La modélisation explicite de l'hétérogénéité entre études est essentielle dans la méta-analyse en réseau (NMA) afin de garantir une inférence valide et d'éviter de surestimer la précision. Si le modèle additif à effets aléatoires (RE) est l'approche conventionnelle, le modèle à effets multiplicatifs (ME) reste sous-exploré. Le modèle ME gonfle les variances intra-études d'un facteur commun estimé par les moindres carrés pondérés, ce qui donne des estimations ponctuelles identiques à celles d'un modèle à effets fixes tout en gonflant les intervalles de confiance. Nous comparons les modèles RE et ME sur des NMA hétérogènes à deux bras provenant de la base de données nmadb à l'aide de l'AIC, et constatons que le modèle ME obtient souvent un ajustement comparable ou meilleur que le modèle RE. Des études de cas révèlent en outre que les modèles RE sont sensibles aux observations extrêmes et imprécises, tandis que les modèles ME accordent moins d'importance à ces observations et présentent donc une plus grande robustesse face au biais de publication. Nos résultats suggèrent que le modèle ME mérite d'être pris en considération parallèlement au modèle RE conventionnel dans la pratique des NMA.