Le théorème de Bayes appliqué au diagnostic

Le théorème de Bayes fournit le cadre mathématique permettant de mettre à jour une probabilité lorsqu’une nouvelle information apparaît.

En diagnostic médical, il répond exactement à la question :

« Quelle est maintenant la probabilité que la maladie soit présente, compte tenu du résultat du test ? »

Il relie trois éléments :

  • la probabilité de maladie avant le test ;
  • les performances du test ;
  • la probabilité de maladie après le test.

Le problème fondamental

Supposons qu’un test soit positif.

On connaît peut-être :

P(test positif | malade).

C’est la sensibilité.

Mais ce que l’on cherche réellement est :

P(malade | test positif).

Ces deux probabilités ne sont pas identiques.

Le théorème de Bayes permet précisément de passer de l’une à l’autre.

La formule

Sous une forme générale :

P(M | T+) = [P(T+ | M) × P(M)] / P(T+).

Avec :

  • M = maladie ;
  • T+ = test positif.

En utilisant sensibilité, spécificité et prévalence :

P(M | T+) = [Sensibilité × Prévalence] / [(Sensibilité × Prévalence) + ((1 − Spécificité) × (1 − Prévalence))].

Cette probabilité correspond à la valeur prédictive positive.

Pourquoi la prévalence apparaît-elle ?

Parce que le test ne s’applique jamais dans le vide.

Avant le test, la maladie est déjà :

  • fréquente ;
  • rare ;
  • ou intermédiaire.

Le résultat du test doit donc être combiné à cette information préalable.

Exemple simple

Supposons une maladie présente chez :

1 % de la population.

Test :

  • sensibilité 90 % ;
  • spécificité 95 %.

On veut connaître :

P(maladie | test positif).

Méthode avec la formule

Prévalence :

0,01.

Sensibilité :

0,90.

Taux de faux positifs :

1 − 0,95 = 0,05.

Donc :

P(M | T+) = (0,90 × 0,01) / [(0,90 × 0,01) + (0,05 × 0,99)].

Soit :

0,009 / (0,009 + 0,0495)

=

0,009 / 0,0585

≈

15,4 %.

Un test positif ne signifie donc pas 90 % ou 95 % de probabilité de maladie.

Il signifie ici environ :

15 %.

Pourquoi ce résultat surprend-il ?

Parce qu’on oublie souvent que :

99 % de la population n’est pas malade.

Même si seulement 5 % de ces non-malades deviennent faussement positifs, ils sont suffisamment nombreux pour produire beaucoup de faux positifs.

Le taux de base domine une partie de l’interprétation.

La même démonstration en fréquences naturelles

Prenons :

10 000 personnes.

Prévalence 1 % :

100 malades

et

9 900 non-malades.

Avec 90 % de sensibilité :

90 vrais positifs.

Avec 95 % de spécificité :

5 % des 9 900 non-malades sont positifs :

495 faux positifs.

Total des positifs :

90 + 495 = 585.

Parmi eux :

90 sont malades.

Donc :

90 / 585 ≈ 15,4 %.

C’est exactement le même résultat que Bayes.

Pourquoi les fréquences naturelles sont si utiles

La formule peut sembler abstraite.

Le tableau sur 10 000 personnes montre immédiatement :

  • combien sont malades ;
  • combien sont non-malades ;
  • combien deviennent positifs.

Cette représentation réduit fortement les erreurs de raisonnement.

La mise à jour bayésienne

On peut résumer :

probabilité pré-test : 1 %

↓

test positif

↓

probabilité post-test : environ 15 %.

Le test a donc énormément augmenté la probabilité :

1 % → 15 %.

Mais il ne permet pas encore de conclure avec certitude.

Un résultat peut être très informatif sans être conclusif

Passer de :

1 %

à

15 %

multiplie la probabilité par quinze environ.

C’est un changement considérable.

Pourtant, la personne a encore environ :

85 % de probabilité de ne pas être malade.

Il faut distinguer :

force de l’information

et

niveau final de probabilité.

Même test, autre prévalence

Prenons le même test :

  • sensibilité 90 % ;
  • spécificité 95 %.

