Faux positifs et faux négatifs

Aucun test médical n’est parfaitement fiable.

Lorsqu’il classe une personne, quatre situations sont possibles :

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

Les deux dernières sont des erreurs de classification.

Mais elles n’ont pas les mêmes conséquences, et le choix d’un test ou d’un seuil dépend souvent du coût relatif de ces deux types d’erreurs.

Le faux positif

Un faux positif apparaît lorsqu’une personne non malade obtient un résultat positif.

On peut écrire :

maladie absente + test positif = faux positif.

La personne est donc considérée comme suspecte ou malade alors qu’elle ne l’est pas.

Le faux négatif

Un faux négatif apparaît lorsqu’une personne réellement malade obtient un résultat négatif.

On peut écrire :

maladie présente + test négatif = faux négatif.

La maladie est alors manquée par le test.

Tableau de base

Maladie présenteMaladie absente
Test positifVrai positifFaux positif
Test négatifFaux négatifVrai négatif

Le test idéal ne produirait que :

  • vrais positifs ;
  • vrais négatifs.

En pratique, il existe presque toujours un compromis.

Le taux de faux négatifs

Parmi les personnes malades :

Taux de faux négatifs = FN / (VP + FN).

Il correspond à :

1 − sensibilité.

Si un test possède une sensibilité de 92 %, alors :

8 % des personnes malades sont faussement classées négatives.

Le taux de faux positifs

Parmi les personnes non malades :

Taux de faux positifs = FP / (VN + FP).

Il correspond à :

1 − spécificité.

Si la spécificité est de 97 % :

3 % des personnes non malades obtiennent un résultat positif à tort.

Une erreur statistique devient une décision réelle

Un faux positif n’est pas seulement une case dans un tableau.

Il peut provoquer :

  • inquiétude ;
  • nouveaux examens ;
  • biopsie ;
  • traitement inutile ;
  • conséquences sociales.

Un faux négatif peut provoquer :

  • retard diagnostique ;
  • retard thérapeutique ;
  • complications ;
  • transmission d’une infection.

Le choix d’un test doit donc considérer ce qui arrive après l’erreur.

Exemple de faux positif

Supposons un dépistage du cancer.

Une personne en bonne santé reçoit un résultat positif.

Elle peut ensuite subir :

  • nouvelle imagerie ;
  • biopsie ;
  • plusieurs semaines d’incertitude.

La biopsie montre finalement qu’elle n’a pas de cancer.

Le programme a produit un faux positif initial.

Même si aucune séquelle physique importante n’existe, le coût psychologique peut être réel.

Faux positif et diagnostic définitif

Il est important de distinguer :

test de dépistage positif

et

diagnostic établi.

Un programme bien conçu prévoit souvent un second examen plus spécifique.

Le faux positif du premier test ne signifie donc pas nécessairement qu’une personne recevra un traitement inutile.

Mais il déclenche une cascade supplémentaire.

Exemple de faux négatif

Supposons qu’une personne atteinte d’une infection transmissible obtienne un test négatif.

Elle peut croire qu’elle n’est pas infectée et reprendre :

  • travail ;
  • contacts sociaux.

Le faux négatif peut alors avoir des conséquences individuelles et collectives.

La gravité dépend du contexte

Le même taux d’erreur peut être acceptable dans une situation et inacceptable dans une autre.

Un faux négatif concernant une maladie :

  • bénigne ;
  • spontanément résolutive

n’a pas les mêmes conséquences qu’un faux négatif concernant :

  • une maladie rapidement mortelle mais curable si détectée tôt.

Même logique pour les faux positifs

Un faux positif conduisant à :

un second test sanguin sans risque

est relativement peu coûteux.

Un faux positif conduisant directement à :

chirurgie lourde

est beaucoup plus problématique.

Le choix du seuil doit donc intégrer le coût des conséquences.

Faux positifs et dépistage de masse

Dans une population largement saine, le nombre de non-malades est très élevé.

Même un faible taux de faux positifs peut alors produire un grand nombre d’erreurs.

Exemple

Supposons 1 000 000 de personnes non malades.

Test avec spécificité :

99 %.

Taux de faux positifs :

1 %.

Nombre attendu de faux positifs :

10 000.

99 % de spécificité paraît excellent.

Mais à l’échelle d’une campagne massive, cela peut représenter des milliers d’examens supplémentaires.

Le dénominateur change tout

Dire :

« seulement 1 % de faux positifs »

peut sembler rassurant.

