Quand un dépistage fait-il réellement diminuer la mortalité ?

Un programme de dépistage peut détecter davantage de maladies, les détecter plus tôt et améliorer fortement la survie après diagnostic sans nécessairement réduire le nombre de décès.

Pour montrer qu’un dépistage diminue réellement la mortalité, il faut démontrer une différence entre deux stratégies :

une population soumise à une stratégie de dépistage

et

une population comparable qui ne l’est pas.

La question pertinente n’est donc pas :

« les cancers dépistés ont-ils un meilleur pronostic ? »

mais :

« que devient la mortalité de toute la population lorsque nous introduisons ce programme ? »

Une chaîne causale exigeante

Pour qu’un dépistage réduise la mortalité, plusieurs conditions doivent être réunies.

Il faut notamment que :

la maladie puisse être détectée avant les symptômes ;

le test trouve suffisamment de maladies destinées à devenir dangereuses ;

la détection précoce permette une intervention plus efficace ;

cette intervention réduise réellement le risque de décès ;

les dommages du programme ne compensent pas ses bénéfices.

La simple présence d’un bon test n’est donc qu’un maillon de la chaîne.

Première condition : une phase préclinique détectable

Il doit exister une période pendant laquelle la maladie :

  • est déjà présente ;
  • peut être détectée ;
  • n’a pas encore produit les symptômes qui conduiraient au diagnostic habituel.

Sans cette fenêtre, le dépistage ne peut pas vraiment avancer le diagnostic.

Une fenêtre suffisamment longue

Si une maladie passe très rapidement :

indétectable → symptomatique,

un dépistage périodique risque de la manquer.

C’est particulièrement problématique pour les formes très agressives.

Deuxième condition : les maladies dangereuses doivent être détectables

Il ne suffit pas de trouver beaucoup de maladies.

Le programme doit notamment détecter celles qui auraient :

  • progressé ;
  • provoqué des complications ;
  • causé des décès.

Un dépistage détectant principalement des formes indolentes peut augmenter considérablement l’incidence sans réduire la mortalité.

Troisième condition : traiter tôt doit être meilleur que traiter plus tard

C’est probablement la condition centrale.

Supposons que la maladie soit détectée :

cinq ans plus tôt.

Si le traitement administré cinq ans plus tôt ne fait pas mieux que celui administré après l’apparition des symptômes, la détection anticipée n’apporte aucun gain de survie.

Elle avance seulement le diagnostic.

Exemple

Sans dépistage

Diagnostic à 65 ans.

Traitement.

Décès à 72 ans.

Avec dépistage

Diagnostic à 60 ans.

Même efficacité thérapeutique.

Décès toujours à 72 ans.

La survie depuis le diagnostic passe de :

7 à 12 ans.

Mais le dépistage n’a évité aucun décès.

Situation réellement bénéfique

Sans dépistage

Diagnostic à 65 ans.

Décès à 72 ans.

Avec dépistage

Diagnostic à 60 ans.

Traitement précoce plus efficace.

Décès repoussé à 80 ans.

Cette fois, la détection anticipée a modifié l’histoire de la maladie.

Pourquoi la survie après diagnostic ne suffit pas

Le biais d’avance au diagnostic permet d’augmenter la survie depuis le diagnostic sans prolonger la vie.

Le biais de durée sélectionne préférentiellement les maladies lentes, qui ont déjà un meilleur pronostic.

Le surdiagnostic ajoute des maladies qui n’auraient jamais causé de décès.

Ces trois phénomènes augmentent la survie apparente des personnes diagnostiquées.

Exemple extrême

Avant dépistage :

  • 100 cancers diagnostiqués ;
  • 50 décès.

Après dépistage :

  • 200 cancers diagnostiqués ;
  • toujours 50 décès.

Le nombre de personnes survivant après un diagnostic augmente considérablement.

La mortalité de la population n’a pourtant pas changé.

L’indicateur clé : la mortalité dans la population cible

Pour évaluer l’effet causal d’un programme, on peut comparer le nombre de décès pour :

100 000 personnes invitées ou non au dépistage.

Le dénominateur ne dépend alors pas du nombre de diagnostics produits par le programme.