Mais cette fois la probabilité pré-test est :

20 %.

Sur 10 000 personnes :

  • 2 000 malades ;
  • 8 000 non-malades.

Vrais positifs :

1 800.

Faux positifs :

400.

VPP :

1 800 / 2 200 ≈ 81,8 %.

Le même test positif donne maintenant environ :

82 % de probabilité de maladie.

Pourquoi le résultat change autant

Parce que le test fournit la même information technique, mais le point de départ n’est pas le même.

Bayes peut être résumé comme :

preuve × croyance préalable = croyance révisée, sous une forme mathématiquement précise.

En diagnostic :

performance du test × probabilité pré-test = probabilité post-test.

Test négatif

Le même raisonnement s’applique à un résultat négatif.

On cherche alors :

P(maladie | test négatif)

ou son complément :

P(absence de maladie | test négatif).

Cette dernière correspond à la valeur prédictive négative.

Formule

La probabilité d’être malade malgré un test négatif est :

P(M | T−) = [(1 − Sensibilité) × Prévalence] / [((1 − Sensibilité) × Prévalence) + (Spécificité × (1 − Prévalence))].

Exemple

Reprenons :

  • prévalence 20 % ;
  • sensibilité 90 % ;
  • spécificité 95 %.

Sur 10 000 personnes :

  • 2 000 malades ;
  • 8 000 non-malades.

Faux négatifs :

200.

Vrais négatifs :

7 600.

Total négatifs :

7 800.

Probabilité d’être malade malgré le négatif :

200 / 7 800 ≈ 2,6 %.

La probabilité est donc passée de :

20 % avant le test

à

environ 2,6 % après un test négatif.

Bayes comme machine à mettre à jour

On peut représenter :

20 %

↓

test négatif

↓

2,6 %.

Le test ne dit pas :

« maladie impossible ».

Il dit :

« maladie beaucoup moins probable ».

Odds plutôt que probabilités

Une autre manière de pratiquer Bayes en médecine utilise les odds.

Une probabilité p peut être convertie en odds :

odds = p / (1 − p).

Par exemple :

probabilité = 20 %.

Odds :

0,20 / 0,80 = 0,25.

Cela signifie :

1 chance contre 4.

Rapports de vraisemblance

On peut ensuite utiliser les likelihood ratios, ou rapports de vraisemblance.

Le rapport de vraisemblance positif est :

LR+ = Sensibilité / (1 − Spécificité).

Le rapport de vraisemblance négatif est :

LR− = (1 − Sensibilité) / Spécificité.

Ils indiquent combien le test modifie les odds.

Formule pratique

Odds post-test = Odds pré-test × LR.

Puis on reconvertit :

Probabilité = Odds / (1 + Odds).

Cette forme est particulièrement utile pour les tests diagnostiques.

Exemple avec LR+

Test :

  • sensibilité 90 % ;
  • spécificité 95 %.

Alors :

LR+ = 0,90 / 0,05 = 18.

Un résultat positif multiplie donc les odds de maladie par :

18.

Avec une probabilité pré-test de 1 %

Odds pré-test :

0,01 / 0,99 ≈ 0,0101.

Après test positif :

0,0101 × 18 ≈ 0,182.

Conversion en probabilité :

0,182 / 1,182 ≈ 15,4 %.

On retrouve le même résultat.

Avec une probabilité pré-test de 20 %

Odds :

0,20 / 0,80 = 0,25.

Après test positif :

0,25 × 18 = 4,5.

Probabilité :

4,5 / 5,5 ≈ 81,8 %.

Encore le même résultat.

Rapport de vraisemblance négatif

Pour le même test :

LR− = 0,10 / 0,95 ≈ 0,105.

Un résultat négatif multiplie les odds par environ :

0,105.

Il les divise donc approximativement par dix.

Pourquoi les LR sont intéressants

Ils séparent relativement bien :

performance du test

et

probabilité pré-test.

On peut utiliser le même LR dans différentes situations, puis l’appliquer à différents risques préalables.

Interprétation intuitive

Un LR+ de :

1

n’apporte aucune information.

