit une différence dans les hazards, pas nécessairement une réduction de 30 % de la probabilité cumulée à une date donnée.

Réduction relative et odds ratio

Même problème avec l’odds ratio.

Si :

OR = 0,60,

on ne peut pas automatiquement dire :

« réduction de 40 % du risque ».

Il s’agit d’une réduction des odds.

Pour les événements rares, la différence avec le RR est faible.

Pour les événements fréquents, elle peut être importante.

Le mot « risque » est parfois utilisé trop largement

Les communiqués peuvent appeler indistinctement :

  • risk ratio ;
  • odds ratio ;
  • hazard ratio

des « réductions de risque ».

Cette simplification peut devenir trompeuse.

Il faut vérifier la mesure originale.

Exemple OR versus RR

Contrôle :

50 % d’événements.

Traitement :

33 %.

RR :

0,66.

Réduction relative du risque :

34 %.

Odds contrôle :

1.

Odds traitement :

0,33 / 0,67 ≈ 0,49.

OR ≈ 0,49.

Dire :

« réduction de 51 % du risque »

à partir de l’OR serait exagéré.

RRR et intervalle de confiance

Une réduction relative doit être accompagnée de son incertitude.

Supposons :

RR = 0,70

IC 95 % :

0,50–0,98.

La RRR centrale est :

30 %.

Mais les données sont compatibles approximativement avec une réduction relative allant de :

2 % à 50 %.

Présenter seulement « 30 % » masque l’incertitude

L’estimation centrale n’est pas une vérité exacte.

L’intervalle permet de voir ce que les données autorisent encore.

Exemple très imprécis

RR :

0,70

IC :

0,30–1,60.

La RRR centrale suggère encore 30 %.

Mais l’étude est compatible avec :

  • très grand bénéfice ;
  • absence d’effet ;
  • augmentation importante du risque.

Présenter simplement la RRR serait très trompeur.

Réduction relative statistiquement significative mais minuscule

Supposons :

RR = 0,98

IC :

0,97–0,99.

RRR :

2 %.

Avec une étude immense, le résultat peut être très significatif.

Mais le bénéfice absolu peut être faible ou important selon le risque initial.

Exemple

Si le risque initial est :

50 %,

ARR :

1 point.

Si le risque initial est :

0,5 %,

ARR :

0,01 point.

La p-value ne répond pas à cette question.

RRR et sous-groupes

Supposons :

effet global :

RRR = 25 %.

Dans un sous-groupe :

RRR = 60 %.

Cela peut être réel.

Mais cela peut aussi être une fluctuation aléatoire issue de nombreuses analyses.

Chercher la cohérence

Une différence de RRR entre sous-groupes est plus convaincante si elle est :

  • préspécifiée ;
  • soutenue par un test d’interaction ;
  • biologiquement plausible ;
  • reproduite.

Sinon, prudence.

RRR et traitement de populations à faible risque

Une stratégie commerciale ou médiatique peut insister sur une RRR importante tout en étendant le traitement à une population dont le risque de base est très faible.

Le bénéfice absolu devient alors de plus en plus petit.

Exemple

Traitement initialement étudié chez :

risque 20 %, RRR 30 %.

ARR :

6 points.

Puis utilisé chez :

risque 1 %, même RRR supposée.

ARR :

0,3 point.

Le rapport bénéfice-risque peut devenir très différent.

C’est pourquoi les seuils de traitement comptent

Abaisser un seuil thérapeutique peut conserver l’efficacité relative tout en réduisant l’efficacité absolue moyenne.

Il faut donc recalculer :

  • ARR ;
  • NNT ;
  • dommages.

Réduction relative des effets indésirables

La même logique fonctionne pour un traitement qui diminue un dommage.

Supposons :

effet indésirable :

4 % → 2 %.

RRR :

50 %.

ARR :

2 points.

Cela peut être cliniquement important.

Augmentation relative du risque

Lorsqu’une intervention augmente un événement indésirable, on parle plutôt d’augmentation relative du risque.

Formule :

RRI = RR − 1.

Si :

RR = 1,50,

l’augmentation relative est :

50 %.

Exemple

Risque sans traitement :

2 %.

Avec traitement :

3 %.

Augmentation relative :

50 %.

Augmentation absolue :

1 point.

Présenter bénéfices et risques de manière symétrique

Un biais fréquent consiste à présenter :

les bénéfices en relatif

et

les dommages en absolu.

Par exemple :

« réduction de 50 % des infarctus »

mais

« seulement 1 % d’hémorragies supplémentaires ».

Cette asymétrie favorise le traitement.

L’inverse peut également être utilisé

Pour faire peur à propos d’un traitement :

  • dommage présenté en relatif ;
  • bénéfice présenté en absolu.

Une communication honnête devrait employer les mêmes échelles ou fournir les deux.

Exemple

Traitement :

infarctus :

4 % → 2 %

hémorragie :

1 % → 2 %.

On peut présenter :

Bénéfice

RRR infarctus :

50 %.

ARR :

2 points.

Dommage

RRI hémorragie :

100 %.

ARI :

1 point.

Les deux perspectives sont nécessaires.

