Courbes ROC et choix d’un seuil

Beaucoup de tests médicaux ne produisent pas spontanément un résultat binaire :

positif / négatif.

Ils mesurent plutôt une valeur continue :

  • concentration d’un biomarqueur ;
  • taille d’une lésion ;
  • score clinique ;
  • probabilité calculée par un modèle.

Il faut ensuite choisir un seuil pour décider à partir de quelle valeur le test sera considéré comme positif.

Ce seuil détermine en grande partie le compromis entre sensibilité et spécificité.

Un exemple simple

Supposons qu’un biomarqueur varie entre :

0 et 100.

Les personnes malades tendent à avoir des valeurs plus élevées que les personnes non malades.

Mais les deux distributions se chevauchent.

Certaines personnes non malades peuvent avoir :

60.

Certaines personnes malades :

45.

Il n’existe donc pas nécessairement une frontière parfaite.

Choisir un seuil élevé

Supposons que l’on considère positif uniquement :

≥ 80.

Très peu de personnes non malades atteignent ce niveau.

On obtient donc :

peu de faux positifs → forte spécificité.

Mais certains malades ont des valeurs comprises entre 50 et 79.

Ils seront classés négatifs.

On obtient :

davantage de faux négatifs → sensibilité plus faible.

Choisir un seuil bas

Supposons maintenant :

positif ≥ 40.

On détecte presque tous les malades.

La sensibilité augmente.

Mais beaucoup de personnes non malades ont elles aussi une valeur supérieure à 40.

Les faux positifs augmentent et la spécificité diminue.

La relation générale

Pour beaucoup de tests :

abaisser le seuil → sensibilité ↑, spécificité ↓

et

augmenter le seuil → sensibilité ↓, spécificité ↑.

Il existe donc un compromis.

Pourquoi ne pas chercher simplement 100 % de sensibilité ?

Parce qu’on pourrait fixer un seuil extrêmement bas et déclarer presque tout le monde positif.

On détecterait presque tous les malades.

Mais on produirait aussi énormément de faux positifs.

Exemple absurde

Supposons que le test considère :

tout le monde positif.

Sensibilité :

100 %.

Aucun malade n’est manqué.

Mais spécificité :

0 %.

Aucun non-malade n’est correctement reconnu.

Une sensibilité parfaite ne suffit donc pas à définir un bon test.

L’inverse

Si l’on classe tout le monde négatif :

sensibilité :

0 %.

Spécificité :

100 %.

Le test est également inutile.

Un bon test doit séparer les deux populations suffisamment bien pour qu’un compromis utile soit possible.

La courbe ROC

La courbe ROC, pour Receiver Operating Characteristic, représente les performances d’un test pour tous les seuils possibles.

Sur l’axe vertical :

sensibilité, ou taux de vrais positifs.

Sur l’axe horizontal :

1 − spécificité, ou taux de faux positifs.

Chaque point de la courbe correspond à un seuil différent.

Origine historique

Le terme vient historiquement des techniques de détection de signaux, notamment développées dans les domaines du radar.

Le même problème existait :

à partir de quelle intensité considère-t-on qu’un signal réel est présent ?

Cette logique a ensuite été largement utilisée en médecine et en statistique.

Les deux extrêmes de la courbe

À un seuil extrêmement élevé :

presque personne n’est positif.

On obtient approximativement :

sensibilité = 0

et

taux de faux positifs = 0.

À un seuil extrêmement bas :

tout le monde devient positif.

On obtient :

sensibilité = 1

et

taux de faux positifs = 1.

La courbe relie ces situations.

Le test sans pouvoir discriminant

Imaginons un test incapable de distinguer malades et non-malades.

Sa courbe ROC suit approximativement la diagonale :

de (0,0) à (1,1).

Augmenter la sensibilité implique alors une augmentation équivalente des faux positifs.

Le test ne fait guère mieux qu’un classement aléatoire.

Un bon test

Un bon test produit une courbe qui monte rapidement vers :

le coin supérieur gauche.

Cela signifie qu’il peut atteindre :

  • forte sensibilité ;
  • avec relativement peu de faux positifs.

Plus la courbe s’approche de ce coin, meilleure est généralement la discrimination.

Le point idéal

Théoriquement :

sensibilité = 100 %

et

spécificité = 100 %.

Sur une courbe ROC, cela correspond au point :

taux de faux positifs = 0

sensibilité = 1.

Un test parfait atteindrait le coin supérieur gauche.

