Certains traitements ont des effets spectaculaires (https://www.jameslindlibrary.org/additional-methods/comparison/dramatic-effects/). Il peut s’agir d’effet non désirés et spécifiques, par exemple lorsqu’une personne fait une réaction allergique à un antibiotique. Les traitements peuvent aussi avoir des effets positifs extraordinaires, comme l’adrénaline en cas de réactions allergiques mettant en jeu le pronostic vital (McLean-Tooke et al. 2003). Ces effets spectaculaires sont toutefois rares. Habituellement, les effets des traitements sont plus modestes, mais ils méritent toutefois d’être connus, comme la prise d’aspirine pour réduire le risque de crise cardiaque (Elwood 2004).

Par exemple, l’aspirine n’empêche pas tous les décès prématurés après une crise cardiaque, mais elle réduit la probabilité de décès de 20 % environ, ce qui est important pour une condition aussi courante. Pour que ces effets modérés mais importants de la plupart des traitements soient détectés de façon fiable, il faut veiller à ce que des comparaisons biaisées ne nous amènent pas à croire que des traitements sont utiles alors q’ils sont inefficaces voire nocifs, ou encore qu’ils sont inutiles alors qu’ils peuvent en fait être efficaces.

Les biais dans les essais de traitements sont les influences et les facteurs qui peuvent déboucher sur des conclusions relatives aux effets des traitements qui diffèrent systématiquement de la réalité. Bien qu’un grand nombre de biais puissent avoir un effet de distorsion sur les résultats de la recherche dans le domaine de la santé (Sackett 1979), dansla James Lind Library, nous nous sommes concentrés sur les biais qui doivent être réduits au minimum dans des essais contrôlés des traitements. Il s’agit des biais suivants :

• les biais dus à des différences entre les personnes comparées ;
• les biais dus à des différences dans la façon dont les résultats du traitement sont évalués ;
• la communication biaisée des éléments de preuves disponibles ; et
• un choix biaisé parmi les éléments de preuves disponibles .

Le fait d’ignorer ces biais (ou parfois d’en tirer parti sans scrupules) peut amener à croire qu’un nouveau traitement est meilleur qu’un traitement existant alors que ce n’est pas le cas. Cela pourrait résulter du fait que les conclusions reposent:

• sur des études qui comparent les progrès de personnes qui sont en relativement bonne santé auxquelles le nouveau traitement a été administré avec les progrès de personnes relativement malades auxquelles le traitement habituel a été administré (biais dans la répartition).
• sur des études où il est probable que les résultats du traitement sont biaisés en faveur d’un nouveau traitement, par exemple en comparant les opinions des personnes qui savent qu’elles ont reçu un nouveau traitement onéreux avec les avis de personnes qui peuvent être déçues de continuer à utiliser un traitement habituel sans éclat (biais des observateurs ou de la mesure).
• uniquement sur des études qui présentent un nouveau traitement sous un jour favorable, et pas sur celles qui suggèrent qu’il pourrait être nocif, qui souvent ne sont pas communiquées (biais dans la communication des données).
• sur une sélection et une interprétation biaisées des éléments de preuve disponibles à l’appui d’un point de vue donné (biais de l’examinateur).

Habituellement, les essais non fiables de traitement qui résultent de ces biais ne sont pas reconnus pour ce qu’ils sont. Toutefois, les personnes ayant des intérêts directs en jeu exploitent ces biais de façon à ce que les traitements soient présentés comme s’ils étaient meilleurs que ce n’est le cas en réalité (Sackett et Oxman 2003).

Qu’il s’agisse de biais occasionnés par inadvertance ou délibérément, les conséquences restent les mêmes : à moins que les essais de traitement ne soient fiables, certains traitements inefficaces ou nocifs sembleront utiles tandis que certains traitements utiles seront perçus comme inefficaces ou nocifs.