Exemple fictif

Deux groupes de 100 000 personnes suivis pendant quinze ans.

Groupe sans dépistage

300 décès dus à la maladie.

Groupe avec dépistage

240 décès.

Réduction absolue :

60 décès pour 100 000 personnes.

Réduction relative :

20 %.

C’est une diminution compatible avec un bénéfice réel du programme si la comparaison est valide.

Risque relatif et risque absolu

La réduction relative peut sembler spectaculaire.

Dans l’exemple :

20 % de réduction de mortalité.

Mais le bénéfice absolu est :

0,06 % de la population sur quinze ans.

Les deux présentations sont correctes.

Pour informer correctement, il faut idéalement fournir les deux.

Nombre nécessaire à dépister

À partir de la réduction absolue, on peut parfois calculer un nombre nécessaire à dépister.

Dans l’exemple :

60 décès évités pour 100 000 personnes.

Réduction absolue :

0,0006.

Nombre nécessaire à dépister :

1 / 0,0006 ≈ 1 667.

Il faudrait donc inviter ou dépister environ 1 667 personnes pendant la période étudiée pour éviter un décès supplémentaire, selon la définition utilisée.

Attention au dénominateur

Le nombre nécessaire à dépister dépend de ce qu’on compte :

  • personnes invitées ;
  • personnes réellement dépistées ;
  • durée ;
  • mortalité spécifique ou autre événement.

Un NNS isolé sans ces précisions est difficile à interpréter.

Quatrième condition : le programme doit réellement atteindre la population

Un test peut être efficace dans des conditions expérimentales mais produire peu de bénéfice populationnel si :

  • participation faible ;
  • suivi insuffisant ;
  • confirmations non réalisées ;
  • traitements inaccessibles.

Le dépistage est un système, pas seulement un test.

Exemple

Test excellent.

Participation :

30 %.

Parmi les positifs, seulement :

60 % réalisent l’examen confirmatoire.

Une part importante du bénéfice potentiel disparaît avant même le traitement.

Cinquième condition : le programme doit éviter suffisamment de maladies avancées

Une baisse des formes avancées constitue souvent une étape importante dans la chaîne causale.

Si un programme trouve plus de maladies précoces mais ne diminue jamais les formes tardives, on doit se demander si les nouvelles détections correspondent vraiment aux précurseurs des maladies graves.

Exemple

Avant dépistage :

  • 100 cancers précoces ;
  • 50 cancers avancés.

Après dépistage :

  • 250 cancers précoces ;
  • 49 cancers avancés.

Le programme détecte beaucoup plus de petites lésions sans véritable déplacement des formes graves.

Le surdiagnostic devient une hypothèse importante.

Configuration plus convaincante

Après dépistage :

  • cancers précoces : 180 ;
  • cancers avancés : 25 ;
  • mortalité spécifique : baisse.

Cette séquence soutient davantage l’idée que le programme intercepte réellement certaines maladies avant leur progression.

Le modèle causal attendu

Un dépistage efficace devrait idéalement produire :

détection plus précoce

↓

traitement précoce efficace

↓

moins de maladies avancées

↓

moins de complications

↓

moins de décès.

Plusieurs maillons cohérents renforcent l’interprétation causale.

L’absence de baisse des formes avancées n’est toutefois pas toujours définitive

Le suivi peut être trop court.

Si l’évolution de la maladie prend dix ans, on ne peut pas attendre une baisse des formes avancées après seulement deux ans.

Le calendrier biologique doit être pris en compte.

Délai avant bénéfice

Les bénéfices d’un dépistage peuvent apparaître longtemps après le début du programme.

Les dommages surviennent souvent beaucoup plus tôt.

Par exemple :

année 1 : faux positifs, biopsies, traitements ;

année 8 : premiers décès éventuellement évités.

Cette asymétrie temporelle est essentielle.

Sixième condition : les dommages ne doivent pas annuler le bénéfice

Supposons qu’un programme évite des décès liés à une maladie mais provoque :

  • complications graves ;
  • décès liés aux interventions.

Le bénéfice net peut devenir plus faible que la seule mortalité spécifique ne le suggère.

Mortalité spécifique versus mortalité toutes causes

On peut donc regarder deux indicateurs.