En pratique, c’est rare.

Aire sous la courbe

On résume souvent une courbe ROC par son aire sous la courbe, ou AUC.

L’AUC varie généralement entre :

0,5 et 1 pour un test orienté dans la bonne direction.

AUC = 0,5

Le test ne discrimine pratiquement pas mieux que le hasard.

AUC = 1

Le test sépare parfaitement les malades des non-malades dans l’échantillon étudié.

Toutes les personnes malades ont des scores supérieurs à toutes les personnes non malades, ou l’inverse selon l’orientation.

Interprétation probabiliste

Une interprétation utile de l’AUC est :

si l’on choisit au hasard une personne malade et une personne non malade, quelle est la probabilité que le test donne le score le plus suspect à la personne malade ?

Une AUC de :

0,80

signifie approximativement :

80 % de chances de classer correctement une paire malade/non-malade choisie au hasard.

Mais l’AUC ne donne pas un seuil

Une AUC élevée indique une bonne discrimination globale.

Elle ne dit pas :

à partir de quelle valeur faut-il considérer le test positif ?

Cette décision nécessite une autre réflexion.

Deux tests avec la même AUC

Deux tests peuvent avoir :

AUC = 0,85

mais des formes de courbe différentes.

L’un peut être meilleur lorsqu’on exige une sensibilité extrêmement élevée.

L’autre peut être meilleur lorsqu’on exige une spécificité très élevée.

Comparer uniquement les AUC peut donc masquer des différences importantes.

La région pertinente de la courbe

Supposons qu’en pratique on refuse tout seuil avec :

spécificité < 95 %.

La partie de la courbe correspondant à des taux de faux positifs élevés n’a alors quasiment aucune importance clinique.

Il peut être préférable de comparer les tests dans la région réellement pertinente.

AUC partielle

On peut parfois calculer une AUC partielle sur une zone donnée.

Par exemple :

spécificité entre 95 et 100 %.

Cela peut être plus informatif pour certaines applications.

Choisir le meilleur seuil

Il n’existe pas un seuil universellement optimal.

Le choix dépend de la conséquence des erreurs.

Il faut comparer :

coût du faux positif

et

coût du faux négatif.

Exemple : maladie grave curable

Supposons une maladie :

  • rapidement grave ;
  • curable si détectée tôt.

Un faux négatif peut avoir des conséquences considérables.

On peut choisir un seuil privilégiant :

très forte sensibilité, quitte à accepter davantage de faux positifs.

Exemple : traitement dangereux

Supposons qu’un positif conduise directement à un traitement très toxique.

Un faux positif devient alors particulièrement coûteux.

On préférera souvent :

forte spécificité

ou une confirmation par un autre test.

Le seuil dépend donc de l’action

Le même test peut utiliser des seuils différents selon qu’il sert à :

  • dépister ;
  • confirmer ;
  • déclencher une biopsie ;
  • décider d’un traitement.

Le seuil n’est pas seulement une propriété biologique du test.

C’est une décision clinique.

Dépistage

Pour un premier dépistage, on peut choisir un seuil relativement sensible afin de manquer peu de cas.

Les positifs seront ensuite confirmés.

La stratégie complète peut donc être :

test sensible → confirmation spécifique.

Confirmation

Pour un test confirmatoire, on peut choisir un seuil plus strict.

La priorité devient :

réduire les faux positifs.

Le même biomarqueur peut donc avoir plusieurs seuils selon l’usage.

Indice de Youden

Une méthode classique pour choisir un seuil consiste à maximiser :

J = sensibilité + spécificité − 1.

C’est l’indice de Youden.

Il cherche le point offrant un bon compromis entre sensibilité et spécificité.

Exemple

Seuil A :

  • sensibilité 90 % ;
  • spécificité 70 %.

Youden :

0,90 + 0,70 − 1 = 0,60.

Seuil B :

  • sensibilité 80 % ;
  • spécificité 90 %.

Youden :

0,80 + 0,90 − 1 = 0,70.

Selon ce critère, B serait préférable.

Mais Youden suppose implicitement un compromis particulier

L’indice traite assez symétriquement :

  • faux positifs ;
  • faux négatifs.

Dans la réalité clinique, les deux erreurs peuvent avoir des conséquences radicalement différentes.

Le seuil maximisant Youden n’est donc pas automatiquement le meilleur seuil médical.

Prévalence et choix du seuil

La courbe ROC classique dépend moins directement de la prévalence que les valeurs prédictives.

