Prévalence et probabilité pré-test

Avant de réaliser un test diagnostique, il existe déjà une certaine probabilité que la maladie soit présente.

Cette probabilité initiale est appelée probabilité pré-test.

Elle constitue le point de départ du raisonnement diagnostique.

Le résultat du test ne crée pas une probabilité à partir de rien : il modifie une probabilité qui existait déjà.

La prévalence comme point de départ

Dans une population donnée, la prévalence indique la proportion de personnes ayant la maladie à un moment ou pendant une période donnée.

Supposons qu’une maladie touche :

1 % de la population.

Pour une personne choisie au hasard dans cette population, avant toute autre information, une première approximation de la probabilité de maladie est :

1 %.

Cette fréquence constitue un taux de base.

Mais un patient n’est pas une personne prise au hasard

En pratique clinique, on dispose généralement d’informations supplémentaires :

  • âge ;
  • symptômes ;
  • antécédents ;
  • expositions ;
  • examen clinique ;
  • autres résultats.

Ces informations peuvent augmenter ou diminuer fortement la probabilité de maladie.

La probabilité pré-test individuelle n’est donc pas nécessairement identique à la prévalence générale.

Exemple

Une maladie touche :

1 % de la population générale.

Mais chez les personnes présentant simultanément :

  • forte fièvre ;
  • symptôme caractéristique ;
  • exposition connue,

elle peut être présente chez :

30 % des patients.

Pour un patient appartenant à ce second groupe, utiliser 1 % comme probabilité pré-test serait inapproprié.

La prévalence donne le contexte

On peut donc considérer la prévalence comme une information de base.

Puis on la modifie selon les caractéristiques du patient.

Schématiquement :

prévalence populationnelle

↓

âge + symptômes + facteurs de risque + exposition

↓

probabilité pré-test individuelle.

Le taux de base

En statistique, on parle souvent de base rate, ou taux de base.

C’est la fréquence préalable de l’événement avant de considérer une nouvelle information.

L’oublier produit une erreur classique :

la négligence du taux de base.

Exemple

Supposons une maladie extrêmement rare :

1 personne sur 100 000.

Un test paraît très performant.

Une personne obtient un résultat positif et pense :

« le test est très fiable, je suis presque certainement malade ».

Mais la rareté initiale de la maladie doit être intégrée au raisonnement.

Un événement très improbable avant le test peut rester relativement improbable après un seul résultat positif.

Le diagnostic est bayésien

Le raisonnement médical peut être résumé ainsi :

probabilité pré-test

↓

preuve nouvelle

↓

probabilité post-test.

C’est exactement la structure du raisonnement bayésien.

Les médecins n’effectuent pas toujours explicitement des calculs, mais une grande partie du diagnostic repose intuitivement sur cette logique.

Exemple clinique intuitif

Une personne jeune sans facteur de risque présente une douleur thoracique très brève et atypique.

La probabilité initiale d’un infarctus peut être faible.

Le même symptôme chez une personne :

  • âgée ;
  • diabétique ;
  • fumeuse ;
  • présentant une douleur typique à l’effort

donne une probabilité pré-test beaucoup plus élevée.

Le même examen n’aura donc pas exactement la même signification.

Une probabilité n’est pas une certitude diagnostique

Dire :

« probabilité pré-test de 30 % »

ne signifie pas que le patient est « malade à 30 % ».

Cela signifie que, parmi des patients suffisamment comparables, environ 30 % seraient atteints de la maladie.

C’est une estimation probabiliste.

D’où vient la probabilité pré-test ?

Elle peut provenir de plusieurs sources :

  • prévalence connue ;
  • études épidémiologiques ;
  • expérience clinique ;
  • scores de risque ;
  • algorithmes prédictifs.

La qualité de la probabilité finale dépend en partie de la qualité de cette estimation initiale.

Prévalence communautaire et prévalence hospitalière

Une même maladie peut être rare dans la population générale mais fréquente dans un service spécialisé.

Supposons :

Population générale

Prévalence : 0,5 %.