Mortalité spécifique

Nombre de décès attribués à la maladie ciblée.

Mortalité toutes causes

Tous les décès, quelle qu’en soit la cause.

Les deux apportent une information complémentaire.

Pourquoi la mortalité spécifique est intéressante

Elle est plus directement liée au mécanisme attendu du dépistage.

Si un dépistage du cancer réduit les décès par ce cancer, le signal peut être visible même si le nombre total de décès change peu.

Pourquoi elle peut être biaisée

Attribuer une cause de décès n’est pas toujours simple.

Supposons qu’une personne ayant un cancer meure :

  • d’une infection postopératoire ;
  • d’une complication thérapeutique.

Selon les règles de classification, le décès peut être attribué :

  • au cancer ;
  • au traitement ;
  • à une autre cause.

Cela peut influencer les statistiques.

Pourquoi la mortalité toutes causes est robuste

Un décès reste un décès.

Il n’est pas nécessaire de déterminer sa cause.

Cela évite certains biais de classification.

Mais elle est moins sensible

Supposons que le cancer représente seulement :

2 % de tous les décès.

Même une réduction importante de la mortalité cancéreuse produira une petite variation de la mortalité totale.

Il faut alors un échantillon gigantesque pour détecter statistiquement cette différence.

L’absence de baisse de mortalité toutes causes ne réfute donc pas automatiquement un dépistage

C’est une erreur fréquente.

Si un programme réduit clairement la mortalité spécifique mais que l’essai n’a pas la puissance suffisante pour détecter une petite différence toutes causes, l’absence de significativité sur la mortalité totale ne prouve pas l’absence de bénéfice.

Il faut examiner :

  • taille de l’effet ;
  • intervalle de confiance ;
  • puissance.

Mais la mortalité spécifique seule n’est pas infaillible

L’erreur inverse serait de l’accepter sans examiner :

  • classification des décès ;
  • effets indésirables ;
  • mortalité totale.

La meilleure conclusion vient de l’ensemble des données.

Septième condition : disposer d’un comparateur crédible

Comparer les personnes qui choisissent de se faire dépister avec celles qui refusent est problématique.

Les deux groupes peuvent être différents avant même le programme.

Healthy screenee bias

Les participants au dépistage peuvent :

  • moins fumer ;
  • faire davantage d’exercice ;
  • consulter davantage ;
  • avoir un statut socio-économique différent.

Ils peuvent donc avoir un meilleur pronostic indépendamment du dépistage.

L’essai randomisé

Une méthode particulièrement robuste consiste à randomiser :

invitation au dépistage

versus

absence d’invitation.

Cette stratégie rend les groupes initialement comparables en moyenne.

Pourquoi randomiser l’invitation ?

Il serait souvent impossible ou peu réaliste d’obliger les personnes à être dépistées.

L’essai mesure donc l’effet d’une stratégie :

offrir activement le dépistage.

Intention de traiter

Les participants sont analysés dans le groupe auquel ils ont été assignés même s’ils :

  • ne participent pas ;
  • se font dépister dans le groupe contrôle.

Cela préserve les avantages de la randomisation.

Dilution de l’effet

La non-participation et la contamination tendent toutefois à rapprocher les deux groupes.

L’effet observé de l’invitation peut donc être plus faible que l’effet biologique du dépistage chez les personnes réellement participantes.

Mais comparer seulement les participants détruit une partie de la randomisation

Les personnes qui acceptent peuvent être différentes de celles qui refusent.

Une analyse :

dépistés versus non dépistés

redevient observationnelle.

Il faut être prudent.

Essai en grappes

Certains programmes peuvent être randomisés par :

  • ville ;
  • cabinet ;
  • région.

On parle alors d’essais en grappes.

Cela réduit parfois la contamination mais nécessite une analyse adaptée à la corrélation intra-groupe.

Huitième condition : suivre suffisamment longtemps

Un essai de dépistage nécessite souvent plusieurs années.

Pourquoi ?

Parce qu’il faut laisser apparaître :

  • progression des maladies ;
  • traitements ;
  • décès.

Risque d’une analyse trop précoce

À court terme, on observe surtout :

  • plus de diagnostics ;
  • plus de traitements.

