Test diagnostique et test de dépistage
Un test médical peut être utilisé dans des contextes très différents.
On peut chercher à savoir si une personne présentant des symptômes est atteinte d’une maladie.
On peut aussi rechercher une maladie chez des personnes qui ne présentent encore aucun symptôme.
Ces deux situations correspondent généralement à :
diagnostic
et
dépistage.
La distinction est fondamentale car elle modifie :
- la population testée ;
- la probabilité préalable de maladie ;
- l’interprétation du résultat ;
- les conséquences des faux positifs et faux négatifs.
Le test diagnostique
Un test diagnostique est généralement utilisé lorsqu’il existe déjà une raison clinique de suspecter une maladie.
Par exemple :
- symptômes ;
- examen clinique anormal ;
- antécédent ;
- résultat biologique inhabituel.
La question est alors :
« Cette personne est-elle probablement atteinte de la maladie que nous suspectons ? »
Exemple
Une personne consulte pour :
- fièvre ;
- toux ;
- essoufflement.
Le médecin peut rechercher une infection respiratoire particulière.
Le test s’intègre alors dans une démarche diagnostique.
Il ne constitue pas une information isolée : il complète l’histoire clinique et l’examen.
Le dépistage
Le dépistage s’adresse généralement à des personnes qui ne présentent pas de symptômes évocateurs de la maladie recherchée.
L’objectif est de détecter :
- une maladie précoce ;
- une lésion précancéreuse ;
- un facteur de risque important.
La question devient :
« Existe-t-il dans cette population apparemment saine des personnes chez qui une maladie silencieuse pourrait être présente ? »
Exemple
Un programme peut proposer une mammographie à certaines femmes ne présentant aucun symptôme mammaire.
Le but est de détecter certains cancers avant leur manifestation clinique.
Il s’agit d’un dépistage.
Le même examen peut avoir deux fonctions
Une mammographie peut être :
- dépistage chez une personne asymptomatique ;
- diagnostic chez une personne présentant une masse mammaire.
Le test technique peut être presque identique.
Ce qui change est le contexte clinique et la probabilité préalable de maladie.
Pourquoi cette différence est importante
Supposons qu’un même test soit utilisé dans deux populations.
Population A
Personnes très symptomatiques.
Prévalence de la maladie : 30 %.
Population B
Population générale asymptomatique.
Prévalence : 1 %.
Même avec exactement les mêmes performances techniques, la signification d’un résultat positif sera très différente.
La probabilité pré-test
Avant de réaliser un test, il existe déjà une certaine probabilité que la maladie soit présente.
On parle de probabilité pré-test.
Elle dépend notamment :
- symptômes ;
- âge ;
- facteurs de risque ;
- fréquence de la maladie ;
- contexte épidémiologique.
Le résultat du test vient modifier cette probabilité.
Le test ne crée pas la probabilité à partir de zéro
Un résultat positif ne signifie donc pas automatiquement :
« la personne est malade ».
Il signifie plutôt :
« les données du test rendent la maladie plus probable qu’avant ».
De même, un résultat négatif réduit généralement la probabilité sans toujours la faire tomber à zéro.
Diagnostic comme mise à jour probabiliste
On peut représenter le raisonnement :
probabilité avant test
↓
résultat du test
↓
probabilité après test.
Cette logique sera formalisée plus tard avec :
- valeurs prédictives ;
- rapports de vraisemblance ;
- théorème de Bayes.
Exemple intuitif
Supposons une maladie extrêmement rare chez une personne sans symptôme.
Même un test assez performant peut produire davantage de faux positifs qu’on ne l’imagine.
À l’inverse, chez une personne présentant des signes très évocateurs, un résultat positif est beaucoup plus convaincant.
Le contexte change la valeur de l’information.
Dépister n’est pas simplement « tester davantage »
Il pourrait sembler évident que rechercher une maladie plus tôt est toujours bénéfique.