Mais il faut toujours demander :

1 % de combien de personnes ?

Cette question relie directement les tests diagnostiques aux principes généraux de l’épidémiologie.

Exemple complet

Supposons une maladie présente chez 1 % d’une population de 100 000 personnes.

Il y a donc :

1 000 malades

et

99 000 non-malades.

Test :

  • sensibilité 95 % ;
  • spécificité 95 %.

Chez les malades

95 % de 1 000 :

950 vrais positifs.

50 faux négatifs.

Chez les non-malades

5 % de 99 000 :

4 950 faux positifs.

Il y a donc :

  • 950 vrais positifs ;
  • 4 950 faux positifs.

Un résultat positif est beaucoup moins certain qu’on pourrait le penser en regardant uniquement les performances du test.

Le paradoxe apparent

Le test est pourtant :

« correct à 95 % »

dans les deux dimensions principales.

Mais comme les personnes non malades sont beaucoup plus nombreuses, les faux positifs issus de ce groupe peuvent largement dépasser les vrais positifs.

C’est la conséquence directe de la faible prévalence.

Faux positifs et maladie rare

Plus une maladie est rare dans la population testée, plus la question des faux positifs devient importante.

C’est pourquoi un test très spécifique peut être nécessaire pour dépister une maladie rare.

Mais même une excellente spécificité ne suffit pas toujours.

Exemple extrême

Prévalence :

1 sur 100 000.

On teste 1 000 000 de personnes.

Il existe environ :

10 malades.

Supposons :

  • sensibilité 100 % ;
  • spécificité 99,9 %.

On détecte :

10 vrais positifs.

Mais parmi les 999 990 non-malades :

0,1 % donnent un faux positif, soit environ :

1 000 faux positifs.

On obtient donc environ 1 010 résultats positifs pour seulement 10 vrais cas.

Une spécificité de 99,9 % peut être insuffisante

Cet exemple est essentiel.

La performance nécessaire dépend de :

la rareté de la maladie.

Pour un dépistage d’une pathologie extrêmement rare, il faut parfois :

  • cibler une population à risque ;
  • utiliser plusieurs tests ;
  • prévoir une confirmation très spécifique.

Faux négatifs et prévalence élevée

Lorsque la maladie est très fréquente ou que la suspicion clinique est très forte, les faux négatifs deviennent particulièrement importants.

Même un test assez sensible peut ne pas suffire à exclure la maladie.

Exemple

Supposons un patient avec une probabilité pré-test très élevée.

Même si le test est négatif, le clinicien peut décider :

  • de répéter le test ;
  • d’utiliser une autre méthode ;
  • de traiter malgré tout.

Un résultat négatif n’efface pas automatiquement le contexte clinique.

Faux négatif n’est pas toujours une erreur technique

Un test peut être négatif chez une personne malade pour plusieurs raisons.

Par exemple :

  • maladie trop précoce ;
  • prélèvement insuffisant ;
  • site de prélèvement inadéquat ;
  • quantité de biomarqueur sous le seuil ;
  • variation biologique.

La cause de l’erreur doit être comprise.

Moment du test

Dans certaines maladies, la sensibilité varie fortement au cours du temps.

Supposons une infection.

Après exposition :

jour 1 : agent peu détectable

jour 5 : quantité élevée

jour 15 : quantité en diminution.

Un test peut donc être négatif à un moment et positif quelques jours plus tard.

Un résultat négatif est daté

La conclusion correcte est parfois :

« le test n’a pas détecté la maladie à ce moment-là »

plutôt que :

« la personne n’a pas la maladie ».

Cette distinction est particulièrement importante lorsque l’exposition est récente.

Qualité du prélèvement

Même un test techniquement excellent dépend de la qualité de l’échantillon.

Un mauvais prélèvement peut réduire fortement la sensibilité réelle.

Les performances annoncées dans des conditions idéales peuvent donc être supérieures à celles observées sur le terrain.

Erreur pré-analytique

Avant même l’analyse de laboratoire, des erreurs peuvent apparaître :

  • mauvaise identification ;
  • prélèvement insuffisant ;
  • transport inadéquat ;
  • délai trop long ;
  • mauvaise conservation.

On parle d’erreurs pré-analytiques.

Elles peuvent produire notamment des faux négatifs ou faux positifs.

Erreur analytique

Pendant l’analyse elle-même, des problèmes peuvent apparaître :

  • contamination ;
  • réaction croisée ;
  • appareil mal calibré ;
  • seuil inadéquat.