Les bénéfices de mortalité peuvent ne pas être encore visibles.

Conclure trop tôt peut être trompeur dans les deux directions.

Effet après arrêt du dépistage

Un programme peut aussi avoir des effets longtemps après la fin de la période de dépistage.

Des cancers détectés plus tôt peuvent entraîner des différences de mortalité plusieurs années plus tard.

La durée du suivi doit donc être adaptée.

Neuvième condition : mesurer correctement les dommages

Une bonne étude ne devrait pas mesurer seulement les décès évités.

Elle devrait également documenter :

  • faux positifs ;
  • examens complémentaires ;
  • biopsies ;
  • complications ;
  • surdiagnostics ;
  • surtraitements ;
  • effets psychologiques.

Exemple de bilan

Sur 10 000 personnes invitées pendant quinze ans :

  • 8 décès dus à la maladie évités ;
  • 1 200 faux positifs ;
  • 150 biopsies supplémentaires ;
  • 30 surdiagnostics ;
  • 1 complication grave.

Ces nombres permettent une évaluation beaucoup plus complète.

Aucun chiffre unique ne résume parfaitement le bénéfice-risque

Un décès évité n’est pas directement comparable à :

  • un faux positif ;
  • une biopsie ;
  • un cas de surdiagnostic.

Il faut donc porter un jugement normatif en plus de l’analyse statistique.

La préférence du patient compte

Certains patients préfèrent :

accepter beaucoup de faux positifs pour réduire au maximum leur risque de mourir de la maladie.

D’autres préfèrent :

réduire le risque de traitements inutiles.

Lorsque la balance est serrée, ces préférences sont importantes.

Dixième condition : ne pas confondre dépistage et amélioration du traitement

Supposons que la mortalité diminue après introduction d’un dépistage.

Cela ne prouve pas automatiquement que le dépistage en est la cause.

Pendant la même période, il peut y avoir :

  • nouveaux traitements ;
  • baisse du tabagisme ;
  • amélioration des soins.

Exemple avant-après

1990 :

mortalité élevée.

2020 :

mortalité beaucoup plus faible.

Un dépistage a été introduit entre-temps.

La baisse peut venir :

  • du dépistage ;
  • des traitements ;
  • de la prévention ;
  • de plusieurs facteurs simultanément.

La comparaison historique simple est insuffisante.

C’est encore un problème de confusion

L’année d’introduction du dépistage est associée à beaucoup d’autres changements.

On retrouve les principes du chapitre sur l’inférence causale.

Expériences naturelles

Lorsque les essais randomisés ne sont pas possibles, on peut parfois exploiter :

  • introduction à des dates différentes ;
  • seuils d’éligibilité ;
  • régions différentes.

Des méthodes quasi expérimentales peuvent alors améliorer l’inférence.

Mais elles demandent des hypothèses fortes

Par exemple, une différence de mortalité entre deux régions peut venir d’autres différences.

La triangulation entre plusieurs types d’études est donc particulièrement utile.

Mortalité versus survie : exemple complet

Considérons deux populations identiques.

Sans dépistage

100 cancers diagnostiqués.

50 décès.

Survie des patients :

50 %.

Avec dépistage

200 cancers diagnostiqués.

50 décès.

Survie :

75 %.

On pourrait annoncer :

« survie améliorée de 50 à 75 % ».

Mais :

aucun décès n’a été évité.

Le programme a simplement modifié le nombre et le moment des diagnostics.

Maintenant avec bénéfice réel

Avec dépistage :

200 cancers diagnostiqués.

35 décès.

Survie :

82,5 %.

Cette fois, la mortalité est aussi réduite.

Mais il faut encore déterminer quelle proportion des 100 cancers supplémentaires représente du surdiagnostic.

Surdiagnostic et bénéfice peuvent coexister

Un dépistage n’est pas nécessairement :

utile ou surdiagnostiqueur.

Il peut faire les deux.

Par exemple :

  • sauver certaines vies ;
  • surdiagnostiquer d’autres personnes.

La question est quantitative.

Nombre de vies sauvées versus nombre de surdiagnostics

Supposons :

1 décès évité pour 5 surdiagnostics.

Une autre stratégie :

1 décès évité pour 100 surdiagnostics.