Un LR+ très supérieur à 1 renforce la maladie.

Un LR− de :

1

n’apporte aucune information.

Un LR− très inférieur à 1 rend la maladie moins probable.

Repères approximatifs

Très grossièrement :

LR+ > 10 : argument positif souvent fort.

LR+ entre 5 et 10 : argument modéré à fort.

LR− < 0,1 : argument négatif souvent fort.

LR− proche de 1 : faible valeur diagnostique.

Ces repères ne remplacent pas le contexte clinique.

Exemple d’un test presque inutile

Supposons :

  • sensibilité 55 % ;
  • spécificité 50 %.

LR+ :

0,55 / 0,50 = 1,1.

LR− :

0,45 / 0,50 = 0,9.

Les probabilités changent à peine.

Le test apporte très peu d’information.

Un test peut être informatif uniquement dans une direction

Supposons un test avec :

  • forte sensibilité ;
  • spécificité moyenne.

Un résultat négatif peut réduire fortement la probabilité.

Un résultat positif peut être beaucoup moins convaincant.

L’utilité dépend donc aussi du résultat obtenu.

Exemple

Sensibilité :

99 %.

Spécificité :

70 %.

Alors :

LR− = 0,01 / 0,70 ≈ 0,014.

Un résultat négatif est très informatif.

Mais :

LR+ = 0,99 / 0,30 = 3,3.

Un positif est seulement modérément informatif.

Test confirmatoire

À l’inverse, un test très spécifique peut avoir un LR+ élevé.

Par exemple :

  • sensibilité 80 % ;
  • spécificité 99 %.

LR+ :

0,80 / 0,01 = 80.

Un résultat positif peut alors fortement augmenter la probabilité de maladie.

Bayes et tests successifs

Le raisonnement peut être répété plusieurs fois.

La probabilité post-test du premier examen devient la probabilité pré-test du suivant.

Exemple

Probabilité initiale :

1 %.

Premier test positif :

15 %.

Un second test indépendant très spécifique est positif.

La probabilité peut alors augmenter fortement, par exemple :

15 % → 80 % ou davantage, selon ses performances.

Le diagnostic se construit par mises à jour successives.

La médecine comme succession de mises à jour

On peut représenter :

prévalence

↓

symptômes

↓

examen clinique

↓

test 1

↓

test 2

↓

imagerie

↓

diagnostic final.

Chaque information modifie le degré de plausibilité des hypothèses.

Les symptômes ont eux aussi des rapports de vraisemblance

Un symptôme peut être considéré comme une information diagnostique.

Si un signe est beaucoup plus fréquent chez les malades que chez les non-malades, il possède un rapport de vraisemblance utile.

Le raisonnement bayésien ne commence donc pas au laboratoire.

Exemple conceptuel

Une maladie est présente chez 5 % des patients avant examen.

Un signe clinique très caractéristique multiplie les odds par 5.

La probabilité augmente.

Puis un test biologique fournit un LR+ de 10.

La probabilité augmente encore.

Le diagnostic est cumulatif.

Tests dépendants

Il faut cependant être prudent lorsqu’on combine plusieurs tests.

Les mises à jour simples supposent souvent que les informations apportées sont suffisamment indépendantes.

Exemple

Deux analyses mesurent presque le même biomarqueur.

Si la première est positive, la seconde a davantage de chances de l’être pour la même raison.

Les considérer comme deux preuves indépendantes surévaluerait la force de l’information.

Preuves redondantes

Même problème avec :

  • deux symptômes très liés ;
  • deux examens utilisant le même mécanisme ;
  • deux modèles construits sur les mêmes variables.

Deux résultats ne valent pas nécessairement deux preuves indépendantes.

Bayes et erreur de taux de base

L’un des grands intérêts du raisonnement bayésien est d’empêcher la négligence du taux de base.

Il force à demander :

« Quelle était la probabilité avant cette nouvelle information ? »

Sans cette question, on surestime facilement un résultat spectaculaire.

Exemple hors médecine

Supposons un système de détection de fraude :

  • sensibilité 99 % ;
  • spécificité 99 %.

Fraude réelle :

0,01 % des transactions.