Mais la décision clinique, elle, dépend fortement de la prévalence.

Dans une population où la maladie est extrêmement rare, même un faible taux de faux positifs peut produire beaucoup de fausses alertes.

Exemple

Maladie chez :

0,1 % des personnes.

Deux seuils :

Seuil A

Sensibilité 99 %, spécificité 90 %.

Seuil B

Sensibilité 90 %, spécificité 99,9 %.

Pour un dépistage de masse, le seuil B peut parfois produire une VPP beaucoup plus utilisable malgré sa sensibilité légèrement plus faible.

Tout dépend de la maladie et du rôle du test.

ROC ne montre pas directement la VPP

C’est une limite importante.

Deux populations ayant des prévalences très différentes peuvent produire une courbe ROC similaire mais des valeurs prédictives très différentes.

Une AUC excellente ne garantit donc pas qu’un positif soit convaincant dans une population à très faible risque.

Exemple

Un test possède :

AUC = 0,95.

Cela semble excellent.

Mais si la maladie touche :

1 personne sur 100 000,

un seuil produisant seulement 1 % de faux positifs peut encore générer énormément de fausses alertes.

La courbe ROC ne suffit pas à évaluer la stratégie de dépistage.

ROC et taux de base

Il faut donc associer :

discrimination du test

à

prévalence de la maladie

et

conséquences des décisions.

La courbe ROC répond à une partie du problème, pas à la totalité.

Un modèle peut avoir une bonne AUC et une mauvaise calibration

Supposons qu’un modèle classe correctement :

  • les patients à haut risque ;
  • les patients à faible risque.

Son AUC peut être excellente.

Mais il peut annoncer :

80 % de risque

alors que la fréquence réelle n’est que :

40 %.

Le classement est bon, mais les probabilités sont mal calibrées.

Discrimination versus calibration

La discrimination demande :

le modèle classe-t-il correctement les individus du plus faible au plus haut risque ?

La calibration demande :

les probabilités annoncées correspondent-elles aux fréquences réellement observées ?

Ces deux propriétés sont différentes.

Exemple

Deux modèles :

Modèle A

Très bonne AUC mais probabilités systématiquement trop élevées.

Modèle B

AUC légèrement plus faible mais excellente calibration.

Selon l’usage clinique, B peut parfois être plus utile.

ROC et modèles d’intelligence artificielle

Les performances des systèmes d’IA diagnostique sont souvent présentées avec :

  • AUC ;
  • sensibilité ;
  • spécificité.

Une AUC de :

0,97

peut paraître spectaculaire.

Mais il faut encore demander :

sur quelle population ?

avec quel seuil ?

avec quelle prévalence ?

avec quelle calibration ?

quelle conséquence pour les faux positifs ?

Choix du seuil après avoir regardé les données

Un problème méthodologique apparaît lorsqu’on teste de nombreux seuils et qu’on publie celui qui donne les meilleurs résultats dans le même échantillon.

Cela peut surestimer les performances.

Optimisme

Le seuil a été choisi précisément parce qu’il fonctionne bien sur ces données.

Il risque de moins bien fonctionner dans une nouvelle population.

C’est une forme de surajustement.

Cohorte de validation

Une meilleure stratégie consiste à :

  1. développer le test et choisir le seuil ;
  2. figer ce choix ;
  3. l’évaluer dans une population indépendante.

La performance de validation est plus crédible.

Validation interne

Lorsqu’une cohorte indépendante n’est pas immédiatement disponible, on peut utiliser :

  • validation croisée ;
  • bootstrap.

Cela aide à estimer l’optimisme.

Mais la validation externe reste importante.

Spectrum bias et ROC

La courbe ROC dépend également de la population étudiée.

Supposons qu’on compare :

  • cancers très avancés ;
  • personnes parfaitement saines.

Le test peut avoir une AUC très élevée.

Population clinique réelle

Il devra plutôt distinguer :

  • cancers précoces ;
  • lésions bénignes ;
  • inflammations ;
  • anomalies intermédiaires.

Les distributions se chevauchent davantage.

L’AUC peut diminuer.

Une AUC n’est donc pas universelle

Un chiffre comme :

AUC = 0,92

doit toujours être accompagné de :

dans quelle population ?

La discrimination peut changer selon le spectre des patients.

Prévalence versus spectre

L’AUC peut rester théoriquement indépendante de la proportion numérique de malades et non-malades dans certaines conditions.