Ce n’est pas forcément le cas.
Un dépistage peut entraîner :
- faux positifs ;
- examens complémentaires ;
- anxiété ;
- biopsies ;
- traitements inutiles ;
- surdiagnostic.
La question n’est donc pas seulement :
« le test détecte-t-il la maladie ? »
mais :
« proposer ce test à cette population améliore-t-il réellement la santé ? »
Détection et bénéfice sont deux choses différentes
Un programme de dépistage peut détecter davantage de cancers sans forcément réduire :
- mortalité ;
- complications ;
- souffrance.
Détecter davantage de cas n’est donc pas automatiquement une preuve de bénéfice.
C’est une distinction capitale.
Pourquoi ?
Certaines maladies détectées précocement auraient progressé.
D’autres seraient restées :
- lentes ;
- asymptomatiques ;
- sans conséquence clinique pendant toute la vie.
Le dépistage peut donc découvrir des anomalies qui n’auraient jamais causé de problème.
C’est le surdiagnostic.
Test de dépistage et test confirmatoire
Un dépistage est souvent organisé en plusieurs étapes.
Première étape
Un test sensible repère les personnes potentiellement atteintes.
Deuxième étape
Un examen plus spécifique confirme ou infirme le diagnostic.
Ainsi, un test de dépistage positif ne correspond pas toujours à un diagnostic définitif.
Exemple conceptuel
Population de 100 000 personnes.
Un test de dépistage identifie :
3 000 résultats positifs.
Après examens confirmatoires :
800 cas réels.
Les 2 200 autres résultats étaient des faux positifs au niveau du dépistage initial.
Cela n’implique pas que le programme soit mauvais, mais montre pourquoi le résultat initial doit être interprété correctement.
Pourquoi privilégier parfois la sensibilité
Pour certains dépistages, on préfère éviter de manquer des personnes réellement malades.
On choisit alors un seuil produisant une forte sensibilité.
Mais cela augmente souvent le nombre de faux positifs.
C’est un compromis.
Pourquoi privilégier parfois la spécificité
Dans d’autres situations, un faux positif peut avoir des conséquences importantes :
- traitement toxique ;
- chirurgie ;
- stigmate ;
- anxiété.
On peut alors exiger une forte spécificité ou un test confirmatoire.
Dépistage organisé et dépistage opportuniste
Un dépistage organisé concerne une population définie selon des règles explicites.
Il peut préciser :
- âge ;
- fréquence ;
- modalités ;
- procédure de confirmation ;
- suivi.
Un dépistage opportuniste est proposé lors d’une consultation pour une autre raison.
Les deux approches peuvent produire des résultats différents en termes :
- couverture ;
- équité ;
- qualité du suivi.
Le dépistage est une intervention de santé publique
Un programme de dépistage ne se résume pas au test.
Il comprend aussi :
invitation → test → interprétation → confirmation → traitement → suivi.
Si l’un de ces maillons fonctionne mal, le bénéfice global peut disparaître.
Exemple
Un dépistage peut détecter une maladie précocement.
Mais si :
- le traitement précoce n’est pas meilleur que le traitement tardif ;
- les patients n’ont pas accès aux soins ;
le dépistage peut produire peu de bénéfice réel.
Condition essentielle : une phase détectable
Pour qu’un dépistage soit utile, il faut généralement qu’il existe une phase où :
- la maladie est présente ;
- elle peut être détectée ;
- elle n’a pas encore produit les symptômes habituels.
Cette période est parfois appelée phase préclinique détectable.
Une maladie trop rapide peut être difficile à dépister
Supposons qu’une maladie passe très rapidement de :
indétectable
à
symptomatique grave.
Un dépistage périodique peut rarement la détecter au bon moment.
Même un excellent test devient peu utile.
Une maladie très lente peut poser un autre problème
Si une maladie progresse extrêmement lentement, le dépistage la détecte facilement.