Le rapport bénéfice-risque est évidemment différent.

Les chiffres dépendent du contexte

Le même dépistage peut avoir une balance différente selon :

  • âge ;
  • sexe ;
  • facteurs de risque ;
  • fréquence des tests.

Un programme peut être utile pour un groupe et moins intéressant pour un autre.

Pourquoi cibler certaines populations ?

Si la maladie est plus fréquente dans une population à risque élevé :

  • davantage de vrais cas sont détectés ;
  • VPP augmente ;
  • bénéfice potentiel absolu augmente.

Cela peut améliorer la balance bénéfice-risque.

Mais trop cibler peut manquer des cas

Il existe encore un compromis.

Restreindre fortement le programme augmente l’efficacité par personne testée mais peut réduire le nombre total de maladies détectées.

La santé publique doit équilibrer :

efficacité

et

couverture.

Fréquence du dépistage

Un dépistage plus fréquent peut :

  • détecter davantage de formes rapides ;
  • réduire certains cancers d’intervalle.

Mais il peut également augmenter :

  • faux positifs ;
  • surdiagnostic ;
  • coûts.

Il faut montrer que le bénéfice marginal justifie ces dommages supplémentaires.

Le meilleur intervalle n’est donc pas nécessairement le plus court

Tester :

tous les mois

serait rarement justifié simplement parce que cela maximise la détection.

L’objectif est le meilleur bénéfice net.

Sensibilité du test et mortalité

Une meilleure sensibilité peut théoriquement améliorer le dépistage.

Mais si les cas supplémentaires détectés sont principalement indolents, la mortalité peut ne pas changer.

Encore une fois :

détection ≠ bénéfice.

Spécificité et programme

Une faible spécificité dans une population à faible prévalence peut entraîner énormément de faux positifs.

Même si la mortalité diminue légèrement, le programme peut avoir un coût important en :

  • investigations ;
  • anxiété ;
  • complications.

Un test techniquement meilleur peut avoir un bénéfice clinique inférieur

Supposons :

Test A

Détecte 80 % des cancers dangereux et peu de lésions indolentes.

Test B

Détecte 95 % des cancers dangereux mais aussi énormément de lésions indolentes.

Le choix entre A et B ne peut pas être fait à partir de la sensibilité seule.

Il faut examiner les conséquences.

Dépistage et traitement en évolution

Un dépistage peut perdre une partie de son avantage lorsque les traitements des maladies symptomatiques deviennent très efficaces.

Si traiter tard fonctionne presque aussi bien que traiter tôt, la valeur de la détection précoce diminue.

Inversement

L’arrivée d’un traitement particulièrement efficace lorsqu’il est administré avant progression peut rendre un dépistage plus intéressant.

La valeur d’un programme n’est donc pas nécessairement fixe dans le temps.

Réévaluer les programmes

Un dépistage établi depuis plusieurs décennies devrait parfois être réévalué lorsque changent :

  • incidence de la maladie ;
  • traitement ;
  • technologies ;
  • espérance de vie.

Les anciennes preuves restent importantes mais peuvent ne plus correspondre exactement au contexte actuel.

Le problème des nouvelles technologies

Une nouvelle technique peut être comparée à l’ancienne et montrer :

davantage de cancers détectés.

Ce n’est pas suffisant.

La bonne question est :

réduit-elle davantage les formes avancées ou la mortalité ?

Critères de substitution

Un changement vers :

plus de diagnostics au stade I

est un critère intermédiaire.

Il est plausible que cela améliore le pronostic.

Mais ce lien doit être vérifié.

Tous les changements de stade ne produisent pas nécessairement un bénéfice de mortalité.

Stage migration

Une meilleure imagerie peut simplement reclasser certains patients.

Le stade semble s’améliorer ou se préciser sans que le traitement change nécessairement le destin des patients.

Les données doivent être interprétées avec prudence.

Cause-specific mortality et biais de classification

Dans un essai de dépistage, il peut être utile que les comités déterminant la cause des décès soient :

aveugles à l’assignation du participant, lorsque cela est possible.

Cela réduit le risque que la connaissance du groupe influence l’attribution.

