Tests diagnostiques et prévalence

Sensibilité, spécificité et prévalence traduites en valeurs prédictives — et en personnes réelles.

Chargement du modèle…

Le modèle

Le théorème de Bayes sous sa forme clinique. La sensibilité et la spécificité sont des propriétés du TEST ; les valeurs prédictives sont des propriétés du test ET de la population. C'est pourquoi un même test change de nature lorsqu'on le déplace des urgences vers une population de dépistage.

Le rapport de vraisemblance est ce qui rend le théorème utilisable au lit du malade : il multiplie la cote et ne dépend pas de la prévalence. Un LR+ supérieur à 10 ou un LR− inférieur à 0,1 modifie la prise en charge ; entre 0,5 et 2, un test n'apporte presque jamais rien.

La grille montre des fréquences naturelles plutôt que des pourcentages. Les mêmes chiffres présentés en proportions conduisent la plupart des gens à se tromper, alors que des personnes dans une cohorte permettent aux médecins comme aux patients de calculer juste.

LR+ = Se / (1 − Sp) LR− = (1 − Se) / Spcote après = cote avant · LRPPV = Se·P / (Se·P + (1 − Sp)·(1 − P))NPV = Sp·(1 − P) / (Sp·(1 − P) + (1 − Se)·P)

Conseils

  • Comparez D-dimères à risque faible et D-dimères à risque élevé. Le test est identique. Quand la probabilité pré-test est faible, un résultat négatif exclut l'embolie pulmonaire ; quand elle est élevée, il ne l'exclut pas. Conclusion : le test ne doit pas être demandé quand la probabilité pré-test est élevée.
  • Prenez Dépistage, maladie rare et lisez le nombre de fausses alertes par cas trouvé. Un test à 90 % de sensibilité et 95 % de spécificité conduit à explorer neuf sujets sains par malade trouvé — et c'est un bon test.
  • Faites passer la spécificité de 95 à 99 % dans la même situation. La valeur prédictive positive fait plus que quadrupler. En dépistage, c'est la spécificité qui décide si le programme est réalisable, pas la sensibilité.
  • Suivez la courbe et remarquez que la PPV chute brutalement dès une prévalence inférieure à dix pour cent alors que la NPV bouge à peine. C'est l'asymétrie qui se cache derrière presque tous les résultats de test mal interprétés.
  • Réglez un test avec un LR+ voisin de 2 et voyez à quel point la cote change peu. Un tel test peut être statistiquement significatif dans une étude et pourtant ne jamais changer une décision.

Simplifications. Le modèle suppose un test binaire aux propriétés connues et constantes. Dans la réalité, sensibilité et spécificité dépendent du seuil choisi, du spectre de la maladie dans la population étudiée et de la façon dont l'examen de référence a été défini — les valeurs publiées varient donc d'une étude à l'autre. Le modèle ne tient pas compte non plus du fait que plusieurs tests dépendent souvent les uns des autres, ce qui fait qu'un test séquentiel multiplie rarement les rapports de vraisemblance tels quels. Les chiffres des préréglages sont des valeurs types arrondies issues de méta-analyses, non une vérité.

Le modèle repose sur

  • Gigerenzer G, Hoffrage U. Simple tools for understanding risks: from innumeracy to insight. BMJ 2003.
  • Deeks JJ, Altman DG. Diagnostic tests 4: likelihood ratios. BMJ 2004.
  • Wells PS et al. Derivation of a simple clinical model for pulmonary embolism, ainsi que les études ultérieures sur les D-dimères.