Seuil de décision : de combien de preuves avons-nous besoin ?
Une décision n’attend pas toujours la certitude
Nous aimerions souvent disposer d’une règle simple : n’agir que lorsque les preuves sont suffisantes. Le problème est que « suffisantes » n’a pas de sens indépendamment de la décision à prendre. Le niveau de confiance raisonnable avant de choisir un restaurant n’est pas le même qu’avant de condamner quelqu’un à une lourde peine, de prescrire un traitement dangereux, d’évacuer une population ou d’engager plusieurs milliards d’euros d’argent public. Dans chacun de ces cas, nous voulons savoir ce qui est vrai. Mais la décision dépend également d’une autre question : « Que coûte une erreur ? » Une décision rationnelle ne demande donc pas seulement : « Quelle est la probabilité que mon hypothèse soit correcte ? » Elle demande aussi : « Que se passe-t-il si j’agis alors que j’ai tort, et que se passe-t-il si je n’agis pas alors que j’aurais dû ? » C’est cette relation entre preuve, incertitude et conséquences qui détermine un seuil de décision.
Croire et agir sont deux problèmes différents
Supposons qu’un médecin estime à 20 % la probabilité qu’un patient souffre d’une maladie particulière. Cette estimation constitue une croyance probabiliste. Mais elle ne dit pas encore s’il faut traiter. Si le traitement est très sûr, peu coûteux et que l’absence de traitement peut entraîner des conséquences graves, 20 % peut être largement suffisant pour intervenir. Si le traitement présente au contraire un risque important d’effets indésirables graves, il peut être raisonnable d’attendre davantage d’éléments. La probabilité de la maladie n’a pas changé. Ce qui change est le seuil à partir duquel cette probabilité justifie l’action. Cette distinction est fondamentale : une même croyance peut soutenir différentes décisions lorsque leurs conséquences ne sont pas les mêmes.
Faux positif et faux négatif
De nombreuses décisions peuvent être comprises comme un arbitrage entre deux types d’erreurs. Prenons un test de dépistage. Un faux positif consiste à conclure qu’un problème existe alors qu’il n’existe pas. Un faux négatif consiste à conclure qu’il n’existe pas alors qu’il existe réellement. Ces deux erreurs ne possèdent pas nécessairement le même coût. Dans le dépistage d’une maladie grave mais traitable, nous pouvons accepter davantage de faux positifs afin de réduire les faux négatifs, à condition qu’un examen ultérieur puisse corriger le premier résultat. Dans une procédure où un faux positif entraîne directement une intervention dangereuse et irréversible, le compromis sera différent. Le choix du seuil dépend donc en partie du coût relatif des deux erreurs.
Le parapluie et l’évacuation d’une ville. Un exemple très simple permet de voir le principe. Supposons qu’il y ait seulement 30 % de chances de pluie. Prendre un parapluie coûte peu : il faut le transporter inutilement si la pluie ne vient pas. Ne pas le prendre peut signifier être trempé. Il peut donc être parfaitement raisonnable de prendre le parapluie alors même que nous pensons qu’il ne pleuvra probablement pas. Nous n’avons pas besoin de croire : « Il va probablement pleuvoir. » Il suffit de croire : « Le coût d’emporter inutilement un parapluie est suffisamment faible par rapport au coût de me retrouver sans protection s’il pleut. » Imaginons maintenant une alerte indiquant 30 % de probabilité qu’une zone soit touchée par une catastrophe naturelle. L’évacuation d’une ville entière possède elle-même des coûts considérables : accidents, désorganisation, interruption des soins, coûts économiques, mobilisation des secours. Mais ne pas évacuer peut exposer des milliers de personnes à un danger mortel.
Le même chiffre de 30 % ne doit donc pas être interprété de la même manière que la probabilité de pluie lors d’une promenade. La décision dépend de l’enjeu.
Une représentation simple du seuil
On peut représenter une décision binaire avec deux options :
- agir ;
- ne pas agir.
Et deux états du monde :
- le danger existe ;
- le danger n’existe pas.
Nous obtenons quatre situations :
| Danger réel | Pas de danger | |
|---|---|---|
| Agir | Intervention justifiée | Intervention inutile |
| Ne pas agir | Danger manqué | Pas d’intervention nécessaire |
Le problème consiste à comparer les conséquences de ces quatre cases. Si manquer le danger est extrêmement coûteux tandis qu’une intervention inutile coûte peu, le seuil de décision sera relativement bas. Si l’intervention inutile est elle-même très dangereuse, le seuil sera plus élevé. Cette grille extrêmement simple explique une grande partie de ce que l’on appelle un seuil de décision.