Mais elle peut changer lorsque les types de malades et de non-malades changent.

C’est une distinction importante.

Seuil universel ou seuil contextuel ?

Dans certains tests, on souhaite une règle simple et standardisée.

Cela facilite :

  • utilisation ;
  • reproductibilité ;
  • recommandations.

Mais un seuil universel peut être sous-optimal dans certaines sous-populations.

Exemple

Un biomarqueur peut varier naturellement avec :

  • âge ;
  • sexe ;
  • grossesse ;
  • fonction rénale.

Un seuil unique peut alors produire des taux d’erreur différents selon les groupes.

Seuils ajustés

On peut parfois utiliser :

  • seuils selon l’âge ;
  • plages de référence différentes ;
  • modèles intégrant plusieurs variables.

Cela peut améliorer la classification mais augmente la complexité.

Risque de multiplication des seuils

Si l’on crée de nombreux seuils après analyse des données, on augmente :

  • surajustement ;
  • difficulté de validation ;
  • risque de résultats non reproductibles.

L’ajustement doit être justifié et validé.

Seuil et variation de mesure

Les personnes situées très près du seuil sont particulièrement vulnérables à une reclassification lors d’une répétition.

Exemple :

seuil = 10.

Résultat aujourd’hui :

9,9.

Résultat demain :

10,1.

Le changement peut être dû à une simple variation analytique ou biologique.

Zone grise

Une solution consiste parfois à définir :

  • zone négative ;
  • zone intermédiaire ;
  • zone positive.

Par exemple :

<8 : négatif

8–12 : indéterminé

>12 : positif.

Les valeurs intermédiaires déclenchent un second examen.

Avantage de la zone grise

Elle évite de transformer une différence minuscule autour du seuil en distinction médicale absolue.

Elle reconnaît explicitement l’incertitude.

Inconvénient

Elle augmente le nombre de personnes nécessitant :

  • nouveau prélèvement ;
  • autre examen.

La stratégie globale doit donc être évaluée.

Seuil et continuité du risque

Souvent, le risque augmente progressivement avec la valeur du biomarqueur.

Le seuil est alors surtout une convention décisionnelle.

Exemple

Risque :

  • valeur 8 : 4 % ;
  • valeur 9 : 5 % ;
  • valeur 10 : 6 % ;
  • valeur 11 : 7 %.

Choisir :

10 = frontière

ne signifie pas qu’une rupture biologique se produit entre 9,9 et 10,0.

La décision binaire simplifie une réalité continue.

Conserver l’information continue

Lorsque cela est possible, il peut être préférable de conserver le score continu et de calculer directement une probabilité de risque.

On évite ainsi une perte d’information liée à la dichotomisation.

Exemple

Au lieu de :

test négatif / positif,

un modèle peut annoncer :

probabilité estimée de maladie = 34 %.

Cette information peut être combinée directement à un seuil de décision.

Mais une probabilité exige une bonne calibration

Comme toujours, produire :

34,2 %

n’a d’intérêt que si cette probabilité correspond à la réalité dans des populations comparables.

Une précision numérique artificielle ne garantit pas une bonne estimation.

Courbe précision-rappel

Lorsque l’événement est très rare, une autre représentation peut parfois être plus informative qu’une courbe ROC : la courbe précision-rappel.

Elle met en relation notamment :

  • sensibilité ;
  • proportion de vrais cas parmi les positifs.

La « précision » correspond ici à une notion proche de la VPP.

Pourquoi ?

Avec une maladie extrêmement rare, un test peut présenter une courbe ROC visuellement impressionnante tout en générant de nombreux faux positifs.

La courbe précision-rappel rend davantage visible ce problème.

Exemple de maladie rare

Supposons :

0,1 % de cas.

Un taux de faux positifs de :

1 %

semble excellent sur une ROC.

Mais les non-malades sont environ mille fois plus nombreux que les malades.

Les faux positifs peuvent donc dépasser largement les vrais positifs.

AUC-ROC et AUC-PR

Ces deux indicateurs répondent à des perspectives différentes.

ROC : capacité générale à séparer les deux distributions.

Precision-recall : performances sur la détection de la classe positive, particulièrement informative lorsqu’elle est rare.

Il ne faut pas choisir l’indicateur uniquement parce qu’il donne le chiffre le plus impressionnant.

