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.