Service spécialisé

Prévalence parmi les patients adressés : 25 %.

Un résultat positif ne doit pas être interprété de la même manière dans ces deux contextes.

Le biais de sélection clinique

Les patients qui arrivent dans un service spécialisé ont déjà été sélectionnés :

  • par symptômes ;
  • par médecin généraliste ;
  • par examens antérieurs.

La prévalence y est donc souvent beaucoup plus élevée.

C’est parfois appelé spectrum effect dans l’évaluation diagnostique.

Prévalence et épidémie

Pour une maladie infectieuse, la probabilité pré-test peut changer rapidement avec la circulation du pathogène.

Supposons :

Période A

1 % des personnes symptomatiques sont infectées.

Période B

30 % le sont.

Le même test peut avoir une valeur prédictive positive totalement différente entre les deux périodes.

Prévalence locale

Le contexte géographique peut aussi compter.

Une maladie peut être :

  • très rare dans une région ;
  • fréquente dans une autre.

Pour certaines infections ou maladies parasitaires, l’exposition géographique modifie fortement la probabilité pré-test.

Prévalence selon l’âge

Beaucoup de maladies dépendent fortement de l’âge.

Un résultat biologique légèrement anormal peut signifier des choses différentes chez :

  • un enfant ;
  • un adulte jeune ;
  • une personne âgée.

L’âge peut modifier le risque de base de plusieurs ordres de grandeur.

Prévalence selon le sexe

Certaines maladies ont des fréquences différentes selon le sexe biologique ou d’autres caractéristiques pertinentes.

La probabilité pré-test doit alors intégrer cette information lorsque cela est scientifiquement justifié.

Facteurs de risque

Des facteurs de risque connus peuvent augmenter la probabilité pré-test.

Par exemple :

  • tabagisme ;
  • exposition professionnelle ;
  • antécédents familiaux ;
  • hypertension.

Mais il faut distinguer facteur de risque et diagnostic.

Un facteur de risque augmente une probabilité ; il ne prouve pas la présence de la maladie.

Symptômes et probabilité pré-test

Un symptôme peut être :

  • très spécifique ;
  • très fréquent ;
  • peu discriminant.

La simple présence d’un symptôme ne suffit donc pas.

Il faut connaître :

combien de malades ont ce symptôme

et

combien de non-malades l’ont également.

Exemple

La fatigue est fréquente dans de très nombreuses situations.

Elle peut accompagner une maladie grave mais aussi :

  • manque de sommeil ;
  • stress ;
  • infection bénigne.

Sa présence modifie peu certaines probabilités lorsqu’elle est isolée.

Symptôme très discriminant

À l’inverse, un signe clinique très particulier peut fortement augmenter la probabilité d’un diagnostic.

La probabilité pré-test est donc déjà le résultat d’une mise à jour de plusieurs informations avant même le test de laboratoire.

Le test physique peut déjà être un test diagnostique

Le mot « test » ne concerne pas seulement les analyses biologiques.

Une information comme :

  • signe clinique ;
  • manœuvre physique ;
  • question de l’interrogatoire

peut posséder une sensibilité et une spécificité.

Le diagnostic est souvent une succession de petits tests probabilistes.

Mise à jour successive

On peut représenter :

âge + contexte

↓

symptômes

↓

examen clinique

↓

test biologique

↓

imagerie.

Chaque étape modifie la probabilité.

La probabilité postérieure d’une étape devient la probabilité pré-test de la suivante.

Exemple séquentiel

Probabilité initiale :

2 %.

Après symptômes caractéristiques :

10 %.

Après examen clinique :

25 %.

Après test positif :

70 %.

Après examen confirmatoire :

98 %.

Le diagnostic se construit progressivement.

Probabilité pré-test faible

Lorsqu’une probabilité est extrêmement faible, un test peut être peu utile.

Pourquoi ?

Parce qu’un résultat positif risque d’être un faux positif.

On peut déclencher une cascade diagnostique pour un événement qui était initialement très improbable.

Exemple

Probabilité pré-test :

0,001 %.