Le seuil thérapeutique en médecine
La médecine fournit un exemple particulièrement clair. Un médecin peut distinguer trois zones. En dessous d’une certaine probabilité de maladie, il est raisonnable de ne pas traiter. Au-dessus d’une probabilité plus élevée, il devient rationnel de traiter directement. Entre les deux, il peut être préférable de réaliser un examen supplémentaire. Nous obtenons donc trois possibilités : probabilité faible → ne pas traiter ; probabilité intermédiaire → rechercher davantage d’information ; probabilité élevée → traiter. Le choix de ces seuils dépend de l’efficacité du traitement, de ses risques, de la gravité de la maladie et de la qualité du test disponible. Cette structure ne concerne pas seulement la médecine. Dans de nombreuses décisions, nous pouvons distinguer : agir maintenant, attendre davantage d’information ou ne pas agir.
Plus grave ne signifie pas automatiquement seuil plus bas. Il serait tentant de conclure : « Plus le danger est grave, moins nous avons besoin de preuves pour intervenir. » Cette règle est incomplète. Il faut également examiner les risques de l’intervention. Supposons qu’une maladie soit extrêmement grave mais que le seul traitement disponible possède lui-même 40 % de probabilité de provoquer un décès. Nous ne voudrons probablement pas administrer ce traitement sur la base d’un simple soupçon. La gravité du danger pousse le seuil dans un sens. La gravité de l’intervention pousse dans l’autre. Le seuil résulte de la comparaison de l’ensemble des conséquences, pas de la gravité d’un seul scénario.
Justice : pourquoi le seuil de condamnation est élevé
Le droit pénal offre une illustration différente. Dans de nombreux systèmes judiciaires, la condamnation pénale exige un degré élevé de certitude. La raison n’est pas que la vérité serait plus importante devant un tribunal qu’ailleurs. Elle tient notamment à l’asymétrie des erreurs. Condamner une personne innocente est considéré comme particulièrement grave. Le système accepte donc qu’un certain nombre de coupables puissent ne pas être condamnés afin de réduire le risque de condamner des innocents. Cela revient à placer le seuil de décision relativement haut. Mais même ici, le seuil n’est pas une probabilité mathématique universellement fixée. L’expression juridique « au-delà d’un doute raisonnable » ne signifie généralement pas « exactement 95 % » ou « exactement 99 % ». Transformer cette norme en chiffre précis donnerait souvent une illusion de précision. Le principe important est ailleurs : l’architecture du seuil reflète une préférence normative entre différents types d’erreurs.
Une politique publique doit elle aussi choisir des seuils. Les politiques publiques prennent constamment ce type de décision. Quand faut-il fermer une infrastructure jugée potentiellement dangereuse ? À partir de quel niveau de pollution doit-on déclencher des restrictions ? Quand faut-il évacuer une zone ? À quel niveau de preuve une substance doit-elle être interdite ? À partir de quelle probabilité d’épidémie faut-il mobiliser certaines capacités hospitalières ? Ces décisions ne peuvent pas toujours attendre la certitude scientifique. Mais elles ne peuvent pas non plus traiter chaque hypothèse comme une menace avérée. Le problème consiste donc à déterminer quel niveau d’incertitude est acceptable compte tenu des conséquences des deux erreurs possibles.
Le coût d’un faux négatif peut changer avec l’échelle. Une probabilité individuelle très faible peut produire un enjeu collectif important. Supposons qu’un effet indésirable grave survienne avec une probabilité de 1 sur 100 000. Pour une seule personne, ce risque est minuscule. Si cent millions de personnes sont exposées, nous pouvons néanmoins nous attendre à un nombre important de cas. Le seuil de décision peut donc changer lorsque l’échelle change. Une mesure qui ne serait pas justifiée pour protéger une seule personne contre un risque infinitésimal peut devenir pertinente lorsque ce même risque concerne une très grande population. L’inverse est également vrai : une mesure imposant un petit coût individuel peut devenir extrêmement coûteuse lorsqu’elle s’applique à des millions de personnes. Échelle du risque et échelle de l’intervention doivent donc être examinées ensemble.