Même un excellent détecteur peut produire beaucoup plus de fausses alertes que de fraudes réelles.

La logique est exactement la même.

Bayes et dépistage de maladies rares

C’est pourquoi le dépistage d’une maladie très rare est difficile.

Il faut souvent :

  • augmenter la spécificité ;
  • cibler les populations à risque ;
  • confirmer les positifs.

La rareté impose des contraintes mathématiques.

Bayes et dépistage ciblé

Supposons que la maladie touche :

0,1 % de la population générale

mais :

10 % d’un groupe à haut risque.

Le même test aura une VPP bien plus élevée dans le second groupe.

Cibler le dépistage peut donc rendre le test beaucoup plus efficace.

Bayes et changement d’épidémiologie

Lorsque la fréquence d’une maladie change, les valeurs prédictives changent aussi.

C’est important lors :

  • d’une épidémie ;
  • d’une campagne vaccinale ;
  • d’un changement démographique.

Un chiffre publié dans un contexte donné ne reste pas nécessairement valable éternellement.

Exemple

Pendant une forte circulation virale :

probabilité pré-test chez les symptomatiques :

30 %.

Quelques mois plus tard :

3 %.

Le même test positif aura une interprétation différente.

Bayes et antécédents

Supposons une personne déjà fortement exposée à un facteur de risque.

Sa probabilité pré-test peut être plus élevée que celle de la population générale.

L’antécédent n’est pas une preuve définitive.

Il agit comme information préalable.

Bayes et causalité

Le raisonnement bayésien concerne ici le diagnostic, pas directement la causalité.

Un résultat positif augmente la probabilité qu’une maladie soit présente.

Il ne prouve pas nécessairement :

pourquoi elle est apparue.

Diagnostic et attribution causale sont deux problèmes différents.

Exemple

Une personne développe une thrombose après avoir pris un médicament.

Le diagnostic de thrombose peut être certain.

Mais déterminer si le médicament l’a causée nécessite une autre comparaison :

quelle aurait été la probabilité sans le médicament ?

Le raisonnement causal reprend alors les concepts du chapitre précédent.

Bayes et probabilité subjective

Le mot « probabilité préalable » peut faire penser à une opinion arbitraire.

Mais en diagnostic, elle peut être fortement contrainte par :

  • données épidémiologiques ;
  • âge ;
  • symptômes ;
  • antécédents.

Bayes ne signifie donc pas :

« chacun choisit ce qu’il veut croire ».

Il fournit au contraire une règle cohérente de mise à jour.

Priors différents

Deux médecins peuvent néanmoins commencer avec des probabilités pré-test légèrement différentes.

S’ils reçoivent une preuve très forte, leurs estimations tendront à se rapprocher.

Une preuve peu informative laissera davantage de place au désaccord initial.

Exemple

Médecin A :

pré-test 10 %.

Médecin B :

pré-test 20 %.

Test avec LR+ = 50.

Après un positif, les deux aboutissent à des probabilités très élevées.

Une preuve forte réduit l’importance du prior.

Preuve faible

Si le LR+ est seulement :

1,5,

les probabilités changent peu.

Les différences initiales restent importantes.

C’est une propriété générale du raisonnement bayésien.

Les taux de base extrêmes résistent

Lorsque la probabilité initiale est extraordinairement faible, une preuve modérée ne suffit pas à rendre l’hypothèse très probable.

Inversement, lorsqu’une maladie est presque certaine cliniquement, un test faiblement négatif ne suffit pas forcément à l’exclure.

Exemple extrême

Pré-test :

0,001 %.

LR+ :

10.

Les odds sont multipliées par dix.

Mais la probabilité finale reste approximativement :

0,01 %.

Le résultat est informatif en termes relatifs mais insuffisant pour conclure.

Les tests extraordinaires pour événements extraordinaires

Cette logique explique pourquoi détecter de manière fiable un événement extrêmement rare nécessite souvent une spécificité extraordinaire.

Ce n’est pas une règle philosophique abstraite.

C’est une conséquence des probabilités conditionnelles.

Seuil de décision

L’objectif de Bayes n’est pas seulement de connaître une probabilité.