Analyse en intention de dépister

Le principe est similaire à l’intention de traiter :

comparer les groupes selon l’assignation initiale.

Cela préserve la comparabilité créée par la randomisation.

Mortalités concurrentes

Une personne peut être protégée d’un décès par cancer mais mourir d’une autre cause peu après.

Cela limite parfois l’effet observable sur la mortalité toutes causes.

Chez les personnes âgées ou fragiles, les risques compétitifs deviennent particulièrement importants.

Exemple

Un dépistage évite un décès cancéreux prévu à 90 ans chez une personne qui décède à 89 ans d’une maladie cardiovasculaire.

Le programme n’a pas pu produire de gain de vie chez cette personne.

Cela influence le bénéfice absolu des dépistages à âge avancé.

Années de vie gagnées

On peut donc compléter le nombre de décès évités par :

les années de vie gagnées.

Éviter un décès à 50 ans et éviter un décès à 95 ans ne produit pas le même nombre d’années de vie supplémentaires.

Cette mesure soulève néanmoins des questions éthiques et ne doit pas servir à diminuer la valeur intrinsèque des personnes âgées.

Qualité de vie

Le gain peut également être exprimé en :

  • QALY ;
  • autres mesures de qualité de vie.

Cela permet de considérer :

  • prolongation de la vie ;
  • qualité de cette vie ;
  • effets indésirables.

Mais ces mesures reposent sur des choix de valeur

Attribuer un poids à différents états de santé n’est pas purement biologique.

L’épidémiologie peut fournir les données, mais la décision de politique publique implique une dimension normative.

Dépistage et décision de santé publique

La décision finale ne repose donc pas seulement sur :

« la mortalité diminue-t-elle ? »

Il faut aussi considérer :

  • amplitude du bénéfice ;
  • dommages ;
  • coûts ;
  • faisabilité ;
  • équité.

Une réduction statistiquement significative peut être minuscule

Supposons :

p < 0,001.

Le programme réduit la mortalité de :

100,0 à 99,8 décès pour 100 000.

Avec une étude immense, ce résultat peut être statistiquement très solide mais cliniquement très modeste.

Il faut regarder la taille de l’effet.

Inversement

Une réduction de :

20 %

peut ne pas atteindre p < 0,05 dans une petite étude.

Cela ne prouve pas qu’il n’existe aucun effet.

L’intervalle de confiance devient essentiel.

Exemple

Risque relatif de mortalité :

0,80

IC 95 % :

0,60–1,07.

L’étude est compatible avec :

  • bénéfice important ;
  • petit dommage.

Elle est simplement trop imprécise pour conclure fermement.

Plusieurs essais

Une revue systématique et une méta-analyse peuvent combiner plusieurs essais.

Elles permettent :

  • plus de précision ;
  • comparaison des contextes.

Mais elles ne corrigent pas automatiquement les biais des études incluses.

Hétérogénéité

Un dépistage peut fonctionner différemment selon :

  • âge ;
  • test ;
  • fréquence ;
  • traitement disponible.

Une moyenne globale peut masquer cette hétérogénéité.

La date des essais compte

Un essai de dépistage ancien peut avoir utilisé :

  • technologie dépassée ;
  • traitements différents.

Le résultat reste instructif mais son application actuelle doit être réfléchie.

Nouveau test, nouvelle preuve ?

Il n’est pas toujours nécessaire de recommencer toute l’évaluation à zéro.

Si une nouvelle technique est clairement meilleure sur un maillon validé de la chaîne, certaines extrapolations peuvent être raisonnables.

Mais plus elle modifie la nature des cas détectés, plus il faut vérifier les résultats cliniques.

Exemple

Un nouveau test détecte exactement les mêmes maladies dangereuses :

  • avec moins de faux positifs.

Le bénéfice du programme peut plausiblement être conservé avec moins de dommages.

Situation plus incertaine

Un test détecte :

deux fois plus de lésions microscopiques.

On ne sait pas si elles auraient progressé.

Les données anciennes ne suffisent plus à garantir un meilleur bénéfice clinique.

Les recommandations doivent être proportionnées aux preuves

Un programme avec :

  • réduction robuste de mortalité ;
  • dommages bien caractérisés

peut justifier une recommandation forte.