La performance réelle d’un test dépend donc de toute la chaîne de mesure.

Erreur post-analytique

Même après un résultat techniquement correct, une mauvaise interprétation peut provoquer une erreur clinique.

Par exemple :

  • résultat faiblement positif traité comme diagnostic définitif ;
  • résultat négatif interprété comme exclusion absolue.

La qualité du raisonnement compte autant que la machine.

Faux positif et contamination

Dans certains tests très sensibles, une petite contamination peut produire un signal positif.

Plus la méthode peut détecter de faibles quantités, plus le contrôle de contamination devient important.

Une sensibilité analytique extrême peut donc nécessiter une grande rigueur technique.

Réactions croisées

Un test peut reconnaître par erreur une substance proche de celle recherchée.

Cela peut produire des faux positifs.

La spécificité analytique du test devient alors importante.

Faux positif biologique

Un résultat peut également être « positif » selon le seuil sans que la personne développe réellement la maladie clinique.

Cela soulève une question plus profonde :

qu’est-ce que l’on considère comme maladie ?

Détection d’anomalie versus maladie

Un test peut détecter :

  • anomalie moléculaire ;
  • lésion microscopique ;
  • biomarqueur inhabituel.

Mais toutes ces anomalies ne provoqueront pas nécessairement une maladie symptomatique.

On entre alors dans le problème du surdiagnostic, différent du faux positif classique.

Faux positif ≠ surdiagnostic

C’est une distinction essentielle.

Faux positif

La maladie ou l’anomalie recherchée n’est pas réellement présente.

Surdiagnostic

La maladie est réellement présente selon les critères diagnostiques, mais elle n’aurait jamais causé de symptômes ou de décès.

Dans le second cas, le test n’est pas faux.

C’est l’interprétation clinique de la découverte qui pose problème.

Exemple

Une biopsie confirme un petit cancer indolent.

Ce n’est pas un faux positif : les cellules cancéreuses existent réellement.

Mais si cette tumeur n’aurait jamais progressé pendant la vie de la personne, sa détection constitue potentiellement un surdiagnostic.

Faux positif et faux négatif dépendent du standard de référence

Pour dire qu’un résultat est faux, il faut connaître la « vérité ».

Mais le gold standard peut lui-même être imparfait.

Une personne classée comme faux positif du nouveau test pourrait en réalité être un vrai cas manqué par la référence.

Exemple

Nouveau test très sensible :

positif.

Ancienne méthode :

négative.

On classe le nouveau test comme faux positif.

Mais un suivi ultérieur montre que la maladie était réellement présente.

L’erreur venait de la méthode de référence.

Discordance entre tests

Lorsque plusieurs tests donnent des résultats différents, il ne faut pas automatiquement considérer le plus récent ou le plus ancien comme correct.

Il faut examiner :

  • performance ;
  • moment ;
  • échantillon ;
  • standard de référence.

La discordance elle-même fournit parfois de l’information.

Répéter un test

Répéter un test peut réduire certaines erreurs, mais pas toutes.

Si les erreurs sont aléatoires, la répétition peut être utile.

Si le test souffre d’un biais systématique, répéter exactement la même méthode peut reproduire la même erreur.

Deux tests indépendants

Supposons deux tests indépendants avec chacun une spécificité de 95 %.

Si l’on exige que les deux soient positifs pour conclure, la probabilité qu’un non-malade soit positif aux deux peut être beaucoup plus faible, sous l’hypothèse d’indépendance.

C’est l’intérêt d’un test confirmatoire.

Mais les erreurs ne sont pas toujours indépendantes

Deux tests peuvent reposer sur le même mécanisme et être affectés par :

  • même facteur biologique ;
  • même problème de prélèvement.

La combinaison apporte alors moins de sécurité que prévu.

Tests en série

Si une personne est considérée positive uniquement lorsque :

A positif ET B positif,

la spécificité augmente généralement.

Mais certains vrais malades peuvent être négatifs à l’un des tests.

La sensibilité globale diminue.

Tests en parallèle

Si une personne est considérée positive lorsque :

A positif OU B positif,

la sensibilité augmente généralement.

Mais les faux positifs deviennent plus nombreux.

Encore une fois, il faut choisir selon les conséquences des erreurs.

Le seuil crée les erreurs

Supposons une variable biologique continue.

