Biais d’avance au diagnostic

Le biais d’avance au diagnostic, ou lead-time bias, apparaît lorsqu’un dépistage détecte une maladie plus tôt sans modifier le moment du décès.

La personne semble alors survivre plus longtemps après le diagnostic, simplement parce que le point de départ du chronomètre a été avancé.

Le pronostic réel n’a pas forcément changé.

Exemple simple

Supposons une personne qui développe une maladie à 60 ans.

Sans dépistage :

  • diagnostic à 68 ans ;
  • décès à 72 ans.

Survie après diagnostic :

4 ans.

Avec dépistage :

  • diagnostic à 64 ans ;
  • décès toujours à 72 ans.

Survie après diagnostic :

8 ans.

On pourrait annoncer :

« la survie a doublé ».

Pourtant, la personne est morte exactement au même âge.

Le problème vient du point de départ

La survie après diagnostic est calculée à partir de :

date du diagnostic.

Si le diagnostic est avancé de plusieurs années, cette durée augmente mécaniquement, même sans bénéfice thérapeutique.

On mesure alors en partie :

la précocité du diagnostic

plutôt que

la prolongation de la vie.

Schéma conceptuel

Sans dépistage

Début biologique → symptômes → diagnostic → décès

Avec dépistage

Début biologique → dépistage → diagnostic précoce → symptômes qui auraient eu lieu → décès

Si le décès reste au même moment, seule la date du diagnostic a changé.

Le lead time

Le lead time correspond au temps entre :

diagnostic par dépistage

et

diagnostic qui aurait eu lieu sans dépistage.

Dans l’exemple précédent :

68 − 64 = 4 ans.

Ce sont exactement les quatre années supplémentaires de survie apparente.

Une illusion statistique puissante

Le biais peut produire des chiffres spectaculaires.

Supposons :

Groupe non dépisté

Diagnostic moyen : 67 ans.

Décès moyen : 70 ans.

Survie : 3 ans.

Groupe dépisté

Diagnostic moyen : 60 ans.

Décès moyen : toujours 70 ans.

Survie : 10 ans.

La survie après diagnostic passe de :

3 à 10 ans

sans aucun gain d’espérance de vie.

Pourquoi la survie à cinq ans est vulnérable

La survie à cinq ans après diagnostic demande :

« quelle proportion des personnes diagnostiquées est encore vivante cinq ans plus tard ? »

Un diagnostic plus précoce donne automatiquement davantage de chances d’atteindre ce seuil, même si le décès n’est pas repoussé.

Exemple

Sans dépistage :

diagnostic à 68 ans, décès à 72 ans.

La personne ne survit pas cinq ans après le diagnostic.

Avec dépistage :

diagnostic à 64 ans, décès à 72 ans.

Elle survit huit ans après diagnostic.

Elle compte maintenant parmi les « survivants à cinq ans ».

Pourtant, sa durée de vie est inchangée.

Un paradoxe apparent

On peut donc observer simultanément :

forte amélioration de la survie à cinq ans

et

aucune baisse de mortalité.

Ce n’est pas une contradiction.

Les deux indicateurs mesurent des choses différentes.

Survie et mortalité

La survie commence au diagnostic.

La mortalité est généralement calculée dans toute une population sur une période donnée.

Le dépistage déplace la date du diagnostic, mais ne modifie la mortalité que s’il évite ou retarde réellement des décès.

Pourquoi la mortalité est souvent préférable

Pour évaluer si un dépistage sauve des vies, il est généralement plus pertinent de comparer :

nombre de décès dans une population dépistée

et

nombre de décès dans une population comparable non dépistée.

La date du diagnostic n’influence alors pas mécaniquement le dénominateur.

Exemple populationnel

Deux populations de 100 000 personnes.

Après dix ans :

Sans dépistage

200 décès dus à la maladie.

Avec dépistage

200 décès dus à la maladie.

Même si la survie après diagnostic est beaucoup plus élevée dans la population dépistée, la mortalité n’a pas changé.

Il n’existe alors aucune preuve que davantage de vies aient été sauvées.

Si la mortalité diminue

Supposons au contraire :

Sans dépistage

200 décès.

Avec dépistage

150 décès.

La baisse de mortalité est beaucoup plus compatible avec un bénéfice réel.

Il faut évidemment vérifier que la comparaison est méthodologiquement valable.

Le biais n’implique pas que le dépistage soit inutile

C’est essentiel.