Mais certaines lésions découvertes n’auraient jamais provoqué de symptômes.
Cela augmente le risque de surdiagnostic.
Paradoxalement, les maladies les plus faciles à dépister ne sont pas toujours celles dont la détection apporte le plus de bénéfice.
Le biais de durée
Les dépistages détectent plus facilement les maladies qui restent longtemps dans la phase préclinique.
Les maladies agressives peuvent traverser cette phase rapidement et apparaître entre deux dépistages.
Le dépistage tend donc à sélectionner davantage de maladies lentes.
C’est le biais de durée, qui sera étudié dans une fiche dédiée.
Interval cancers
Lorsqu’une maladie apparaît entre deux tours de dépistage, on parle parfois de cancer d’intervalle dans le contexte oncologique.
Ces cas peuvent être :
- apparus après le dernier test ;
- présents mais non détectés ;
- particulièrement rapides.
Ils fournissent des informations sur les limites du programme.
Dépistage et incidence
Introduire un programme de dépistage peut provoquer une augmentation temporaire du nombre de diagnostics.
Cela ne signifie pas nécessairement que davantage de personnes ont biologiquement développé la maladie.
On détecte soudain des cas qui étaient auparavant invisibles.
Prévalence pool
Lors du premier tour de dépistage, on découvre souvent un « stock » de cas déjà présents depuis quelque temps.
Le nombre de diagnostics peut donc être particulièrement élevé.
Aux tours suivants, on détecte davantage les nouveaux cas apparus depuis le dépistage précédent.
Test diagnostique après symptômes
Dans une démarche diagnostique classique, la maladie a souvent déjà franchi un seuil provoquant :
- symptômes ;
- signes biologiques ;
- anomalies cliniques.
La prévalence de maladie dans cette population est donc généralement plus élevée que dans une population dépistée.
Cela change notamment la valeur prédictive positive.
Un test parfait n’existe pratiquement pas
Un test peut donner :
- positif chez un malade ;
- négatif chez un non-malade.
Mais aussi :
- négatif chez un malade : faux négatif ;
- positif chez un non-malade : faux positif.
Il faut donc quantifier ses performances.
Tableau fondamental
On peut représenter :
| Maladie présente | Maladie absente | |
|---|---|---|
| Test positif | Vrai positif | Faux positif |
| Test négatif | Faux négatif | Vrai négatif |
Ce tableau 2 × 2 constitue la base de nombreux concepts diagnostiques.
Les quatre catégories
Vrai positif
La maladie est présente et le test est positif.
Faux positif
La maladie est absente mais le test est positif.
Faux négatif
La maladie est présente mais le test est négatif.
Vrai négatif
La maladie est absente et le test est négatif.
Les fiches suivantes permettront d’en dériver sensibilité, spécificité et valeurs prédictives.
Mais comment sait-on si la maladie est réellement présente ?
Pour évaluer un test, on le compare généralement à une référence.
On parle de :
gold standard
ou
reference standard.
Ce peut être :
- biopsie ;
- culture microbiologique ;
- méthode d’imagerie de référence ;
- diagnostic clinique composite.
Le gold standard n’est pas toujours parfait
Le terme peut être trompeur.
La méthode de référence elle-même peut produire :
- faux positifs ;
- faux négatifs ;
- classifications incertaines.
Les performances mesurées du nouveau test dépendent donc aussi de la qualité de la référence.
Biais de vérification
Supposons que seules les personnes ayant un test initial positif reçoivent l’examen de référence.
On connaîtra très bien le statut des positifs mais beaucoup moins celui des négatifs.
Certains faux négatifs peuvent rester invisibles.
Cela peut produire un biais de vérification.
Incorporation bias
Un autre problème apparaît si le test étudié participe lui-même à la définition du diagnostic de référence.
Par exemple, si le diagnostic final utilise en partie le résultat du test que l’on cherche à évaluer.