Il n’existe pas toujours une frontière naturelle parfaite entre :

  • malade ;
  • non-malade.

Le seuil transforme artificiellement une distribution continue en deux catégories.

Les personnes proches du seuil sont particulièrement vulnérables à la classification différente selon de petites variations.

Exemple

Seuil :

10,0.

Résultat :

9,9 = négatif

10,1 = positif.

Les deux valeurs sont presque identiques.

La catégorisation donne pourtant une impression de différence nette.

Variabilité biologique

Une même personne peut avoir :

  • 9,9 lundi ;
  • 10,2 jeudi.

Le changement de classification peut refléter une variation normale plutôt qu’un changement clinique réel.

Pour certaines mesures, plusieurs prélèvements sont donc nécessaires.

Régression vers la moyenne

Lorsqu’un dépistage sélectionne les personnes ayant une valeur exceptionnellement élevée, une nouvelle mesure peut être plus basse simplement par régression vers la moyenne.

Cela peut parfois être interprété à tort comme :

  • amélioration ;
  • erreur du premier test.

Les deux phénomènes doivent être distingués.

Faux positifs et anxiété

L’impact psychologique est parfois sous-estimé.

Après un résultat positif, certaines personnes peuvent conserver :

  • inquiétude ;
  • modification de perception de leur santé

même après une confirmation négative.

Ce coût doit être considéré dans les programmes de dépistage.

Étiquetage médical

Un résultat faux positif peut également inscrire temporairement ou durablement un diagnostic dans un dossier.

Cela peut influencer :

  • examens futurs ;
  • décisions médicales ;
  • assurance selon les systèmes ;
  • perception du patient.

La qualité de la correction des dossiers est donc importante.

Faux négatif et fausse rassurance

Le faux négatif possède un effet psychologique inverse.

La personne peut penser :

« je suis certain de ne pas avoir la maladie ».

Elle peut alors ignorer des symptômes ultérieurs ou retarder une consultation.

La communication doit donc expliquer les limites du test.

« Négatif » ne signifie pas toujours « impossible »

Une formulation plus correcte peut être :

« ce résultat rend la maladie moins probable ».

La quantité de réduction dépend :

  • sensibilité ;
  • probabilité pré-test ;
  • rapport de vraisemblance.

Le raisonnement probabiliste est plus exact qu’un verdict binaire.

« Positif » ne signifie pas toujours « certain »

De même :

« ce résultat augmente la probabilité de maladie ».

La probabilité finale dépend de ce qu’elle était avant le test.

Cette logique prépare directement au raisonnement bayésien.

Type d’erreur et objectif du test

Un test peut être conçu pour :

Ne presque jamais manquer une maladie

On privilégie la sensibilité.

Ne presque jamais accuser à tort une maladie

On privilégie la spécificité.

Trouver un compromis

On choisit un seuil intermédiaire.

Le meilleur choix dépend du problème.

Dépistage néonatal

Pour certaines maladies graves mais traitables précocement, manquer un cas peut avoir des conséquences considérables.

Les programmes cherchent souvent une très forte sensibilité.

Un test positif est ensuite confirmé par des examens supplémentaires.

Cette stratégie accepte davantage de faux positifs au premier stade.

Confirmation avant traitement invasif

À l’inverse, avant une intervention lourde, on veut souvent réduire au maximum le risque de traiter un faux positif.

Un examen histologique ou une confirmation supplémentaire peut être exigé.

La spécificité devient alors particulièrement importante.

Faux positifs et prévalence

Le nombre absolu de faux positifs dépend :

  • de la spécificité ;
  • du nombre de non-malades.

Dans une maladie rare, les non-malades sont très nombreux.

C’est pourquoi la proportion de faux positifs parmi tous les résultats positifs peut devenir importante.

Faux négatifs et prévalence

De même, le nombre absolu de faux négatifs dépend :

  • de la sensibilité ;
  • du nombre de malades.

Pendant une forte épidémie, même un faible taux de faux négatifs peut correspondre à beaucoup de personnes infectées non détectées.

Exemple épidémique

Supposons :

1 000 000 de personnes testées.

Prévalence :

20 %, soit 200 000 infections.

Sensibilité :

90 %.

Faux négatifs :

10 % de 200 000 = 20 000.

Un taux d’erreur de seulement 10 % produit donc 20 000 infections manquées.

Comparer les tests sur les nombres attendus

Pour prendre une décision, il est souvent plus utile de présenter :

sur 10 000 personnes, combien de :

  • vrais positifs ;
  • faux positifs ;
  • faux négatifs ;
  • vrais négatifs ?