Dire :

« la survie est affectée par le lead-time bias »

ne signifie pas :

« le dépistage ne sauve jamais de vies ».

Cela signifie seulement que la survie après diagnostic ne suffit pas pour le démontrer.

Il faut utiliser des critères moins vulnérables au biais.

Exemple avec bénéfice réel

Sans dépistage :

  • diagnostic à 68 ans ;
  • décès à 72 ans.

Avec dépistage :

  • diagnostic à 64 ans ;
  • traitement efficace ;
  • décès à 82 ans.

La survie après diagnostic augmente de 4 à 18 ans.

Une partie de cette augmentation vient du diagnostic plus précoce.

Mais une autre partie correspond à un véritable gain de vie.

Il faut donc séparer les deux.

Le problème contrefactuel

Pour une personne dépistée à 64 ans, nous ne pouvons pas observer directement :

ce qui se serait passé sans dépistage.

Elle aurait peut-être :

  • été diagnostiquée à 68 ans ;
  • reçu un traitement ;
  • vécu aussi longtemps.

Ou peut-être serait-elle morte plus tôt.

C’est encore un problème d’inférence causale.

Pourquoi les comparaisons historiques sont dangereuses

Supposons qu’après l’introduction d’un dépistage, on observe :

survie à cinq ans : 50 % → 80 %.

On pourrait attribuer le progrès au programme.

Mais cette hausse peut venir de plusieurs phénomènes :

  • diagnostic plus précoce ;
  • surdiagnostic ;
  • meilleurs traitements ;
  • changement de classification.

Une simple comparaison avant/après ne permet pas d’isoler l’effet du dépistage.

Exemple de communication trompeuse

Une campagne affirme :

« Grâce au dépistage, 90 % des patients survivent cinq ans, contre seulement 40 % sans dépistage. »

Cette comparaison peut être totalement trompeuse si les groupes sont définis par le moment du diagnostic.

La question pertinente est plutôt :

« quelle est la mortalité dans les populations invitées ou non au dépistage ? »

Diagnostiquer plus tôt augmente mécaniquement la durée connue de maladie

Même lorsque le dépistage n’améliore pas la survie réelle, il augmente la durée pendant laquelle la personne vit avec le diagnostic.

Cela peut avoir :

  • coûts ;
  • surveillance ;
  • effets psychologiques.

Cette durée supplémentaire n’est pas automatiquement un bénéfice.

Exemple

Sans dépistage :

4 années vécues avec le diagnostic.

Avec dépistage :

9 années vécues avec le diagnostic.

Si le décès n’est pas repoussé, les cinq années supplémentaires sont essentiellement :

cinq années supplémentaires de connaissance de la maladie.

Selon le contexte, cela peut être utile, neutre ou nuisible.

Détection précoce et temps de traitement

Un diagnostic avancé peut aussi faire commencer les traitements plus tôt.

Si ces traitements n’apportent aucun bénéfice sur la mortalité, cela peut augmenter simplement :

la durée d’exposition aux traitements.

Il faut donc démontrer l’utilité de cette avance thérapeutique.

Le biais est particulièrement important pour les maladies lentes

Lorsque la phase préclinique dure plusieurs années, le dépistage peut avancer fortement le diagnostic.

La survie calculée depuis ce diagnostic peut alors augmenter de manière spectaculaire.

Cela ne permet toujours pas de distinguer :

  • véritable bénéfice ;
  • simple avance temporelle.

Mesurer depuis la naissance ?

Une manière intuitive de voir le problème consiste à abandonner la date du diagnostic comme origine.

Supposons :

Sans dépistage

Décès à 75 ans.

Avec dépistage

Décès à 75 ans.

Vu depuis la naissance :

aucune différence.

Vu depuis le diagnostic :

une énorme différence peut apparaître.

Le choix du point zéro crée l’illusion.

Mortalités spécifiques et toutes causes

Pour évaluer un dépistage, on peut regarder :

mortalité spécifique à la maladie

et

mortalité toutes causes.

La première est souvent plus sensible au bénéfice attendu.

La seconde est moins vulnérable aux erreurs de classification de la cause du décès.

Limites de la mortalité spécifique

Si un décès est attribué à tort :

  • à la maladie ;
  • ou à une autre cause,

l’estimation peut être biaisée.

La connaissance du groupe de dépistage peut parfois influencer la classification.