Les performances peuvent alors être artificiellement surestimées.
Blinding
Idéalement, la personne interprétant le test de référence ne devrait pas connaître le résultat du test étudié lorsque cette connaissance pourrait influencer son jugement.
Sinon, on risque un biais d’interprétation.
C’est particulièrement important pour les résultats subjectifs.
Test biologique versus processus diagnostique
Un résultat de laboratoire peut être très performant, mais le diagnostic final dépend souvent de plusieurs informations.
Par exemple :
symptômes + examen + biologie + imagerie.
Le diagnostic médical est généralement un processus d’intégration, pas une lecture automatique d’un chiffre.
Seuil diagnostique
Beaucoup de tests fournissent une valeur continue.
Par exemple :
- concentration ;
- score ;
- pression ;
- taille d’une lésion.
On choisit ensuite un seuil :
au-dessus : positif
en dessous : négatif.
Modifier ce seuil change les faux positifs et faux négatifs.
Exemple
Supposons un biomarqueur.
Seuil élevé :
- peu de faux positifs ;
- davantage de faux négatifs.
Seuil plus bas :
- davantage de vrais positifs ;
- mais davantage de faux positifs.
Il existe donc un compromis entre sensibilité et spécificité.
Le seuil dépend des conséquences
Si manquer une maladie est extrêmement dangereux, on peut préférer un seuil plus sensible.
Si un faux positif entraîne une intervention très risquée, on peut préférer une forte spécificité avant de traiter.
Le choix du seuil est donc aussi une décision, pas uniquement une propriété biologique.
Test de triage
Certains tests servent surtout à décider :
qui mérite un examen supplémentaire ?
On parle parfois de test de triage.
L’objectif peut être de réduire le nombre d’examens invasifs tout en manquant très peu de maladies.
Test d’exclusion
Certains tests sont particulièrement utiles pour exclure une maladie lorsqu’ils sont négatifs.
Cela nécessite généralement :
- forte sensibilité ;
- contexte clinique approprié.
Un résultat négatif peut alors faire chuter suffisamment la probabilité pour éviter d’autres examens.
Test de confirmation
À l’inverse, un test très spécifique peut être particulièrement utile lorsqu’il est positif.
Il permet de confirmer une hypothèse déjà plausible.
Mais la règle dépend toujours de la prévalence et du contexte.
Aucun test ne doit être interprété indépendamment du patient
Supposons un test positif pour une maladie rare chez une personne sans aucun facteur de risque.
La probabilité post-test peut rester relativement faible.
Chez une personne avec :
- symptômes typiques ;
- forte exposition ;
le même résultat peut presque confirmer le diagnostic.
Le même test produit donc une information différente selon la personne.
Les tests peuvent modifier les décisions
L’objectif d’un test n’est pas seulement de produire de l’information.
Il doit idéalement modifier une décision :
- traiter ;
- ne pas traiter ;
- effectuer un examen ;
- surveiller.
Un test qui ne change jamais la conduite peut avoir peu d’utilité clinique même s’il mesure correctement une variable.
Valeur de l’information
On peut donc demander :
« Que ferons-nous différemment selon le résultat ? »
Si la réponse est :
« rien »,
la pertinence du test doit être questionnée.
Tester davantage n’est pas automatiquement mieux soigner.
Seuil de test
Supposons que la probabilité de maladie soit extrêmement faible.
Le médecin peut considérer qu’aucun test n’est nécessaire.
Au-dessus d’un certain niveau, le test devient utile.
C’est un seuil de test.
Seuil de traitement
À l’autre extrême, la probabilité peut être tellement élevée que l’on décide de traiter immédiatement sans attendre certains examens.
Il existe alors conceptuellement un seuil de traitement.
Entre les deux :
tester
peut apporter une information utile.
Exemple conceptuel
Probabilité de maladie :
- 0,01 % : aucun examen ;
- 10 % : test diagnostique ;
- 95 % : traitement ou confirmation rapide selon les risques.