Quand la preuve peut-elle arriver trop tard ? Le niveau de preuve nécessaire dépend également du temps disponible. Supposons qu’un barrage montre des signes inhabituels de faiblesse. Une expertise complète pourrait prendre trois semaines. Si les conséquences d’un effondrement sont immenses et qu’une évacuation provisoire est possible, il peut être rationnel d’agir avant d’avoir établi avec certitude l’existence d’un danger. La décision ne dit pas : « Nous savons que le barrage va céder. » Elle dit : « Compte tenu de la possibilité suffisamment crédible d’un dommage très grave, et du coût comparativement acceptable d’une mesure provisoire, nous agissons avant d’avoir une certitude complète. » C’est une distinction fondamentale. Agir comme si un risque méritait une réponse ne signifie pas toujours croire que ce risque est probable.
Mesures provisoires et seuils gradués
Les décisions ne sont pas toujours binaires. Nous pouvons souvent adapter l’intensité de la réponse au degré de confiance. Supposons qu’un nouveau virus soit détecté. Avec des informations encore très limitées, les autorités peuvent renforcer la surveillance et préparer les hôpitaux. Si de nouvelles données montrent une transmission importante, elles peuvent augmenter les capacités de dépistage. Si des formes graves se multiplient, des mesures supplémentaires peuvent être envisagées. Cette approche permet de remplacer une question trop brutale : « Avons-nous assez de preuves pour agir ? » par : « Quelle action est proportionnée au niveau actuel de preuve et à la gravité potentielle du problème ? » Cette logique de réponse graduée sera importante lorsque nous aborderons le principe de précaution et les décisions adaptatives.
Seuil de croyance et seuil d’action. Il est utile de distinguer explicitement deux choses. Un seuil de croyance correspond au niveau de preuve à partir duquel nous acceptons une proposition comme suffisamment établie dans un contexte donné. Un seuil d’action correspond au niveau de confiance à partir duquel une intervention particulière devient préférable à ses alternatives. Les deux peuvent être très différents. Je peux penser : « Il est peu probable que ma maison brûle cette année. » et malgré tout décider de souscrire une assurance. Je peux penser : « Cette catastrophe est improbable. » et néanmoins considérer certaines mesures de prévention comme rationnelles. Inversement, je peux penser : « Il est probable que cette personne possède telle maladie. » et refuser un traitement si celui-ci est plus dangereux que la maladie elle-même. La rationalité de l’action ne se déduit pas mécaniquement du degré de croyance.
Une erreur classique : demander « la preuve » sans préciser la décision. Les débats publics utilisent souvent des formulations comme :
« Il n’y a pas assez de preuves. »
Cette affirmation peut être pertinente, mais elle reste incomplète. Pas assez de preuves pour quoi ? Pas assez pour affirmer scientifiquement un mécanisme causal ? Pour recommander une surveillance ? Pour lancer une étude ? Pour informer une population ? Pour interdire une activité ? Pour évacuer une ville ? Ces actions n’ont ni les mêmes coûts ni les mêmes conséquences. Il peut donc être parfaitement cohérent de dire simultanément : « Nous ne disposons pas encore de preuves suffisantes pour conclure avec assurance que X provoque Y » et : « Nous disposons de suffisamment d’éléments pour justifier provisoirement une surveillance ou une mesure facilement réversible. » Cette distinction protège contre deux sophismes opposés : utiliser l’incertitude scientifique pour empêcher toute mesure, ou utiliser une mesure de prudence comme si elle prouvait que l’hypothèse sous-jacente était établie.
Exemple historique — Le lien entre tabac et cancer
L’histoire du tabac illustre bien cette tension. Les premières données inquiétantes sur le lien entre tabagisme et cancer du poumon se sont accumulées progressivement au cours du XXe siècle. Les preuves épidémiologiques sont devenues particulièrement fortes dans les années 1950, puis encore renforcées par des décennies de recherche. Mais une décision de santé publique n’avait pas besoin d’attendre une connaissance absolument complète de tous les mécanismes biologiques avant d’informer les populations ou de réduire certaines expositions. À mesure que les preuves devenaient plus fortes et que les conséquences sanitaires potentielles apparaissaient considérables, le seuil justifiant certaines interventions était atteint avant que toutes les questions scientifiques soient résolues. Cela ne signifie pas que toute alerte précoce doive provoquer une interdiction. Cela montre que l’état incomplet de la science et le niveau de justification nécessaire à une action ne sont pas exactement la même question.