Limites de la mortalité toutes causes

Si la maladie représente seulement une petite fraction de tous les décès, même un véritable bénéfice peut être difficile à détecter dans la mortalité totale.

L’étude doit parfois être immense pour avoir suffisamment de puissance.

Il faut donc souvent examiner plusieurs critères.

Incidence des maladies avancées

Une autre information utile est :

le nombre de diagnostics à un stade avancé.

Si le dépistage fonctionne comme prévu, on peut espérer que certains cas qui auraient atteint un stade avancé soient détectés et traités plus tôt.

Exemple

Avant dépistage :

100 cancers avancés pour 100 000 personnes.

Après programme :

60 cancers avancés.

Cette baisse est plus directement compatible avec un déplacement utile vers des diagnostics précoces qu’une simple hausse de survie après diagnostic.

Mais ce n’est pas non plus une preuve isolée

Les classifications des stades peuvent évoluer.

Les traitements peuvent changer.

Il faut encore comparer de manière rigoureuse les populations.

Essais randomisés

Une méthode robuste consiste à randomiser :

invitation au dépistage

versus

absence d’invitation.

La mortalité est ensuite comparée entre les groupes.

La date du diagnostic n’est alors plus utilisée comme origine principale de la comparaison.

Pourquoi cette méthode réduit le lead-time bias

Les personnes sont comptées à partir d’un moment commun :

l’entrée dans l’essai ou la randomisation.

Le fait d’être diagnostiqué plus tôt n’ajoute pas mécaniquement des années au temps observé.

Seuls de véritables changements de résultats modifient la comparaison.

Courbes de survie depuis la randomisation

Dans un essai de dépistage, une courbe de Kaplan-Meier ou une incidence cumulée peut être calculée depuis :

la randomisation,

pas seulement depuis le diagnostic.

Cette origine commune évite l’erreur fondamentale du lead-time bias.

Une conséquence paradoxale

Un programme totalement inefficace peut améliorer :

  • survie à cinq ans ;
  • survie à dix ans après diagnostic.

Il suffit qu’il avance suffisamment la date du diagnostic.

C’est pourquoi ces indicateurs sont particulièrement dangereux dans les communications publiques.

Exemple numérique

Sans dépistage :

  • diagnostic à 69 ans ;
  • décès à 73 ans.

Survie à cinq ans :

non.

Avec dépistage :

  • diagnostic à 63 ans ;
  • décès à 73 ans.

Survie à cinq ans :

oui.

Le taux de survie à cinq ans peut donc s’améliorer simplement en déplaçant le diagnostic six ans plus tôt.

Plus le dépistage est sensible, plus le biais peut sembler impressionnant

Un test capable de détecter une maladie très longtemps avant les symptômes peut produire une très forte augmentation de la survie depuis le diagnostic.

Ironiquement, une technologie diagnostique performante peut donc générer une illusion statistique plus importante si on utilise le mauvais indicateur.

Le temps gagné doit être distingué du temps connu

On peut différencier :

temps de vie réellement gagné

et

temps supplémentaire vécu avec la connaissance du diagnostic.

Ils ne sont pas équivalents.

Exemple de bénéfice possible malgré l’absence de mortalité réduite

Même si un dépistage ne prolonge pas la vie, il peut parfois réduire :

  • symptômes ;
  • traitements lourds ;
  • complications.

Le bénéfice ne doit donc pas être réduit à la mortalité.

Mais il faut le démontrer avec des critères appropriés.

Qualité de vie

Un diagnostic précoce peut :

  • permettre un traitement moins agressif ;
  • améliorer la qualité de vie.

Ou au contraire :

  • augmenter l’anxiété ;
  • prolonger la médicalisation.

Ces dimensions doivent être mesurées directement.

Le biais d’avance au diagnostic n’est pas le biais de durée

Ils sont souvent associés mais différents.

Biais d’avance au diagnostic

Le diagnostic est posé plus tôt.

La survie paraît plus longue.

Biais de durée

Le dépistage détecte préférentiellement les maladies qui évoluent lentement.

Les personnes dépistées paraissent alors avoir un meilleur pronostic parce que les cas détectés sont biologiquement différents.

Les deux mécanismes peuvent agir simultanément.

Le biais d’avance n’est pas non plus le surdiagnostic

Dans le lead-time bias :

la maladie aurait fini par être diagnostiquée, mais plus tard.

Dans le surdiagnostic :

la maladie n’aurait jamais été diagnostiquée cliniquement pendant la vie de la personne.