Ces seuils ne sont pas universels.
Ils dépendent :
- gravité ;
- coût ;
- traitement ;
- risques du test.
Dépistage et probabilité très faible
Dans une population asymptomatique, la probabilité individuelle est généralement faible.
Cela signifie qu’un programme de dépistage peut générer beaucoup de résultats positifs chez des personnes finalement non malades, même si la spécificité est élevée.
Ce phénomène sera essentiel pour comprendre la valeur prédictive positive.
Exemple pédagogique
Supposons 10 000 personnes.
Prévalence : 1 %, soit 100 malades.
Imaginons un test avec :
- sensibilité 90 % ;
- spécificité 95 %.
Parmi les 100 malades :
90 vrais positifs
10 faux négatifs.
Parmi les 9 900 non-malades :
5 % seront positifs :
495 faux positifs.
Résultats positifs totaux :
585.
Parmi eux, seulement :
90 sont réellement malades.
La majorité des positifs du test initial sont donc faux positifs.
Ce résultat ne signifie pas que le test est « mauvais »
Le test possède pourtant :
- sensibilité 90 % ;
- spécificité 95 %.
Le problème vient surtout de la faible prévalence.
Il faut donc souvent utiliser un second test confirmatoire.
C’est un exemple fondamental du rôle de Bayes en médecine.
Comparaison avec une population symptomatique
Prenons le même test mais une population où 20 % sont malades.
Sur 10 000 personnes :
2 000 malades.
Avec 90 % de sensibilité :
1 800 vrais positifs.
Il reste 8 000 non-malades.
Avec 95 % de spécificité :
400 faux positifs.
Parmi les positifs :
1 800 sur 2 200 sont réellement malades, soit environ 82 %.
Le même test devient beaucoup plus convaincant lorsqu’il est positif.
La performance technique n’est donc qu’une partie de l’histoire
Pour interpréter un test, il faut distinguer :
propriétés du test
et
population dans laquelle il est utilisé.
Sensibilité et spécificité sont relativement liées au test et au contexte de mesure.
Les valeurs prédictives dépendent beaucoup plus de la prévalence.
Un dépistage doit cibler une population appropriée
Dépister une maladie extrêmement rare dans une population très large peut entraîner énormément de faux positifs.
Cibler une population présentant davantage de risque peut améliorer :
- rendement ;
- valeur prédictive ;
- balance bénéfice-risque.
C’est pourquoi beaucoup de programmes définissent :
- âge ;
- facteurs de risque ;
- fréquence.
Dépistage universel ou ciblé
Un dépistage universel s’adresse à presque toute une population définie.
Un dépistage ciblé se concentre sur les personnes présentant un risque plus élevé.
Le choix dépend notamment :
- fréquence de la maladie ;
- coût du test ;
- gravité ;
- efficacité du traitement précoce.
Détection précoce et efficacité thérapeutique
Pour qu’un dépistage améliore réellement le pronostic, il faut généralement que traiter la maladie pendant la phase précoce soit plus efficace que la traiter après apparition des symptômes.
Sinon, le diagnostic est simplement avancé dans le temps sans changer l’issue.
Le biais d’avance au diagnostic
Supposons que deux personnes meurent toutes deux à 70 ans.
Sans dépistage
Diagnostic à 68 ans.
Survie après diagnostic : 2 ans.
Avec dépistage
Diagnostic à 63 ans.
Survie après diagnostic : 7 ans.
On pourrait croire que le dépistage a augmenté la survie de cinq ans.
Mais les deux personnes sont mortes à 70 ans.
La survie « depuis le diagnostic » a augmenté uniquement parce que le diagnostic a été posé plus tôt.
C’est le biais d’avance au diagnostic.