Choix du seuil et théorie de la décision

Une manière plus rigoureuse consiste à attribuer des conséquences aux quatre situations :

  • vrai positif ;
  • faux positif ;
  • faux négatif ;
  • vrai négatif.

Puis choisir le seuil qui maximise le bénéfice attendu ou minimise les dommages.

Exemple

Supposons :

faux négatif = coût 100

faux positif = coût 1.

Il est rationnel de privilégier fortement la sensibilité.

Si les coûts sont inversés, le seuil optimal sera différent.

Mais donner un chiffre au coût est difficile

Le coût peut inclure :

  • mortalité ;
  • complications ;
  • anxiété ;
  • dépenses ;
  • interventions inutiles.

Certaines dimensions sont difficiles à comparer.

Le choix comporte donc souvent une dimension normative.

Decision curve analysis

La decision curve analysis cherche à évaluer le bénéfice net d’une stratégie de test pour différents seuils de décision.

Elle compare par exemple :

  • utiliser le modèle ;
  • traiter tout le monde ;
  • ne traiter personne.

Cela relie directement la prédiction à l’action.

Pourquoi c’est utile

Un modèle peut avoir une excellente AUC tout en modifiant très peu les décisions par rapport à une stratégie simple.

L’utilité clinique ne se résume donc pas à la discrimination.

Test excellent, décision inchangée

Supposons qu’avant le test, tous les patients doivent recevoir le même traitement quelle que soit leur valeur.

Même un test très performant ne change pas la conduite.

Son intérêt clinique peut être faible.

Valeur du seuil

Un seuil n’est utile que s’il correspond à une différence d’action.

Par exemple :

risque < 5 % → surveillance

risque ≥ 5 % → examen invasif.

La qualité de ce seuil doit être évaluée en fonction des bénéfices et dommages de ces stratégies.

Le seuil peut changer avec les ressources

Supposons que tous les positifs doivent subir une imagerie spécialisée.

Si la capacité du système est limitée, un seuil extrêmement sensible peut produire une charge impossible à absorber.

Les contraintes organisationnelles entrent alors dans la décision.

Mais les ressources ne changent pas la vérité biologique

C’est important.

Changer un seuil pour des raisons de capacité modifie :

la stratégie de décision,

pas :

la présence réelle de la maladie.

Il faut éviter de confondre définition clinique et contrainte administrative.

Seuil et prévention

Pour un facteur de risque comme la pression artérielle, le cholestérol ou un score cardiovasculaire, les seuils ont parfois une fonction essentiellement décisionnelle.

Le risque biologique est généralement continu.

Le seuil sert à déterminer à partir de quand le bénéfice attendu d’une intervention dépasse ses inconvénients.

Exemple

Le risque cardiovasculaire ne change pas brutalement :

entre 9,9 % et 10 %.

Si 10 % est un seuil thérapeutique, il s’agit d’une convention fondée sur une balance bénéfice-risque.

Ce n’est pas une frontière naturelle absolue.

Changement de seuil et incidence apparente

Modifier la définition d’un test positif peut modifier brutalement le nombre de personnes « diagnostiquées ».

Cela ne signifie pas nécessairement que la maladie biologique est devenue plus fréquente.

La définition a changé.

Exemple

Ancien seuil :

≥ 10.

Nouveau seuil :

≥ 8.

Le nombre de personnes classées positives augmente.

Une partie de l’augmentation est purement liée à la nouvelle définition.

C’est important pour comparer des statistiques au cours du temps.

Changement de définition diagnostique

Des modifications de critères peuvent produire :

  • hausse de prévalence ;
  • baisse apparente de gravité moyenne ;
  • modifications de survie.

Il faut donc toujours vérifier si la définition de la maladie est restée stable.

ROC et comparaisons de modèles

Supposons un ancien modèle :

AUC = 0,82.

Nouveau modèle :

AUC = 0,84.

La différence existe, mais est-elle cliniquement importante ?

Pas nécessairement.

Il faut regarder si le nouveau modèle :

  • améliore réellement la classification ;
  • change les décisions ;
  • réduit les erreurs pertinentes.

Petit gain statistique, coût important

Si le nouveau test coûte dix fois plus cher pour une amélioration marginale, son intérêt peut être limité.

L’évaluation doit intégrer :

  • performance ;
  • coût ;
  • conséquences.

Grand gain local malgré faible changement d’AUC

À l’inverse, une petite augmentation globale de l’AUC peut cacher une amélioration très importante dans une région cruciale.

Par exemple :

beaucoup moins de faux négatifs chez les patients à haut risque.