Test avec spécificité :

99 %.

Le taux de faux positifs est :

1 %.

Le faux signal est alors beaucoup plus fréquent que la maladie elle-même.

Tester indistinctement toute la population devient problématique.

Tester sans indication

C’est une raison importante pour laquelle « faire tous les tests possibles » n’est pas une bonne stratégie médicale.

Plus on teste des événements rares chez des personnes à faible risque, plus on trouve :

  • faux positifs ;
  • anomalies fortuites ;
  • résultats limites.

L’information supplémentaire peut augmenter l’incertitude plutôt que la réduire.

Prévalence très élevée

À l’autre extrême, lorsque la probabilité pré-test est très élevée, un test peut parfois apporter peu d’information.

Supposons :

probabilité avant test = 98 %.

Un test positif ne change presque rien.

Selon le contexte, la décision peut déjà être claire.

Zone intermédiaire

Les tests sont souvent les plus utiles lorsque la probabilité pré-test se situe dans une zone d’incertitude.

Par exemple :

20–60 %, selon la maladie et les conséquences.

Le résultat peut alors faire basculer la décision vers :

  • exclusion ;
  • confirmation.

Seuil de test

On peut conceptualiser un seuil inférieur sous lequel la maladie est tellement improbable qu’on ne teste pas.

En dessous :

pas de test.

Au-dessus :

test.

Ce seuil dépend du coût et du risque de l’examen.

Seuil de traitement

Il existe aussi un seuil supérieur où la maladie est suffisamment probable pour justifier :

  • traitement ;
  • intervention ;
  • confirmation urgente.

Entre les deux seuils, le test est particulièrement utile.

Représentation simple

On peut imaginer :

Faible probabilité | Zone de test | Forte probabilité

ou :

Ne pas tester → Tester → Traiter / confirmer

La position des seuils dépend du problème clinique.

Exemple thérapeutique

Supposons une maladie facilement traitable par un médicament sûr.

Le seuil de traitement peut être relativement bas.

Si le traitement est :

  • toxique ;
  • long ;
  • invasif,

le seuil nécessaire pour traiter sera beaucoup plus élevé.

Coût de l’erreur

La probabilité pré-test ne doit donc pas être séparée de la décision.

Il faut considérer :

  • coût d’un faux positif ;
  • coût d’un faux négatif ;
  • risques du test ;
  • risques du traitement.

Le diagnostic est une théorie de décision autant qu’un problème statistique.

Prévalence et dépistage

Dans un programme de dépistage, la prévalence est souvent faible.

Pour améliorer l’efficacité, on peut définir une population cible avec un risque plus élevé.

Par exemple :

  • tranche d’âge ;
  • antécédents ;
  • comportement à risque.

Le dépistage devient alors plus efficient.

Enrichir la population

Cette sélection augmente la proportion de personnes réellement atteintes parmi celles testées.

Elle peut donc augmenter la VPP.

Mais elle réduit aussi le nombre total de personnes testées.

Il faut vérifier qu’on ne manque pas trop de cas en dehors des critères.

Risque individuel versus risque populationnel

La probabilité pré-test concerne une personne ou un groupe comparable.

La prévalence concerne une population.

Il faut éviter d'appliquer mécaniquement une statistique nationale à une situation clinique individuelle sans tenir compte des caractéristiques pertinentes.

Exemple

Prévalence nationale :

5 %.

Mais pour un patient présentant un facteur de risque majeur, le risque peut être :

25 %.

Pour une personne sans aucun facteur de risque :

1 %.

La moyenne nationale masque cette hétérogénéité.

Score clinique

Certaines situations utilisent des scores cliniques pour estimer la probabilité pré-test.

Ils combinent plusieurs éléments :

  • symptômes ;
  • âge ;
  • fréquence cardiaque ;
  • antécédents.

Le résultat classe parfois les patients en :

  • faible risque ;
  • risque intermédiaire ;
  • haut risque.

Le score n’est pas une vérité universelle

Un score est construit à partir d’une population donnée.