Un seuil dépend aussi de la réversibilité
Une décision facilement réversible peut parfois être prise avec moins d’informations. Changer provisoirement l’organisation d’un service pendant deux semaines n’exige généralement pas le même niveau de certitude qu’une restructuration irréversible. Lancer un petit projet pilote nécessite moins de confiance que déployer immédiatement la même solution à l’échelle nationale. Pourquoi ? Parce qu’une erreur coûte moins cher lorsque nous pouvons rapidement revenir en arrière. La réversibilité modifie donc le seuil raisonnable d’action. Plus une décision est irréversible, plus il devient généralement important d’examiner soigneusement les informations avant de s’engager. Nous consacrerons une fiche entière à cette propriété.
Le rôle du coût d’attente. Attendre davantage de preuves semble souvent être l’option prudente. Mais attendre possède lui aussi un coût. Reporter un traitement peut laisser progresser une maladie. Retarder une maintenance peut augmenter la probabilité d’une panne. Attendre la certitude avant de répondre à une épidémie peut réduire considérablement les possibilités de contrôle. La bonne question n’est donc pas : « Quel est le risque d’agir trop tôt ? » mais : « Comment le risque d’agir trop tôt se compare-t-il au risque d’agir trop tard ? » Lorsque le temps modifie les conséquences, le seuil de décision ne peut pas être séparé du coût de l’attente.
Le seuil optimal n’est pas nécessairement fixe. Un seuil peut évoluer à mesure que la situation change. Au début d’une enquête, quelques éléments peuvent suffire pour déclencher une vérification. Il faudra davantage de preuves avant d’imposer une sanction. Et beaucoup plus encore avant une décision irréversible. De même, dans une crise sanitaire, le seuil pour renforcer une surveillance peut être très bas, celui pour recommander une intervention contraignante plus élevé et celui pour imposer une mesure extrêmement lourde encore supérieur. Cette structure permet de penser la décision comme une succession de seuils, plutôt que comme un unique choix entre croire et ne pas croire.
Cas pratique — Un signal de sécurité sur un médicament
Un médicament est utilisé par plusieurs millions de patients. Quelques études observationnelles suggèrent qu’il pourrait légèrement augmenter le risque d’un effet indésirable grave, mais les résultats sont encore incertains. Plusieurs décisions sont possibles :
- ne rien changer ;
- renforcer la surveillance ;
- informer les médecins d’un signal possible ;
- limiter l’utilisation à certains patients ;
- suspendre le médicament.
Ces décisions ne nécessitent pas nécessairement le même niveau de preuve. Renforcer la pharmacovigilance possède un coût relativement faible et peut être justifié très tôt. Suspendre complètement un traitement efficace peut au contraire priver de nombreux patients d’un bénéfice important. Cette décision exige donc généralement un niveau de justification plus élevé, surtout si aucune bonne alternative n’existe. La question correcte n’est pas seulement : « Le médicament provoque-t-il réellement cet effet ? » Elle est : « Compte tenu de notre incertitude actuelle, quelle réponse est proportionnée aux bénéfices et aux risques de chaque option ? »
La règle générale. On peut résumer l’idée de cette fiche par une formulation simple : plus une erreur dans une direction est coûteuse relativement à l’erreur opposée, plus le seuil doit être déplacé pour réduire ce type d’erreur. Si manquer un danger est extrêmement grave et qu’une intervention inutile coûte peu, nous pouvons agir avec un niveau de confiance relativement faible. Si intervenir à tort possède des conséquences très lourdes, nous exigerons davantage de preuves. Mais cette règle doit toujours être complétée par d’autres considérations : qualité des données, réversibilité, délai disponible, possibilité d’obtenir rapidement davantage d’informations et répartition des coûts entre les personnes concernées.
Une grille pratique
Avant de fixer implicitement ou explicitement un seuil, il est utile de répondre à quelques questions :
| Question | Pourquoi elle importe |
|---|---|
| Que se passe-t-il si j’agis alors que l’hypothèse est fausse ? | Coût du faux positif |
| Que se passe-t-il si je n’agis pas alors qu’elle est vraie ? | Coût du faux négatif |
| Ces conséquences sont-elles réversibles ? | Possibilité de corriger l’erreur |
| Combien de personnes sont exposées ? | Échelle du risque |
| Le risque augmente-t-il avec le temps ? | Coût de l’attente |
| Une mesure intermédiaire est-elle possible ? | Réponse graduée |
| Peut-on obtenir rapidement une information décisive ? | Intérêt d’attendre |
| Qui supporte chacune des erreurs ? | Distribution des risques |
Cette grille montre pourquoi il n’existe pas de pourcentage magique correspondant universellement à « assez de preuves ».