L’AUC globale n’est pas toujours suffisamment sensible à ce type de bénéfice.

Confiance dans l’AUC

Comme toute estimation statistique, une AUC devrait être accompagnée d’un :

intervalle de confiance.

AUC :

0,86

sur une petite cohorte peut avoir une grande incertitude.

Comparer :

0,86 versus 0,82

sans intervalles peut être trompeur.

Surajustement et AUC parfaite

Une AUC :

1,00

dans l’échantillon utilisé pour construire le modèle doit rendre prudent.

Elle peut signaler :

  • problème extraordinairement facile ;
  • fuite de données ;
  • surajustement.

Il faut examiner la validation externe.

Data leakage

En apprentissage automatique, une fuite de données peut survenir si le modèle reçoit indirectement une information liée au diagnostic final qu’il n’aurait pas réellement au moment de la prédiction.

Les performances peuvent devenir artificiellement spectaculaires.

Exemple

On veut prédire une maladie au moment de l’admission mais une variable utilisée dans le modèle n’est disponible qu’après confirmation du diagnostic.

L’AUC sera élevée, mais le modèle ne répond pas à la question clinique réelle.

Le temps zéro revient encore

Comme en causalité, il faut demander :

quelles informations étaient réellement disponibles au moment où la décision devait être prise ?

Un modèle prédictif doit respecter cette chronologie.

Une leçon d’esprit critique

Face à l’affirmation :

« notre test possède une AUC de 0,95 »,

ne concluez pas immédiatement :

« il diagnostique correctement 95 % des patients ».

Ce n’est pas ce que signifie l’AUC.

Demandez :

Quelle est la sensibilité au seuil réellement utilisé ?

Quelle est la spécificité ?

Quelle est la prévalence ?

Quelle est la VPP ?

Dans quelle population l’AUC a-t-elle été estimée ?

Le seuil était-il pré-spécifié ?

Le test améliore-t-il réellement les décisions ?

Checklist pratique

Pour analyser une courbe ROC :

Quelle population a été étudiée ?

Quel est le standard de référence ?

Quelle est l’AUC et son incertitude ?

Quelle partie de la courbe est cliniquement pertinente ?

Quel seuil a été retenu ?

Pourquoi ce seuil ?

Quels sont la sensibilité et la spécificité à ce seuil ?

Combien de faux positifs et faux négatifs produit-il en nombres absolus ?

Le seuil a-t-il été validé indépendamment ?

À retenir

Une courbe ROC représente le compromis entre :

sensibilité

et

taux de faux positifs = 1 − spécificité

pour différents seuils d’un test.

Abaisser le seuil augmente généralement la sensibilité mais produit davantage de faux positifs.

L’augmenter améliore généralement la spécificité mais produit davantage de faux négatifs.

L’AUC résume la capacité globale du test à distinguer malades et non-malades, mais elle ne permet pas à elle seule de déterminer le meilleur seuil ni l’utilité clinique du test.

Le choix du seuil dépend notamment :

  • de la prévalence ;
  • de la gravité des faux négatifs ;
  • des conséquences des faux positifs ;
  • de l’objectif du test ;
  • des traitements disponibles ;
  • des ressources.

Le principe fondamental est donc :

il n’existe pas nécessairement un seuil statistiquement « vrai » séparant naturellement malades et non-malades ; il existe souvent un continuum biologique sur lequel nous plaçons un seuil afin de prendre une décision.

La bonne question n’est donc pas seulement :

« quel seuil donne la meilleure performance statistique ? »

mais :

« quel seuil produit le meilleur compromis entre bénéfices et dommages dans la population où le test sera réellement utilisé ? »

Pour aller plus loin

John A. Hanley et Barbara J. McNeil — travaux classiques sur l’interprétation des courbes ROC en diagnostic médical. Ils ont largement contribué à formaliser l’usage de l’AUC et son interprétation.

David Sackett et collaborateurs — Clinical Epidemiology. Une référence classique pour replacer sensibilité, spécificité, seuils et tests diagnostiques dans la décision clinique.

Margaret Pepe — The Statistical Evaluation of Medical Tests for Classification and Prediction. Une référence approfondie sur les courbes ROC, la discrimination et l’évaluation statistique des tests.

Andrew Vickers et Elena Elkin — travaux sur la decision curve analysis. Une approche permettant de dépasser la seule discrimination statistique pour évaluer le bénéfice clinique net d’un modèle.