Il faut souvent décider :

  • ne rien faire ;
  • tester davantage ;
  • traiter.

Exemple

Probabilité après test :

2 %.

Pour une maladie bénigne, cela peut être suffisamment faible pour arrêter les examens.

Pour une maladie extrêmement grave et curable, 2 % peut rester trop élevé.

La même probabilité peut conduire à des décisions différentes.

Seuil de traitement

Supposons qu’un traitement soit :

  • très efficace ;
  • très sûr.

Le seuil à partir duquel on traite peut être relativement bas.

Si le traitement est toxique, il faudra une probabilité beaucoup plus élevée.

Bayes fournit la probabilité ; la théorie de la décision détermine quoi en faire.

Le test a une valeur s’il peut franchir un seuil

Supposons :

probabilité pré-test :

45 %.

Décision de traiter au-dessus de :

70 %.

Un test positif pouvant porter la probabilité à 80 % est utile.

Un test qui la porte seulement à 50 % peut ne rien changer à la décision.

Valeur de l’information

Un test est particulièrement utile lorsqu’il peut faire passer le patient :

  • d’une zone d’incertitude ;
  • à une zone où une décision devient claire.

La performance statistique doit donc toujours être reliée à l’utilité clinique.

Nomogramme de Fagan

Un outil classique permet de relier graphiquement :

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

On trace une ligne entre les deux premières valeurs et on lit la troisième.

C’est le nomogramme de Fagan.

Il fournit une représentation pratique du raisonnement bayésien.

Aujourd’hui

Les calculateurs numériques rendent cette opération instantanée.

Mais comprendre la logique reste indispensable.

Un calculateur peut produire un chiffre exact à partir d’un mauvais prior ou de performances inadaptées.

Garbage in, garbage out

Si la probabilité pré-test est mal estimée, la probabilité post-test peut l’être aussi.

Si sensibilité et spécificité proviennent d’une population différente, le calcul peut être trompeur.

Bayes ne transforme pas de mauvaises données en bonnes données.

Incertitude des paramètres

Supposons :

sensibilité estimée à 90 % mais avec une incertitude importante.

Spécificité :

95 % ± plusieurs points.

La probabilité post-test n’est pas elle-même parfaitement connue.

Un chiffre comme :

73,4 %

peut donner une fausse impression de précision.

Scénarios

Une bonne pratique peut être de calculer :

  • scénario bas ;
  • scénario central ;
  • scénario haut.

Par exemple :

probabilité post-test entre 60 et 80 % selon les hypothèses raisonnables.

Cela reflète mieux l’incertitude réelle.

Bayes et médecine personnalisée

Le principe peut être poussé très loin.

Une probabilité pré-test individualisée peut intégrer :

  • âge ;
  • sexe ;
  • génétique ;
  • antécédents ;
  • symptômes ;
  • imagerie.

Un nouveau test vient ensuite mettre à jour cette probabilité.

C’est une des bases de la médecine prédictive moderne.

Mais plus de variables ne garantit pas une meilleure probabilité

Un modèle complexe peut être :

  • mal calibré ;
  • surajusté ;
  • non généralisable.

Comme dans les chapitres précédents, sophistication statistique et qualité ne sont pas synonymes.

Bayes et intelligence artificielle

Une IA peut produire :

« probabilité de maladie = 87 % ».

Cette valeur n’est utile que si le modèle est correctement :

  • validé ;
  • calibré ;
  • appliqué à une population comparable.

Sinon, le chiffre peut être trompeur malgré son apparente précision.

Changement de prévalence

Si une IA a été entraînée dans un hôpital où la maladie était très fréquente, ses probabilités peuvent être mal calibrées dans une population générale.

Il faut parfois recalibrer le modèle au nouveau taux de base.

C’est une application directe du raisonnement bayésien.

Bayes et perception intuitive

Les humains sont souvent mauvais pour inverser les probabilités conditionnelles.

On confond facilement :

P(test positif | maladie)

avec

P(maladie | test positif).

C’est pourquoi les fréquences naturelles sont si importantes pédagogiquement.