Il doit être validé dans d’autres populations.

Sinon, il peut être mal calibré.

Calibration d’un score

Supposons qu’un score annonce :

20 % de risque.

Si parmi 1 000 personnes classées à 20 %, environ 200 ont réellement la maladie, la calibration est bonne.

Si seulement 50 l’ont, le score surestime le risque.

Changement de prévalence et recalibration

Un modèle développé dans un contexte à forte prévalence peut surestimer le risque dans un contexte où la maladie est devenue rare.

Il peut nécessiter une recalibration.

C’est particulièrement important pour des modèles utilisés plusieurs années après leur développement.

Probabilité pré-test et IA

Un modèle d’intelligence artificielle peut fournir une estimation de risque.

Mais il peut échouer lorsqu’il est appliqué dans une population différente.

Par exemple :

  • autre hôpital ;
  • autre pays ;
  • autre appareil.

La probabilité produite doit être validée localement.

Le piège de l’AUC

Un modèle peut posséder une excellente capacité à classer les personnes du plus faible au plus haut risque tout en donnant des probabilités incorrectes.

Une AUC élevée ne garantit pas une bonne calibration.

Pour une probabilité pré-test, la calibration est essentielle.

L’expérience clinique comme estimation bayésienne

Un clinicien expérimenté peut estimer intuitivement :

« ce tableau ressemble beaucoup à la maladie X ».

Cette intuition résulte souvent d’une exposition répétée à de nombreux cas.

Elle peut fonctionner comme une estimation implicite de probabilité.

Mais elle reste vulnérable aux biais cognitifs.

Biais de disponibilité

Après avoir vu récemment un cas rare, un médecin peut surestimer sa probabilité chez les patients suivants.

C’est le biais de disponibilité.

Le taux de base réel aide à corriger cette intuition.

Représentativité

Un patient peut ressembler au prototype mental d’une maladie rare.

On peut alors oublier que des maladies plus fréquentes produisent parfois le même tableau.

C’est une forme de négligence du taux de base.

Exemple conceptuel

Maladie A :

  • très caractéristique ;
  • rare.

Maladie B :

  • tableau un peu moins typique ;
  • cent fois plus fréquente.

Même si les symptômes ressemblent davantage à A, B peut rester statistiquement plus probable.

Le raisonnement doit combiner :

ressemblance clinique + fréquence préalable.

Ancrage

Une première hypothèse diagnostique peut aussi servir d’ancre.

Une fois qu’un diagnostic est évoqué, toutes les informations suivantes peuvent être interprétées en sa faveur.

Réévaluer explicitement la probabilité pré-test permet parfois de réduire cet effet.

Prévalence et faux experts

Dans les débats de santé, une stratégie rhétorique fréquente consiste à présenter les performances d’un test sans préciser :

  • population ;
  • prévalence.

Par exemple :

« ce test est fiable à 99 % ».

Sans le taux de base, cette information est incomplète.

Prévalence sélectionnée

Il est également possible de choisir une population particulière pour produire une valeur prédictive spectaculaire.

Un test étudié dans un service où 70 % des patients sont malades aura une VPP impressionnante.

Cela ne signifie pas qu’il aura la même VPP en dépistage de population.

Vérifier la population étudiée

Face à une étude diagnostique, il faut donc demander :

Qui a été inclus ?

Quelle était la prévalence ?

Les patients ressemblaient-ils à ceux chez qui le test sera utilisé ?

La généralisabilité est fondamentale.

Prévalence apparente et vraie prévalence

Lorsque la prévalence est estimée avec un test imparfait, le nombre de tests positifs ne correspond pas nécessairement à la vraie prévalence.

On parle parfois de prévalence apparente.

Elle dépend des faux positifs et faux négatifs.

Exemple

Une population possède une vraie prévalence de :

1 %.

Un test peu spécifique peut produire :

5 % de positifs.

Dire :

« 5 % de la population est malade »

serait incorrect.

Il faut corriger pour les performances du test.