Seuils différents ne signifient pas doubles standards. Il peut sembler incohérent d’exiger 95 % de confiance dans une situation et d’agir à 30 % dans une autre. Ce n’est pas nécessairement un double standard. Ce serait incohérent si les situations étaient identiques et si nous modifiions arbitrairement les règles pour obtenir la conclusion désirée. Mais lorsque les conséquences des erreurs diffèrent, un seuil différent peut être exactement ce qu’exige la cohérence. La rationalité ne demande pas d’utiliser le même seuil partout. Elle demande d’utiliser des seuils dont la différence peut être justifiée par la structure de la décision.
Attention à la manipulation des seuils. Cette souplesse peut évidemment être détournée. Une personne peut exiger une certitude presque impossible lorsqu’une conclusion lui déplaît, puis se satisfaire d’un soupçon très faible lorsqu’elle l’arrange. Les industries confrontées à des risques sanitaires ont parfois été accusées d’exiger des standards de preuve extrêmement élevés avant d’accepter une réglementation, tandis que certains militants peuvent inversement traiter un signal faible comme une preuve suffisante d’un danger avéré. L’esprit critique exige donc une discipline supplémentaire : expliciter avant de connaître le résultat quel type de preuve devrait modifier notre décision. Autrement dit, il faut autant que possible éviter de déplacer le seuil après coup pour protéger notre conclusion préférée.
Le seuil n’élimine jamais complètement le risque d’erreur. Même une règle extrêmement exigeante ne supprime pas toute erreur. Un tribunal peut condamner un innocent malgré un standard de preuve élevé. Un médicament peut produire une complication grave malgré une évaluation minutieuse. Une alerte peut se révéler fausse. L’objectif d’un seuil n’est donc pas d’obtenir l’infaillibilité. Il consiste à répartir les risques d’erreur d’une manière compatible avec les conséquences que nous voulons éviter. Cette formulation est importante : choisir un seuil signifie souvent accepter consciemment qu’un certain type d’erreur subsistera.
À retenir
Le niveau de preuve nécessaire pour agir n’est pas universel. Il dépend notamment des conséquences d’une intervention inutile, des conséquences d’une absence d’intervention, de la réversibilité de la décision, du temps disponible, de l’échelle du risque et de la possibilité d’obtenir rapidement davantage d’informations.
Il faut donc distinguer degré de croyance et seuil d’action. Une hypothèse peut être improbable tout en justifiant certaines mesures si le coût de ces mesures est faible et celui d’un danger manqué très élevé. Inversement, une hypothèse probable peut ne pas suffire pour justifier une intervention dangereuse ou irréversible. La règle générale n’est donc pas : « N’agir que lorsque nous sommes certains. » Elle est : « Exiger un niveau de confiance proportionné aux conséquences possibles d’une erreur dans chaque direction. »
Cette idée nous permet maintenant d’aborder une autre difficulté : lorsqu’une décision comporte plusieurs étapes, scénarios et paramètres incertains, comment représenter clairement sa structure et vérifier si notre conclusion résiste à des estimations différentes ? C’est l’objet de la prochaine fiche : scénarios, arbres de décision et analyse de sensibilité.
Sources et approfondissements
Stephen G. Pauker et Jerome P. Kassirer, « The Threshold Approach to Clinical Decision Making », *New England Journal of Medicine*, 1980. Article classique présentant l’idée de seuils de test et de traitement en fonction de la probabilité de maladie et des conséquences des différentes actions. Howard Raiffa, *Decision Analysis: Introductory Lectures on Choices Under Uncertainty*, Addison-Wesley, 1968. Présentation classique de l’analyse décisionnelle et de la comparaison des conséquences sous incertitude. David M. Eddy, « Anatomy of a Decision », *JAMA*, vol. 263, no 3, 1990, p. 441-443. L’article relie les probabilités diagnostiques aux seuils déterminés par les bénéfices et les risques du traitement et des tests.
Daniel Kahneman, Paul Slovic et Amos Tversky (dir.), *Judgment under Uncertainty: Heuristics and Biases*, Cambridge University Press, 1982. Ouvrage de référence pour comprendre plusieurs difficultés cognitives intervenant dans l’évaluation des probabilités ; les biais eux-mêmes sont traités dans une autre catégorie du site. National Research Council, *Risk Assessment in the Federal Government: Managing the Process*, National Academies Press, 1983. Le rapport distingue l’évaluation scientifique du risque et les choix de gestion qui arbitrent conséquences et incertitudes.