Présentation préférable

Au lieu de dire :

« sensibilité 95 %, spécificité 90 %, prévalence 1 % »,

on peut dire :

« sur 10 000 personnes, environ 100 sont malades ; 95 seront positives, tandis qu’environ 990 non-malades seront également positives ».

La conclusion devient beaucoup plus intuitive.

Bayes contre l’intuition binaire

Le raisonnement courant cherche :

positif = oui

négatif = non.

Bayes remplace ce schéma par :

avant : 10 %

après positif : 65 %

ou :

après négatif : 2 %.

Cette représentation est plus fidèle au fonctionnement réel des tests.

Un test ne produit donc pas une vérité

Il produit de l’information.

La question scientifique est :

combien cette information doit-elle modifier notre degré de confiance ?

C’est exactement ce que Bayes formalise.

Exemple final complet

Supposons :

probabilité pré-test :

10 %.

Test :

  • sensibilité 90 % ;
  • spécificité 90 %.

Étape 1 : odds pré-test

0,10 / 0,90 ≈ 0,111.

Étape 2 : LR+

0,90 / 0,10 = 9.

Étape 3 : odds post-test

0,111 × 9 ≈ 1.

Étape 4 : probabilité post-test

1 / (1 + 1) = 50 %.

Un résultat positif fait donc passer la probabilité de :

10 % à 50 %.

Avec un test négatif

LR− :

0,10 / 0,90 ≈ 0,111.

Odds post-test :

0,111 × 0,111 ≈ 0,0123.

Probabilité :

environ 1,2 %.

Le même test négatif fait donc passer :

10 % → environ 1 %.

Le résultat n’est pas symétrique

Un test positif et un test négatif ne déplacent pas forcément la probabilité de la même manière.

Cela dépend des :

  • LR+ ;
  • LR−.

Chaque direction doit être analysée séparément.

Une leçon d’esprit critique

Face à un résultat médical, posez trois questions :

Quelle était la probabilité avant le test ?

Quelle quantité d’information ce résultat apporte-t-il ?

Quelle est la probabilité après le test ?

Puis seulement :

Cette nouvelle probabilité justifie-t-elle une décision ?

Cette séquence évite de transformer un résultat en verdict absolu.

À retenir

Le théorème de Bayes permet de transformer une probabilité pré-test en une probabilité post-test grâce à l’information apportée par un test.

Pour un résultat positif :

P(M | T+) = [Sensibilité × Prévalence] / [(Sensibilité × Prévalence) + ((1 − Spécificité) × (1 − Prévalence))].

Une autre formulation très pratique est :

Odds post-test = Odds pré-test × rapport de vraisemblance.

Avec :

LR+ = Sensibilité / (1 − Spécificité)

et

LR− = (1 − Sensibilité) / Spécificité.

Le principe fondamental est :

un test n’a pas de signification probabiliste indépendante de la probabilité préalable.

Une preuve très forte peut transformer profondément notre jugement, mais un événement extrêmement rare peut rester peu probable après une preuve seulement modérée.

Inversement, une maladie déjà très plausible peut rester plausible malgré un test négatif imparfait.

Bayes fournit ainsi une règle générale pour le raisonnement diagnostique :

partir de ce que l’on savait avant, mesurer la force de la nouvelle information, puis réviser proportionnellement notre degré de confiance.

C’est l’un des outils les plus puissants pour remplacer le raisonnement binaire « positif = malade / négatif = sain » par une véritable pensée probabiliste.

Pour aller plus loin

Thomas Bayes — « An Essay towards solving a Problem in the Doctrine of Chances ». Le texte historique à l’origine du théorème portant aujourd’hui son nom.

Pierre-Simon de Laplace — travaux sur la probabilité inverse. Il a largement développé et généralisé les idées qui sont aujourd’hui associées au raisonnement bayésien.

Gerd Gigerenzer — travaux sur les fréquences naturelles. Une référence majeure pour rendre le raisonnement bayésien compréhensible dans le diagnostic médical.

David Sackett et collaborateurs — Clinical Epidemiology. Une référence classique sur les probabilités pré-test, les rapports de vraisemblance et la décision diagnostique.