Tests successifs — comment une probabilité évolue au fil des examens
Un premier examen modifie la probabilité d’une maladie, mais il ne suffit pas toujours à conclure. Un second test est alors réalisé, parfois suivi d’un troisième. À chaque étape, de nouvelles informations s’ajoutent aux précédentes. Le raisonnement bayésien permet de décrire très simplement cette progression : la probabilité post-test obtenue après un examen devient la probabilité pré-test du suivant.
Cette idée paraît évidente, mais elle possède une conséquence importante. Nous ne devons jamais interpréter le deuxième test comme si le premier n’avait pas existé. Inversement, nous ne pouvons pas simplement multiplier mécaniquement les performances de plusieurs examens sans nous demander s’ils apportent réellement des informations indépendantes. Deux tests différents peuvent détecter le même phénomène biologique et partager les mêmes erreurs ; répéter exactement le même examen peut reproduire une anomalie plutôt que constituer une confirmation indépendante.
Les tests successifs constituent donc une excellente illustration de la mise à jour bayésienne séquentielle : apprendre consiste à partir de ce que l’on croyait, intégrer une information, puis recommencer à partir du nouvel état de connaissance.
Le posterior d’aujourd’hui devient le prior de l’étape suivante
Supposons qu’avant tout examen la probabilité d’une maladie soit estimée à 10 %. C’est notre probabilité pré-test.
Un premier test est réalisé. Son résultat augmente cette probabilité à 36 %. Ces 36 % constituent la probabilité post-test du premier examen.
Si un deuxième examen est ensuite effectué, nous ne repartons pas de 10 %. Nous partons désormais de 36 %.
La structure est donc :
10 % → test 1 → 36 % → test 2 → nouvelle probabilité → test 3 → etc.
Cette succession correspond directement à la logique bayésienne. Dans la présentation par rapports de vraisemblance, les odds post-test sont obtenues en multipliant les odds pré-test par le rapport de vraisemblance du résultat observé.
L’apprentissage bayésien n’est ainsi pas une opération réalisée une seule fois : chaque posterior peut servir de nouveau prior lorsque l’information suivante apparaît.
Un exemple avec deux tests positifs
Prenons une probabilité initiale de maladie de :
10 %.
Les odds correspondantes sont :
0,10 / 0,90 ≈ 0,111.
Un premier examen positif possède un rapport de vraisemblance :
LR₁+ = 5.
Les nouvelles odds sont :
0,111 × 5 ≈ 0,556.
Converties en probabilité :
0,556 / (1 + 0,556) ≈ 36 %.
Le premier résultat a donc fait passer notre estimation de :
10 % → 36 %.
Supposons maintenant qu’un deuxième examen apporte, dans ce contexte, un rapport de vraisemblance positif de 4. En prenant les 36 % comme nouveau point de départ :
odds ≈ 0,556 × 4 = 2,224.
Nous obtenons alors :
P ≈ 2,224 / 3,224 ≈ 69 %.
Les deux résultats positifs ont donc produit la progression :
10 % → 36 % → 69 %.
Aucun des deux tests n’a fourni à lui seul une certitude. Leur accumulation a progressivement augmenté le degré de confiance.
Un résultat négatif peut ensuite faire redescendre la probabilité
La mise à jour fonctionne évidemment dans les deux directions.
Reprenons notre probabilité de 69 % après les deux premiers examens. Les odds sont alors d’environ :
2,22 : 1.
Un troisième test revient négatif et possède un rapport de vraisemblance négatif :
LR− = 0,2.
Nous obtenons :
2,22 × 0,2 ≈ 0,444.
La probabilité correspondante est :
0,444 / 1,444 ≈ 31 %.
Le dossier évolue donc :
10 % → 36 % → 69 % → 31 %.
Cette séquence est importante parce qu’elle montre que l’accumulation des preuves n’est pas un escalier montant toujours vers la certitude. Une nouvelle observation peut renforcer ou affaiblir l’hypothèse selon ce qu’elle était susceptible de produire sous les différentes possibilités.
Une croyance rationnelle peut ainsi augmenter, diminuer puis augmenter à nouveau au fil des informations. Ce comportement n’est pas de l’indécision : c’est précisément ce que devrait produire une révision sensible aux preuves.
Deux tests positifs ne valent pas nécessairement deux preuves indépendantes
Le calcul précédent contenait cependant une condition cachée. Nous avons supposé que le rapport de vraisemblance attribué au deuxième examen représentait réellement l’information supplémentaire qu’il apporte après le premier.
Ce n’est pas toujours le cas.
Supposons que deux examens détectent exactement le même marqueur biologique avec des technologies très proches. Une particularité biologique produisant un faux positif au premier test peut également produire un faux positif au second. Les résultats sont alors corrélés même après avoir tenu compte de la présence ou de l’absence de la maladie.
On parle de dépendance conditionnelle entre les tests.
Dans ce cas, multiplier naïvement leurs rapports de vraisemblance comme s’ils étaient indépendants risque de surestimer la force du dossier. La dépendance conditionnelle entre tests diagnostiques est un problème méthodologique bien documenté ; elle peut modifier les estimations de leurs performances et celles d’une séquence diagnostique.
Ce que le deuxième test apporte sachant le premier
La formulation probabiliste correcte permet de voir le problème.
Si E1 représente le résultat du premier test et E2 celui du second, nous ne devons pas toujours utiliser simplement :
P(E2 | maladie)
et
P(E2 | absence de maladie).
