Le risque attribuable est un outil épidémiologique apparu dans les années 1950 aujourd’hui encore assez peu utilisé. Il permet d’estimer la proportion de cas d’une maladie potentiellement évitable par suppression ou réduction de l’exposition d’une population à un facteur de risque. Son principal intérêt réside dans la prise en compte concomitante de l’ampleur d’effet du facteur de risque et de la distribution de ce facteur au sein de la population. Après une présentation des caractéristiques essentielles du risque attribuable et des principes de son estimation à partir d’une étude cas-témoins, nous proposons un cadre conceptuel qui permet d’estimer l’impact d’une intervention de santé publique dans une nouvelle population dont l’exposition à certains facteurs de risque diffère de celle observée dans la population d’étude. Une décomposition du risque attribuable permet alors de prendre en compte l’action combinée, ou synergie, des facteurs de risque dans la survenue de la maladie. Parce qu’il donne une dimension populationnelle à l’estimation de l’effet d’une variable, le risque attribuable est particulièrement intéressant pour quantifier l’importance relative des différentes variables explicatives d’un modèle de régression. La question de l’importance relative des biomarqueurs classiques et de ceux issus des technologies à haut débit dans les modèles diagnostiques est actuellement centrale pour établir les apports respectifs de ces deux niveaux d’information. À partir de simulations, nous montrons comment l’apport des nouvelles technologies, quantifié en termes de risque attribuable, peut être faussé par l’utilisation de méthodologies inadaptées / The attributable risk is an epidemiologic tool that dates back to the fifties but is still relatively seldom used. It estimates the proportion of cases of a given disease that could be avoided if the exposure to a specific risk factor was removed or reduced. Its major interest is that it combines the magnitude of the effect of the risk factor to the distribution of this factor within the population. After a review of the attributable risk main features and the principles of its estimation from case-control studies data, we propose a conceptual framework that allows estimating the impact of a public health intervention in a new population with different exposure to certain risk factors than those observed in the study population. To reach this goal, we used a splitting of the attributable risk that takes into account the combined action –or synergy– of the risk factors on the occurrence of the disease. Because the attributable risk allows estimating the effect of a variable at the population level, it is particularly interesting to quantify the relative importance of the covariates of a regression model. In diagnostic models, the estimation of the relative importance of classic biomarkers and biomarkers obtained from high-throughput technologies is currently crucial in establishing the contribution of each of these two levels of information. Using simulations we have demonstrated the way the role of high-throughput-technologies –quantified in terms of attributable risk– may be wrongly assessed through the use of unsuitable methodology