Cette représentation est généralement plus intuitive que plusieurs pourcentages isolés.

Fréquences naturelles

Les fréquences naturelles facilitent beaucoup la compréhension.

Plutôt que :

sensibilité 90 %, spécificité 95 %, prévalence 1 %

on peut dire :

sur 10 000 personnes :

  • 100 sont malades ;
  • 90 sont détectées ;
  • 10 sont manquées ;
  • 495 non-malades seront positives à tort.

La structure devient immédiatement visible.

Communication du risque

Pour informer correctement un patient, il est souvent préférable de communiquer :

« sur 100 personnes avec ce résultat, environ X auront réellement la maladie »

plutôt que :

« ce test est fiable à 95 % ».

Les deux phrases peuvent donner des perceptions très différentes.

Faux positifs dans les bases de pharmacovigilance

Un signalement d’événement après un médicament ne correspond pas directement à un faux positif au sens diagnostique.

Mais la logique est proche : un événement observé après une exposition peut être attribué à tort à cette exposition.

Il faut comparer le nombre observé au nombre attendu spontanément.

Erreur d’attribution causale

On peut donc distinguer :

erreur de classification diagnostique

et

erreur d’attribution causale.

Une personne peut réellement avoir eu l’événement, mais l’attribuer à tort au traitement.

Cela sera important lorsque nous étudierons la pharmacovigilance.

Les conséquences collectives

À grande échelle, les faux positifs peuvent saturer :

  • laboratoires ;
  • imagerie ;
  • consultations spécialisées.

Les faux négatifs peuvent laisser circuler :

  • infections ;
  • risques non détectés.

La performance optimale dépend donc aussi des capacités du système de santé.

Exemple de capacité limitée

Supposons qu’un programme de dépistage produise 100 000 résultats positifs nécessitant une coloscopie, mais que le système ne puisse en réaliser que 20 000 rapidement.

Même un bon test peut alors créer une mauvaise stratégie si le suivi n’est pas dimensionné.

Seuil optimal et ressources

Le choix du seuil peut donc intégrer :

  • gravité ;
  • bénéfice du traitement ;
  • coûts ;
  • capacité de confirmation.

La statistique est inséparable de la décision.

Faux négatif acceptable ?

Il peut sembler moralement choquant d’accepter volontairement des faux négatifs.

Mais chercher une sensibilité de 100 % peut produire énormément de faux positifs et de dommages.

La décision consiste souvent à choisir un compromis plutôt qu’à éliminer totalement une catégorie d’erreurs.

Aucun compromis n’est purement technique

Décider combien de faux positifs on accepte pour éviter un faux négatif implique :

  • bénéfices ;
  • dommages ;
  • valeurs ;
  • ressources.

C’est pourquoi le choix d’un seuil comporte une dimension normative.

Exemple fictif

Deux seuils possibles :

SeuilFaux négatifsFaux positifs
A55 000
B50500

Quel seuil choisir ?

La statistique ne suffit pas.

Il faut savoir :

  • gravité des 45 cas supplémentaires manqués ;
  • conséquences des 4 500 faux positifs évités.

Decision curve

Des méthodes comme la decision curve analysis cherchent à évaluer la valeur clinique d’un modèle selon différents seuils de décision.

Elles rappellent que la performance diagnostique doit être reliée à une décision réelle.

Une bonne discrimination n’est pas automatiquement une bonne politique clinique.

Faux positifs et effets en cascade

Un faux positif initial peut produire plusieurs probabilités d’erreur supplémentaires.

Par exemple :

test positif → scanner → biopsie → complication.

Le coût d’un faux positif doit donc considérer toute la trajectoire potentielle.

Faux négatifs et seconde chance diagnostique

Un faux négatif n’est pas toujours définitif.

Si les symptômes persistent, un médecin peut :

  • répéter le test ;
  • changer de méthode.

La dangerosité dépend donc aussi de la capacité du système à réévaluer le patient.

Test unique versus surveillance

Pour certaines maladies, une mesure répétée dans le temps est plus informative qu’un test unique.

On peut observer :

  • évolution ;
  • persistance ;
  • apparition de nouveaux signes.

Cela réduit parfois les erreurs dues aux variations transitoires.

Le résultat doit être interprété avec les symptômes

Un test contradictoire avec l’ensemble du tableau clinique doit être réévalué.