Un programme reposant principalement sur :

  • détection précoce ;
  • plausibilité biologique

devrait être présenté avec davantage d’incertitude.

La communication honnête

Dire simplement :

« le dépistage sauve des vies »

peut être trop vague.

Une information plus utile est :

« sur 1 000 personnes invitées pendant X années, environ Y décès dus à cette maladie sont évités, au prix d’environ Z faux positifs et W surdiagnostics ».

Cette présentation permet de comprendre l’ordre de grandeur.

Éviter l’autre caricature

Dire :

« les dépistages ne servent à rien à cause du surdiagnostic »

est tout aussi incorrect.

Certains programmes ont un bénéfice démontré.

La question est empirique :

combien de bénéfices et combien de dommages ?

Une grille d’analyse

Face à un programme de dépistage, on peut poser successivement :

La maladie représente-t-elle un problème de santé important ?

Existe-t-il une phase préclinique détectable ?

Le test est-il suffisamment sensible et spécifique ?

Le traitement précoce est-il plus efficace ?

Les formes avancées diminuent-elles ?

La mortalité diminue-t-elle ?

Quelle est la réduction absolue ?

Combien de faux positifs, surdiagnostics et complications surviennent ?

Dans quelle population le programme est-il utile ?

Le niveau de preuve idéal

Le dossier le plus convaincant associe :

  • mécanisme biologique cohérent ;
  • test validé ;
  • essai randomisé ou quasi-expérience robuste ;
  • baisse des formes avancées ;
  • baisse de mortalité ;
  • dommages quantifiés.

C’est une forme de triangulation des preuves.

Une leçon générale d’épidémiologie

Le dépistage montre parfaitement pourquoi un indicateur intermédiaire peut être trompeur.

On peut observer :

plus de diagnostics

sans :

moins de décès.

On peut observer :

meilleure survie

sans :

prolongation de la vie.

On peut observer :

davantage de cancers précoces

sans :

moins de cancers avancés.

Il faut toujours revenir à la question causale initiale.

La question contrefactuelle

Elle peut être formulée ainsi :

« Si nous appliquons ce programme à cette population, combien d’événements importants surviendront par rapport à ce qui se serait passé sans le programme ? »

C’est cette comparaison qui définit le bénéfice causal.

À retenir

Un dépistage fait réellement diminuer la mortalité lorsqu’il ne se contente pas de :

  • avancer le diagnostic ;
  • augmenter le nombre de cas détectés ;
  • améliorer artificiellement la survie après diagnostic.

Il doit modifier l’histoire naturelle de suffisamment de maladies dangereuses pour éviter des décès qui auraient eu lieu sans le programme.

Pour le démontrer, il faut idéalement observer :

une comparaison valide entre populations dépistées et non dépistées ;

une réduction de mortalité ou d’autres événements cliniquement importants ;

une diminution cohérente des formes avancées ;

un bénéfice qui dépasse les dommages du dépistage.

Les principaux pièges sont :

  • biais d’avance au diagnostic ;
  • biais de durée ;
  • surdiagnostic ;
  • healthy screenee bias ;
  • confusion avec l’amélioration des traitements.

Le principe fondamental est donc :

le succès d’un dépistage ne se mesure ni au nombre de maladies trouvées ni à la survie des personnes diagnostiquées, mais aux événements graves réellement évités dans la population à laquelle le programme est proposé.

Autrement dit :

détecter plus tôt n’a de valeur que si cette avance permet réellement de changer ce qui aurait autrement fini par arriver.

Pour aller plus loin

Wilson et Jungner — Principles and Practice of Screening for Disease. Le cadre historique fondamental pour déterminer quand un dépistage est justifié.

H. Gilbert Welch — travaux sur dépistage, surdiagnostic et mortalité. Une référence importante pour comprendre les différences entre détection, survie apparente et bénéfice réel.

Cochrane — revues systématiques des programmes de dépistage. Elles permettent de comparer les effets sur mortalité, morbidité et dommages à partir des meilleures données disponibles.

David Sackett et collaborateurs — Clinical Epidemiology. Une référence classique pour comprendre les biais du dépistage, l’inférence causale et l’évaluation des résultats cliniquement pertinents.