Fréquences naturelles

Une présentation encore plus claire :

sur 100 personnes :

  • sans traitement : 4 infarctus et 1 hémorragie ;
  • avec traitement : 2 infarctus et 2 hémorragies.

La balance devient beaucoup plus facile à comprendre.

RRR et efficacité vaccinale

L’efficacité vaccinale en essai est souvent calculée comme :

VE = 1 − RR.

Donc une efficacité de :

95 %

correspond à une RRR de 95 % pour l’événement défini dans l’étude.

Cela ne signifie pas « 95 % des vaccinés sont totalement protégés »

Supposons :

risque non vacciné :

1 %.

Risque vacciné :

0,05 %.

Réduction relative :

95 %.

Réduction absolue :

0,95 point.

Le sens dépend encore :

  • incidence ;
  • durée ;
  • critère.

Efficacité contre quel événement ?

Une RRR vaccinale peut concerner :

  • infection ;
  • maladie symptomatique ;
  • hospitalisation ;
  • décès.

Un chiffre de 90 % n’a pas la même signification selon l’issue.

Contexte épidémiologique

Si le risque de base diminue après une épidémie, une efficacité relative stable produit moins de bénéfice absolu.

La balance bénéfice-risque peut donc évoluer dans le temps.

Les preuves peuvent changer sans contradiction

On peut observer :

RRR relativement stable

mais

ARR en forte diminution.

Une recommandation peut alors être modifiée parce que le contexte a changé, pas nécessairement parce que l’essai initial était faux.

Effet populationnel

Un petit bénéfice absolu individuel peut malgré tout avoir un impact collectif important si :

  • des millions de personnes sont concernées.

Exemple

ARR :

0,1 %.

Cela signifie :

1 événement évité pour 1 000 personnes.

Sur :

10 millions de personnes,

cela pourrait représenter :

10 000 événements évités, sous hypothèses appropriées.

Un petit effet individuel n’est donc pas forcément insignifiant en santé publique.

Mais il faut aussi multiplier les dommages

Si un effet indésirable augmente de :

0,05 %,

sur 10 millions :

5 000 événements supplémentaires.

L’analyse populationnelle doit considérer les deux.

Effet relatif et politique sanitaire

Les décideurs peuvent être intéressés par :

  • RRR ;
  • ARR ;
  • nombre total d’événements évités.

Chaque échelle répond à une question différente.

Une leçon d’esprit critique

Face à :

« réduit le risque de 70 % »,

demandez systématiquement :

De combien à combien ?

Sur quelle durée ?

Quel événement ?

Dans quelle population ?

S’agit-il vraiment d’un risque relatif ou d’un odds ratio/hazard ratio ?

Ensuite

Demandez :

Quelle est la réduction absolue ?

Quel est le NNT ?

Quels sont les dommages absolus ?

Cela permet de reconstruire l’information complète.

Un exemple final

Essai de 20 000 personnes.

Contrôle

200 événements parmi 10 000 :

2 %.

Traitement

120 événements parmi 10 000 :

1,2 %.

RR :

1,2 / 2 = 0,60.

RRR :

40 %.

ARR :

0,8 point.

Événements évités :

80 pour 10 000 personnes.

NNT :

1 / 0,008 = 125.

Les quatre formulations sont simultanément vraies :

RR = 0,60

RRR = 40 %

ARR = 0,8 %

NNT = 125.

Laquelle est la meilleure ?

Aucune isolément.

Le RR et la RRR indiquent la force proportionnelle de l’effet.

L’ARR indique son impact absolu.

Le NNT traduit cet impact en nombre de personnes à traiter.

Une communication complète peut utiliser les quatre.

À retenir

La réduction relative du risque mesure la fraction du risque initial supprimée par l’intervention :

RRR = 1 − RR.

Si le risque passe de :

10 % à 5 %,

la RRR est de :

50 %.

Mais si le risque passe de :

0,1 % à 0,05 %,

la RRR est également :

50 %.

Les bénéfices absolus sont pourtant extrêmement différents.

C’est pourquoi une RRR ne doit presque jamais être interprétée sans connaître :

  • le risque de base ;
  • la durée ;
  • la réduction absolue ;
  • les effets indésirables.

Le principe fondamental est :

la réduction relative indique quelle fraction du risque a été supprimée ; elle ne dit pas combien de personnes ont effectivement évité l’événement.

La question la plus utile après :

« le risque est réduit de 50 % »

est donc toujours :

« de combien à combien ? »

Cette simple question transforme un chiffre impressionnant en information réellement interprétable.

Pour aller plus loin

Gerd Gigerenzer — travaux sur la communication des risques relatifs et absolus. Une référence majeure pour comprendre comment le cadrage statistique influence la perception des bénéfices thérapeutiques.

David Sackett et collaborateurs — Clinical Epidemiology. Une référence classique sur l’interprétation clinique des mesures d’effet.

Cochrane Handbook for Systematic Reviews of Interventions. Une référence méthodologique pour la présentation et l’interprétation des mesures relatives et absolues.

David Spiegelhalter — The Art of Statistics. Une présentation très accessible des différences entre variation relative, variation absolue et communication du risque.