Pourquoi la mortalité est souvent plus informative
Pour évaluer un dépistage, il est donc préférable de regarder selon la question :
- mortalité spécifique ;
- mortalité toutes causes ;
- formes avancées ;
- complications.
Une augmentation de la survie après diagnostic n’est pas suffisante.
Test diagnostique et bénéfice clinique
Même dans le diagnostic, un test peut être très précis sans améliorer la santé.
Supposons qu’une nouvelle imagerie détecte des anomalies minuscules mais que leur découverte n’aide pas à choisir un traitement utile.
L’amélioration diagnostique peut produire surtout :
- examens supplémentaires ;
- interventions inutiles.
Utilité analytique, diagnostique et clinique
On peut distinguer plusieurs niveaux.
Validité analytique
Le test mesure-t-il correctement ce qu’il prétend mesurer ?
Validité diagnostique
Distingue-t-il bien malades et non-malades ?
Utilité clinique
Son utilisation améliore-t-elle réellement la prise en charge ou la santé ?
Un test peut être excellent aux deux premiers niveaux et médiocre au troisième.
Exemple génétique
Un test génétique peut identifier très précisément un variant.
Mais si ce résultat :
- ne modifie aucune prévention ;
- ne change aucun traitement ;
- produit beaucoup d’anxiété,
son utilité clinique peut être limitée.
La précision technique ne suffit pas.
Coûts indirects du test
Il faut également considérer :
- temps médical ;
- examens complémentaires ;
- complications ;
- anxiété ;
- traitements consécutifs.
Le coût d’un test ne se réduit pas au prix de l’analyse initiale.
Cascade diagnostique
Un résultat légèrement anormal peut déclencher :
nouvel examen → autre anomalie → imagerie → biopsie → intervention.
On parle parfois de cascade diagnostique.
Chaque étape peut être raisonnable isolément, mais l’ensemble peut produire des dommages.
Incidentalomes
L’imagerie moderne découvre parfois par hasard des anomalies sans rapport avec la question initiale.
Ces incidentalomes peuvent déclencher de nouvelles investigations.
Certaines révèlent une maladie importante.
D’autres produisent surtout :
- inquiétude ;
- procédures ;
- surdiagnostic.
Plus on cherche, plus on trouve.
Le paradoxe de la technologie
Améliorer la sensibilité technique permet de détecter des anomalies toujours plus petites.
Mais la capacité à distinguer :
anomalie biologiquement présente
de
maladie cliniquement importante
ne progresse pas toujours au même rythme.
Un meilleur détecteur n’est donc pas automatiquement un meilleur programme de santé.
Tests et incertitude
Un test n’élimine généralement pas l’incertitude.
Il la déplace.
Avant :
« quelle est la probabilité de maladie ? »
Après :
« quelle est la probabilité de maladie compte tenu du résultat ? »
La médecine diagnostique est donc fondamentalement probabiliste.
Aucun résultat n’existe hors contexte
Un nombre comme :
PCR positive
PSA élevé
scanner anormal
ne constitue pas à lui seul un diagnostic complet.
Il faut connaître :
- population ;
- méthode ;
- seuil ;
- symptômes ;
- autres examens.
L’interprétation dépend du contexte.
Dépistage et consentement
Parce qu’il s’adresse à des personnes qui ne se considèrent généralement pas malades, un dépistage impose une responsabilité particulière.
La personne devrait idéalement comprendre :
- bénéfices possibles ;
- faux positifs ;
- faux négatifs ;
- surdiagnostic ;
- conséquences des examens supplémentaires.
Le dépistage n’est pas seulement une procédure technique.
Le paradoxe du dépistage
Une personne vient en bonne santé.
Le dépistage peut :
- prévenir une maladie grave ;
- mais aussi transformer une personne saine en patient à cause d’une anomalie qui n’aurait jamais eu de conséquence.
C’est pourquoi la balance bénéfice-risque est centrale.
Quand un dépistage est-il pertinent ?