Prévalence et enquêtes sérologiques

Ce problème apparaît notamment lorsqu’on utilise des tests pour estimer combien de personnes ont été exposées à un agent infectieux.

Lorsque la vraie prévalence est faible, quelques faux positifs peuvent fortement déformer l’estimation.

La spécificité devient particulièrement importante.

Exemple pédagogique

Vraie prévalence :

0,5 %.

Spécificité du test :

98 %.

Le taux de faux positifs est :

2 %.

Les faux positifs peuvent alors être plusieurs fois plus nombreux que les vrais positifs.

Une estimation brute serait très biaisée.

Correction statistique

Il existe des méthodes pour ajuster une prévalence apparente selon :

  • sensibilité ;
  • spécificité.

Mais l’incertitude sur ces paramètres doit également être prise en compte.

La correction peut devenir très instable lorsque la vraie prévalence est extrêmement faible.

Prévalence et choix des populations de contrôle

Dans les études diagnostiques, comparer des malades très sévères à des témoins parfaitement sains peut donner l’impression que le test discrimine remarquablement bien.

La population réelle est souvent plus difficile.

Les contrôles devraient refléter les diagnostics alternatifs rencontrés en pratique.

Probabilité pré-test et diagnostic différentiel

Un clinicien ne compare généralement pas :

maladie versus santé parfaite.

Il compare plusieurs hypothèses :

  • maladie A ;
  • maladie B ;
  • maladie C.

Chaque hypothèse possède une probabilité préalable différente.

Le diagnostic est donc un problème à plusieurs alternatives.

Exemple

Toux + fièvre peuvent évoquer :

  • infection virale ;
  • pneumonie bactérienne ;
  • autre affection respiratoire.

Un test vient redistribuer la probabilité entre ces hypothèses.

Il ne répond pas toujours à une simple question binaire.

Une probabilité peut baisser sans atteindre zéro

Supposons :

probabilité pré-test :

50 %.

Après test négatif :

5 %.

La maladie est beaucoup moins probable.

Mais 5 % peut rester trop élevé si la maladie est :

  • mortelle ;
  • facilement traitable.

Une nouvelle investigation peut rester justifiée.

Une probabilité peut augmenter sans devenir suffisante

Inversement :

pré-test :

0,1 %.

Après test positif :

5 %.

La probabilité a été multipliée par 50.

Mais 95 % des personnes ayant ce profil resteraient non malades.

Un test confirmatoire est nécessaire.

Changement relatif et probabilité finale

Cette distinction rejoint le risque relatif et absolu.

Une preuve peut modifier énormément la probabilité relativement tout en laissant une probabilité absolue faible.

Le résultat doit être interprété selon la décision concrète.

Probabilité pré-test et rapports de vraisemblance

Les likelihood ratios, ou rapports de vraisemblance, permettent de mesurer combien un résultat modifie les odds pré-test.

Ils constituent une manière élégante de combiner :

  • sensibilité ;
  • spécificité ;
  • probabilité pré-test.

Ils sont très liés au raisonnement bayésien.

Odds pré-test

Une probabilité peut être convertie en odds :

odds = p / (1 − p).

Par exemple :

probabilité = 20 %.

Odds :

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

Cela correspond à :

1 contre 4.

Odds post-test

On peut ensuite écrire :

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

Puis reconvertir les odds en probabilité.

Cette méthode sera utile pour comprendre Bayes de manière opérationnelle.

Pourquoi ne pas simplement utiliser la prévalence brute ?

Parce que le test est souvent utilisé après sélection clinique.

Le patient devant nous n’est pas représentatif de toute la population.

Sa probabilité doit intégrer ce que nous savons déjà de lui.

Pourquoi ne pas ignorer complètement la prévalence ?

Parce que les symptômes ne suffisent pas non plus.

Sans fréquence de base, on risque de surdiagnostiquer des maladies rares dont le tableau paraît spectaculaire.

Le bon raisonnement combine les deux.

La probabilité pré-test est une synthèse

Elle combine :

fréquence de base

caractéristiques individuelles

contexte clinique.