Le surdiagnostic peut produire une augmentation encore plus spectaculaire de la survie.

Exemple de surdiagnostic

Une lésion indolente détectée à 60 ans.

La personne meurt à 90 ans d’une autre cause sans que la lésion n’ait jamais progressé.

Survie après diagnostic :

30 ans.

Ce cas entre dans les statistiques des personnes ayant une excellente survie après diagnostic, alors que le dépistage n’a pas prolongé sa vie.

Mélange des biais

Après introduction d’un dépistage, la survie peut donc augmenter grâce à :

  1. véritable efficacité thérapeutique ;
  2. avance au diagnostic ;
  3. détection préférentielle de maladies lentes ;
  4. surdiagnostic.

Séparer ces contributions est l’un des grands défis de l’évaluation.

Le paradoxe de la survie

Supposons qu’un pays diagnostique beaucoup plus tôt les cancers qu’un autre.

Le premier peut avoir une bien meilleure :

survie à cinq ans après diagnostic

tout en ayant une mortalité similaire.

Comparer uniquement la survie peut donner une image trompeuse de l’efficacité du système de santé.

Comparaisons internationales

Les pays peuvent différer par :

  • intensité du dépistage ;
  • définition diagnostique ;
  • surdiagnostic ;
  • classification des stades.

Comparer directement la survie après diagnostic nécessite donc beaucoup de prudence.

Incidence et survie ensemble

Une hausse simultanée de :

incidence diagnostiquée

et

survie

peut simplement refléter davantage de détection précoce ou de surdiagnostic.

Il faut regarder :

  • mortalité ;
  • stades avancés.

Exemple

Pays A :

  • beaucoup plus de cancers diagnostiqués ;
  • survie à cinq ans très élevée.

Pays B :

  • moins de cancers diagnostiqués ;
  • survie plus faible.

Si la mortalité populationnelle est identique, on ne peut pas conclure que A sauve davantage de vies grâce au dépistage.

L’importance du dénominateur

La survie est calculée parmi :

les personnes diagnostiquées.

Le dépistage change directement la composition de ce groupe.

La mortalité populationnelle utilise un dénominateur plus indépendant du processus diagnostique.

C’est une raison majeure de la préférer pour certaines évaluations.

Imaginons un test qui détecte tout

Supposons une technologie capable de détecter dès aujourd’hui toutes les futures maladies qui apparaîtront dans les vingt prochaines années.

La survie après diagnostic exploserait.

Mais si aucun traitement n’était modifié, l’espérance de vie resterait identique.

Cet exemple extrême révèle l’erreur conceptuelle.

Le diagnostic est un événement administratif autant que biologique

Une maladie peut commencer biologiquement bien avant :

la date inscrite comme diagnostic.

Faire varier cette date modifie artificiellement de nombreux indicateurs calculés « depuis le diagnostic ».

Il faut donc distinguer temps biologique et temps administratif.

Pourquoi le concept est généralisable

Le lead-time bias ne concerne pas seulement le cancer.

Il peut apparaître pour toute maladie où :

  • un test permet une détection précoce ;
  • la survie est calculée depuis le diagnostic.

Cela peut concerner certaines maladies :

  • neurodégénératives ;
  • cardiovasculaires ;
  • génétiques.

Dépistage de maladies incurables

Le problème est particulièrement évident lorsque la maladie ne possède aucun traitement modifiant son évolution.

Détecter dix ans plus tôt peut augmenter la survie « diagnostiquée » de dix ans sans modifier le décès.

Cela ne signifie pas que le diagnostic n’a aucune valeur, mais il ne faut pas confondre cette valeur avec un gain de survie.

Le diagnostic précoce peut néanmoins avoir d’autres bénéfices

Il peut permettre :

  • planification ;
  • adaptation du mode de vie ;
  • préparation familiale ;
  • accès à certaines aides.

Ces bénéfices sont réels mais différents d’un effet sur la mortalité.

Ils doivent être évalués comme tels.

L’avance au diagnostic elle-même peut être estimée

Des modèles tentent parfois d’estimer la durée moyenne de la phase préclinique détectable.

Cela permet de mieux comprendre combien de survie apparente peut être attribuée au lead time.

Mais ces estimations reposent sur des hypothèses.

Correction statistique du lead time

Il existe des méthodes pour ajuster les analyses de survie en fonction d’une avance au diagnostic estimée.

Mais ces corrections sont moins robustes qu’une comparaison directe de mortalité dans un essai bien conçu.

