Probabilités et tests diagnostiques
Règles de calcul, probabilités conditionnelles, théorème de Bayes, sensibilité, spécificité, valeurs prédictives, courbe ROC.
Les règles de base
Une probabilité est un nombre entre 0, l'événement impossible, et 1, l'événement certain. La probabilité de l'événement contraire de A vaut 1 moins celle de A. Pour deux événements incompatibles, qui ne peuvent survenir ensemble, la probabilité que l'un ou l'autre survienne est la somme de leurs probabilités. Dans le cas général, il faut retrancher la probabilité qu'ils surviennent ensemble, pour ne pas la compter deux fois.
Deux événements sont indépendants quand la survenue de l'un ne change pas la probabilité de l'autre. La probabilité qu'ils surviennent ensemble est alors le produit de leurs probabilités : pour deux enfants successifs d'un couple de porteurs d'une maladie récessive, la probabilité que les deux soient atteints vaut 1/4 × 1/4 = 1/16.
Pour calculer la probabilité d'« au moins un », il est souvent plus simple de passer par le contraire : la probabilité qu'au moins un de trois enfants soit atteint vaut 1 moins la probabilité qu'aucun ne le soit, 1 − (3/4)³, soit environ 58 %.
Probabilité conditionnelle et théorème de Bayes
La probabilité de A sachant B est la probabilité que A survienne quand on sait que B est survenu : elle vaut la probabilité de A et B ensemble, divisée par la probabilité de B. Elle n'a aucune raison d'être égale à la probabilité de B sachant A : la probabilité d'avoir de la fièvre quand on a la grippe est élevée, celle d'avoir la grippe quand on a de la fièvre l'est beaucoup moins.
Le théorème de Bayes permet de passer de l'une à l'autre. Il dit que la probabilité de la maladie sachant le signe est égale à la probabilité du signe sachant la maladie, multipliée par la probabilité de la maladie, et divisée par la probabilité du signe. La probabilité de la maladie avant tout examen, souvent la prévalence, en est un ingrédient indispensable.
Confondre ces deux probabilités est une erreur de raisonnement fréquente, y compris chez les soignants et dans les tribunaux : un résultat très improbable chez un innocent ne rend pas la culpabilité très probable si, au départ, la culpabilité était elle-même très improbable.
Sensibilité et spécificité
La qualité d'un test diagnostique se décrit en le comparant à un examen de référence. La sensibilité est la probabilité que le test soit positif chez un malade : c'est la proportion de vrais positifs parmi les malades. La spécificité est la probabilité que le test soit négatif chez un non-malade : la proportion de vrais négatifs parmi les non-malades.
Un test très sensible manque peu de malades : un résultat négatif permet d'écarter la maladie. On le choisit pour le dépistage ou quand manquer un diagnostic serait grave. Un test très spécifique donne peu de fausses alertes : un résultat positif permet d'affirmer la maladie. On le choisit pour confirmer un diagnostic avant un traitement lourd.
Sensibilité et spécificité sont des propriétés du test, qui ne dépendent pas, en principe, de la fréquence de la maladie dans la population testée.
Les valeurs prédictives dépendent de la prévalence
Le médecin, lui, connaît le résultat du test et se demande si le patient est malade. C'est la valeur prédictive positive, probabilité d'être malade quand le test est positif, et la valeur prédictive négative, probabilité de ne pas l'être quand il est négatif. Elles dépendent fortement de la prévalence.
Prenons 10 000 personnes, une prévalence de 1 %, un test sensible à 90 % et spécifique à 95 %. Sur les 100 malades, 90 ont un test positif. Sur les 9 900 non-malades, 5 %, soit 495, ont un test faussement positif. Parmi les 585 tests positifs, 90 seulement correspondent à des malades : la valeur prédictive positive n'est que d'environ 15 %. La valeur prédictive négative, elle, dépasse 99,8 %.
Le même test, utilisé dans un service où la prévalence atteint 30 %, aurait une valeur prédictive positive bien plus élevée. C'est pourquoi un dépistage dans une population où la maladie est rare produit beaucoup de faux positifs, qu'il faut confirmer par un second examen plus spécifique.
Choisir un seuil : la courbe ROC
Beaucoup de tests donnent une valeur continue, comme une concentration sanguine, et c'est le choix d'un seuil qui les rend positifs ou négatifs. Abaisser le seuil augmente la sensibilité mais fait baisser la spécificité ; l'élever fait l'inverse. On ne peut pas gagner sur les deux tableaux à la fois.
La courbe ROC représente, pour tous les seuils possibles, la sensibilité en fonction de un moins la spécificité. Un test parfait passerait par le coin supérieur gauche ; un test inutile, qui ne ferait pas mieux que le hasard, suivrait la diagonale. L'aire sous la courbe résume la performance globale : 0,5 pour un test sans valeur, 1 pour un test parfait.
Les rapports de vraisemblance combinent sensibilité et spécificité. Le rapport positif, sensibilité divisée par un moins la spécificité, dit combien de fois un test positif est plus fréquent chez un malade que chez un non-malade. Plus il est élevé, plus un résultat positif fait monter la probabilité de maladie.
56 questions corrigées accompagnent ce chapitre dans l'entraînement.
Sources et lectures
Ouvrages de référence
- Daniel Schwartz, Méthodes statistiques à l'usage des médecins et des biologistes, Flammarion Médecine-Sciences.
- Jean Bouyer et coll., Épidémiologie. Principes et méthodes quantitatives, Inserm.
En accès libre
- 3.1 Terminology — OpenStax, Introductory Statistics 2e.
- 3.2 Independent and Mutually Exclusive Events — OpenStax, Introductory Statistics 2e.
Dernière révision : . Texte sous licence CC BY-SA 4.0.