Elle n’est ni une pure statistique populationnelle ni une simple intuition clinique.

Estimation qualitative

Il n’est pas toujours nécessaire de calculer précisément :

17,6 %.

Une classification :

  • très faible ;
  • faible ;
  • intermédiaire ;
  • élevée ;
  • très élevée

peut parfois suffire à décider du test approprié.

Mais les seuils doivent être cohérents avec les conséquences.

L’illusion de précision

Donner :

probabilité = 23,7 %

à partir d’informations très incertaines peut produire une fausse précision.

Une fourchette :

environ 15–30 %

peut être plus honnête.

La qualité de l’incertitude compte autant que le chiffre central.

Probabilité pré-test et incertitude

Le prior lui-même peut être incertain.

Le bon raisonnement consiste alors à examiner plusieurs scénarios.

Par exemple :

si le risque initial est 5 %, le test positif donne X ;

s’il est 15 %, il donne Y.

Cela évite de faire dépendre toute la conclusion d’un prior arbitraire.

Mise à jour bayésienne ne signifie pas subjectivisme arbitraire

Le terme « prior » peut donner l’impression qu’on choisit librement une croyance personnelle.

En diagnostic, le prior peut être fortement contraint par :

  • données de prévalence ;
  • études ;
  • symptômes.

Le raisonnement bayésien organise l’information disponible ; il ne transforme pas n’importe quelle intuition en preuve.

Une leçon d’esprit critique

Lorsqu’une affirmation repose sur un résultat de test, demandez :

Quelle était la probabilité avant le test ?

D’où vient cette estimation ?

La population étudiée ressemble-t-elle à celle de la personne testée ?

Le contexte a-t-il changé ?

Le test modifie-t-il suffisamment la probabilité pour changer la décision ?

Ces questions empêchent de transformer un test en oracle.

Exemple final

Supposons un test avec :

  • sensibilité 90 % ;
  • spécificité 90 %.

Personne A

Probabilité pré-test : 1 %.

Un résultat positif augmente la probabilité, mais elle peut rester relativement faible.

Personne B

Probabilité pré-test : 50 %.

Le même positif rend la maladie beaucoup plus probable.

Personne C

Probabilité pré-test : 95 %.

Un positif apporte peu d’information nouvelle.

Le test est identique.

Ce qui change est le point de départ.

À retenir

La prévalence décrit la fréquence d’une maladie dans une population.

La probabilité pré-test désigne la probabilité qu’un patient particulier soit malade avant le résultat d’un nouveau test.

Elle dépend notamment :

  • de la prévalence ;
  • des symptômes ;
  • des facteurs de risque ;
  • de l’exposition ;
  • du contexte clinique.

Un test doit toujours être interprété par rapport à ce point de départ.

Lorsque la probabilité pré-test est très faible, les faux positifs peuvent dominer.

Lorsqu’elle est très élevée, un résultat négatif peut ne pas suffire à exclure la maladie.

Les tests sont souvent les plus utiles dans une zone intermédiaire d’incertitude, où ils peuvent réellement modifier la décision.

Le principe fondamental est donc :

un résultat diagnostique ne possède pas une signification fixe ; il vaut par la manière dont il transforme une probabilité préalable.

Autrement dit :

avant de demander « que dit le test ? », il faut toujours demander « que savions-nous déjà avant de le faire ? »

Pour aller plus loin

Gerd Gigerenzer — travaux sur la négligence du taux de base et les fréquences naturelles. Une référence importante pour comprendre pourquoi les probabilités préalables sont souvent oubliées dans l’interprétation des tests.

David Sackett et collaborateurs — Clinical Epidemiology. Une référence classique pour l’estimation de la probabilité pré-test et son utilisation dans la décision diagnostique.

David Spiegelhalter — The Art of Statistics. Une présentation accessible du raisonnement probabiliste et de l’importance des taux de base.

Thomas Bayes — théorème de Bayes. Le cadre qui formalise précisément la transformation d’une probabilité préalable en probabilité postérieure après une nouvelle observation.