Il vaut mieux prévenir le biais par le design que tenter de le réparer ensuite.

Le design avant le calcul

C’est une leçon récurrente de l’épidémiologie.

Une statistique très sophistiquée ne compense pas toujours un mauvais point de comparaison.

Ici, le problème vient surtout de choisir :

date du diagnostic

comme origine pour comparer des populations diagnostiquées à des moments différents.

Le bon contrefactuel

Pour évaluer un dépistage, la question est :

« que serait-il arrivé à cette population si elle n’avait pas été dépistée ? »

Ce n’est pas :

« combien de temps les personnes dépistées survivent-elles après leur diagnostic ? »

Le cadre contrefactuel clarifie immédiatement la différence.

Une leçon d’esprit critique

Face à une affirmation :

« les patients détectés par dépistage vivent deux fois plus longtemps après le diagnostic »,

demandez :

Le décès est-il réellement retardé ?

La mortalité de la population diminue-t-elle ?

Le groupe dépisté a-t-il simplement été diagnostiqué plus tôt ?

Le surdiagnostic est-il possible ?

Le dépistage détecte-t-il surtout des maladies lentes ?

Sans ces informations, la survie après diagnostic ne suffit pas.

Autre formulation à surveiller

« 95 % des cancers détectés précocement sont encore en vie à cinq ans. »

Cela peut être vrai tout en étant peu informatif sur l’efficacité du dépistage.

Les cancers détectés précocement peuvent :

  • avoir été trouvés plus tôt ;
  • être biologiquement moins agressifs ;
  • inclure des surdiagnostics.

Le bon comparateur est une stratégie de dépistage versus une stratégie sans dépistage.

Comment démontrer un bénéfice

Les indicateurs les plus utiles peuvent inclure :

  • mortalité spécifique ;
  • mortalité toutes causes ;
  • incidence des stades avancés ;
  • morbidité ;
  • qualité de vie.

Une amélioration cohérente sur plusieurs de ces dimensions constitue un dossier beaucoup plus convaincant.

Tableau récapitulatif

IndicateurVulnérable au biais d’avance ?
Survie depuis le diagnosticOui, fortement
Survie à cinq ansOui, fortement
Âge au décèsNon directement
Mortalité populationnelleBeaucoup moins
Incidence des formes avancéesBeaucoup moins
Qualité de vieÀ mesurer directement

Aucun indicateur n’est parfait, mais certains sont beaucoup plus adaptés à la question.

À retenir

Le biais d’avance au diagnostic apparaît lorsqu’un dépistage pose le diagnostic plus tôt sans repousser le décès.

La survie calculée depuis le diagnostic augmente alors mécaniquement.

Exemple :

sans dépistage : diagnostic à 68 ans, décès à 72 ans → survie 4 ans ;

avec dépistage : diagnostic à 64 ans, décès à 72 ans → survie 8 ans.

La survie a doublé.

La vie n’a pas été prolongée.

C’est pourquoi une amélioration de :

  • survie à cinq ans ;
  • survie moyenne après diagnostic

ne démontre pas à elle seule l’efficacité d’un dépistage.

Pour savoir si un programme améliore réellement la santé, il faut privilégier des comparaisons portant notamment sur :

  • mortalité ;
  • formes avancées ;
  • complications ;
  • qualité de vie.

Et il faut distinguer le lead-time bias de deux autres phénomènes :

biais de durée : le dépistage trouve préférentiellement les maladies lentes ;

surdiagnostic : le dépistage découvre des maladies qui n’auraient jamais causé de symptômes.

Le principe fondamental est donc :

avancer la date du diagnostic avance le départ du chronomètre ; cela ne prouve pas que l’on ait repoussé son arrivée.

Pour aller plus loin

H. Gilbert Welch — travaux sur le dépistage, la survie et le surdiagnostic. Une référence importante pour comprendre pourquoi la survie après diagnostic peut être trompeuse.

Wilson et Jungner — Principles and Practice of Screening for Disease. Un cadre historique essentiel pour réfléchir à l’utilité réelle d’un programme de dépistage.

Cochrane — travaux méthodologiques sur les essais de dépistage. Une source utile pour comprendre pourquoi la mortalité et les résultats cliniques sont préférables à la seule survie après diagnostic.

David Sackett et collaborateurs — Clinical Epidemiology. Une référence classique sur les biais de dépistage et l’évaluation du pronostic.