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.
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.
Sensibilité élevée, spécificité faible. Le test est fait pour EXCLURE — et le fait bien quand la probabilité pré-test est faible.
Malade, test positifSain, test positifMalade, test négatifSain, test négatifChaque case = 1 personnesValeurs prédictives sur toute l'échelle de prévalence, avec les propriétés du test fixées. Axe des x logarithmique, car l'essentiel se joue en dessous de dix pour cent. Les points marquent votre population actuelle.
Résultat positif
15 %PPV
LR+
1,58
Cote avant → après
0,11 → 0,18
Fausses alertes par cas
5,7
Résultat négatif
98,6 %NPV
LR−
0,13
Risque résiduel
1,4 %
Cas manqués
5 sur 1000
Sur 1000 personnes testées, 100 sont malades. 635 ont un résultat positif, et parmi elles 540 sont saines. 5 malades ont un résultat négatif et rentrent chez eux.