Classiquement, plusieurs conditions sont recherchées :
- maladie suffisamment importante ;
- phase préclinique détectable ;
- test acceptable ;
- traitement précoce utile ;
- système capable d’assurer confirmation et suivi ;
- bénéfices supérieurs aux dommages.
Ces idées remontent notamment aux principes historiques de Wilson et Jungner pour l’OMS, même si les cadres modernes ont évolué.
Le dépistage ne vise pas nécessairement à éradiquer la maladie
Son objectif peut être :
- réduire mortalité ;
- réduire complications ;
- améliorer qualité de vie.
Le simple nombre de cas détectés est généralement un mauvais critère final.
Plus de diagnostics peut signifier succès… ou problème
Après introduction d’un dépistage, une hausse des diagnostics peut signifier :
détection plus précoce de maladies importantes.
Mais si l’incidence des formes avancées et la mortalité ne diminuent pas, il faut envisager :
surdiagnostic.
La structure des résultats compte plus que le volume de diagnostics.
Test et seuil décisionnel
Le test est donc un outil placé entre :
incertitude
et
décision.
Sa valeur vient de sa capacité à déplacer suffisamment la probabilité pour changer raisonnablement la conduite.
Un test inutilement réalisé peut ajouter de l’information sans améliorer la décision.
Une leçon d’esprit critique
Face à une affirmation :
« ce test est fiable à 99 % »,
il faut immédiatement demander :
99 % de quoi ?
- sensibilité ?
- spécificité ?
- valeur prédictive ?
- exactitude globale ?
Puis :
dans quelle population ?
Un pourcentage isolé sur la « fiabilité » d’un test est presque toujours insuffisant.
Face à un dépistage
Il faut aussi demander :
Quelle maladie cherche-t-on ?
Dans quelle population ?
Quelle est sa fréquence ?
Que se passe-t-il après un résultat positif ?
Le traitement précoce améliore-t-il réellement le pronostic ?
Combien de faux positifs et de surdiagnostics sont produits ?
La mortalité ou les complications diminuent-elles ?
Ce sont les questions réellement pertinentes.
À retenir
Un test diagnostique est généralement utilisé lorsqu’une maladie est déjà suspectée chez une personne présentant des symptômes ou des signes évocateurs.
Un test de dépistage recherche une maladie ou une anomalie chez des personnes apparemment asymptomatiques.
Le même test peut servir dans les deux contextes, mais son interprétation change fortement car la probabilité pré-test n’est pas la même.
Un test ne produit jamais simplement :
« malade » / « non-malade ».
Il produit :
- vrais positifs ;
- faux positifs ;
- faux négatifs ;
- vrais négatifs.
Et le dépistage pose une question supplémentaire :
détecter la maladie plus tôt améliore-t-il réellement la santé ?
Un bon programme ne doit donc pas seulement détecter davantage.
Il doit montrer que les bénéfices de la détection précoce dépassent :
- faux positifs ;
- examens inutiles ;
- surdiagnostic ;
- surtraitement.
Le principe fondamental est ainsi :
un test est utile non parce qu’il produit une information, mais parce qu’il modifie correctement une probabilité et permet une meilleure décision clinique ou de santé publique.
Pour aller plus loin
Wilson et Jungner — Principles and Practice of Screening for Disease. Un texte historique majeur sur les conditions nécessaires à la mise en place d’un programme de dépistage.
David Sackett et collaborateurs — travaux sur l’épidémiologie clinique et le diagnostic. Des références importantes pour comprendre l’utilisation probabiliste des tests et leur place dans la décision médicale.
David Spiegelhalter — The Art of Statistics. Une introduction accessible aux probabilités conditionnelles, aux tests et à l’interprétation des risques.
Cochrane — travaux méthodologiques sur le dépistage et l’évaluation des tests diagnostiques. Une source utile pour distinguer performance du test, biais diagnostiques et bénéfice clinique.