Par exemple :

forte suspicion + test négatif

peut conduire à rechercher un faux négatif.

À l’inverse :

aucune suspicion + résultat faiblement positif

peut inciter à confirmer un possible faux positif.

Diagnostic comme synthèse

La bonne médecine ne consiste pas à opposer :

clinique

et

test.

Le test constitue une information supplémentaire dans un ensemble :

  • symptômes ;
  • antécédents ;
  • examen ;
  • prévalence ;
  • autres tests.

La décision finale combine ces informations.

Le danger de l’automatisation naïve

Un système informatique pourrait interpréter :

test positif = maladie.

Mais sans intégrer :

  • prévalence ;
  • seuil ;
  • contexte ;
  • conséquences des erreurs,

il pourrait générer beaucoup de mauvaises décisions.

Le raisonnement diagnostique ne se réduit pas à la classification.

Intelligence artificielle et faux positifs

Un modèle d’IA de dépistage peut avoir une excellente sensibilité.

Mais appliqué à des millions d’images, même une petite baisse de spécificité peut produire énormément de faux positifs.

L’évaluation doit donc regarder :

  • performances ;
  • prévalence réelle ;
  • charge de confirmation.

Faux négatifs de l’IA

Inversement, une très forte spécificité peut être obtenue en rendant le modèle conservateur.

Mais certaines maladies seront manquées.

Le compromis sensibilité-spécificité existe également pour les systèmes algorithmiques.

Changement de distribution

Un test ou modèle validé dans une population peut produire davantage d’erreurs dans une autre.

Par exemple :

  • âge différent ;
  • prévalence différente ;
  • matériel différent.

On parle parfois de distribution shift pour les modèles prédictifs.

La validation externe est donc essentielle.

Une leçon d’esprit critique

Face à un chiffre comme :

« seulement 2 % d’erreurs »,

demandez :

2 % de faux positifs ou de faux négatifs ?

Parmi qui ?

Sur combien de personnes ?

Quelles sont les conséquences de chaque erreur ?

Un même pourcentage peut correspondre à des réalités totalement différentes.

Questions pratiques

Pour évaluer les erreurs d’un test :

Combien de vrais malades seront manqués ?

Combien de non-malades seront faussement inquiétés ?

Que se passe-t-il après un résultat positif ?

Un négatif peut-il être répété ?

La maladie est-elle suffisamment grave pour privilégier la sensibilité ?

Un faux positif conduit-il à une intervention dangereuse ?

Ces questions transforment une performance statistique en analyse clinique.

À retenir

Un faux positif est un résultat positif chez une personne qui n’est pas réellement malade.

Un faux négatif est un résultat négatif chez une personne qui est réellement malade.

Leur fréquence est directement liée à :

taux de faux négatifs = 1 − sensibilité

et

taux de faux positifs = 1 − spécificité.

Mais leur importance ne dépend pas uniquement du pourcentage.

Elle dépend également :

  • de la prévalence ;
  • du nombre de personnes testées ;
  • de la gravité de la maladie ;
  • des conséquences d’un diagnostic erroné ;
  • des examens ou traitements déclenchés.

Dans une population immense et à faible risque, un faible taux de faux positifs peut produire des milliers d’erreurs.

Dans une population à forte prévalence, même un petit taux de faux négatifs peut laisser beaucoup de malades non détectés.

Enfin, il faut distinguer faux positif et surdiagnostic : dans un faux positif, la maladie recherchée n’est pas présente ; dans le surdiagnostic, elle est réellement détectée mais n’aurait jamais causé de problème clinique.

Le principe fondamental est donc :

une erreur diagnostique ne doit pas seulement être comptée ; elle doit être évaluée selon sa probabilité, son dénominateur et les conséquences concrètes de la décision qu’elle déclenche.

Pour aller plus loin

David Sackett et collaborateurs — Clinical Epidemiology. Une référence classique pour l’interprétation clinique des résultats positifs et négatifs.

Gerd Gigerenzer — travaux sur les fréquences naturelles. Ils montrent comment présenter les performances diagnostiques sous forme de nombres concrets afin de réduire les erreurs de raisonnement probabiliste.

David Spiegelhalter — The Art of Statistics. Une introduction accessible à la communication des probabilités, des erreurs de classification et des risques.

Cochrane Handbook for Diagnostic Test Accuracy Reviews. Une référence méthodologique pour comprendre les performances diagnostiques, leurs biais et leur dépendance au contexte.