Après avoir observé E1, la question devient plutôt :
P(E2 | maladie, E1)
comparé à
P(E2 | absence de maladie, E1).
Le rapport de vraisemblance pertinent du deuxième résultat est alors :
P(E2 | maladie, E1) / P(E2 | absence de maladie, E1).
Autrement dit : que m’apprend encore le deuxième test maintenant que je connais déjà le premier ?
Si E2 est presque entièrement prévisible à partir d’E1, son information supplémentaire sera faible. S’il repose sur une méthode suffisamment différente et apporte une nouvelle discrimination entre les hypothèses, son impact peut être beaucoup plus important.
Un document classique du National Research Council consacré aux tests diagnostiques souligne précisément que, dans une séquence, l’indépendance conditionnelle entre les résultats constitue une hypothèse importante et qu’elle est souvent insuffisamment vérifiée en pratique.
Répéter exactement le même test
Cette distinction permet de comprendre pourquoi répéter un examen n’est pas toujours équivalent à obtenir une seconde preuve indépendante.
Si un premier résultat positif provient d’une erreur purement aléatoire et que la seconde mesure est indépendante, la répétition peut être très informative. Mais si le résultat provient d’un facteur persistant — même interférence biologique, même contamination, même défaut de calibration ou même erreur systématique — le deuxième test peut reproduire le premier sans que l’hypothèse médicale recherchée soit davantage probable.
La question devient donc : quelle erreur pourrait produire les deux résultats simultanément ?
Lorsque le même mécanisme d’erreur explique facilement les deux, leur concordance est moins probante qu’elle n’en a l’air.
C’est pourquoi les stratégies confirmatoires peuvent rechercher non seulement une répétition, mais parfois une méthode différente, visant une autre cible ou reposant sur un autre principe de mesure. Le deuxième test est alors utile précisément parce qu’il ne partage pas toutes les vulnérabilités du premier.
Test de dépistage puis test confirmatoire
La logique est particulièrement claire lorsqu’un premier examen sert au dépistage.
Imaginons une maladie rare. Le premier test est conçu pour détecter une grande proportion des personnes susceptibles d’être malades. Dans une population où le taux de base est faible, beaucoup de résultats positifs peuvent encore être faux.
Mais le groupe des personnes positives n’a plus la même prévalence que la population initiale.
Supposons que la maladie touche initialement 0,1 % de la population et que le premier test fasse passer la probabilité à 9 %. Le deuxième test ne travaille donc plus dans une population à 0,1 % de risque, mais dans un groupe déjà fortement enrichi en cas plausibles.
Un résultat confirmatoire suffisamment discriminant peut alors produire une nouvelle mise à jour beaucoup plus élevée.
Cette structure explique pourquoi il faut distinguer :
dépistage positif
et
diagnostic confirmé.
Le premier résultat modifie le prior ; le second intervient à partir de cette nouvelle situation.
Le deuxième test n’a pas toujours les mêmes performances après le premier
Une autre subtilité apparaît lorsqu’on utilise des valeurs de sensibilité et de spécificité provenant d’une population générale pour interpréter le deuxième examen.
Les personnes envoyées vers ce second test constituent souvent une population sélectionnée par le premier résultat. Leur profil peut être différent de celui de la population dans laquelle les performances du test avaient été initialement estimées.
La sévérité de la maladie, les diagnostics concurrents ou certaines caractéristiques biologiques peuvent alors varier. Sensibilité, spécificité et rapports de vraisemblance ne sont donc pas nécessairement parfaitement constants d’un contexte à l’autre : c’est l’un des aspects de ce que l’on appelle l’effet de spectre.
Cette nuance rappelle une règle générale : Bayes peut combiner les probabilités que nous lui donnons, mais la pertinence de ces probabilités dans la nouvelle population doit elle-même être vérifiée.
Tester jusqu’à obtenir le résultat souhaité serait une erreur
La possibilité de répéter les examens introduit également un risque plus général.
Supposons qu’un test imparfait soit effectué encore et encore jusqu’à obtenir un résultat positif. Même chez une personne non malade, la probabilité de rencontrer au moins une fois un faux positif augmente avec le nombre de tentatives.
Une stratégie consistant à dire :
« nous continuerons à tester jusqu’à ce que quelque chose apparaisse »
change donc profondément la signification du résultat finalement obtenu.
Ce problème ressemble à celui des analyses multiples en statistique : lorsqu’on multiplie les occasions d’obtenir par hasard un résultat remarquable, on ne peut pas interpréter celui qui finit par apparaître comme s’il s’agissait de l’unique test prévu dès le départ.
Dans une analyse réelle, la stratégie de test fait donc partie du contexte permettant d’interpréter la preuve.
L’ordre des examens peut avoir une importance pratique
Dans une pure mise à jour bayésienne correctement spécifiée à partir du même ensemble d’informations, changer l’ordre dans lequel des données sont intégrées ne devrait pas modifier le posterior final. Mais, dans la pratique, l’ordre des examens peut avoir une grande importance pour d’autres raisons.
Un test peut être coûteux, invasif ou long. Un autre peut être rapide mais moins spécifique. Les stratégies diagnostiques peuvent donc utiliser un premier examen pour sélectionner les personnes chez lesquelles un second devient pertinent.
L’objectif n’est plus seulement d’obtenir la meilleure inférence probabiliste possible, mais d’équilibrer information, coût, risques, délais et conséquences des erreurs.
C’est ici que l’inférence rencontre la théorie de la décision : savoir quelle est la probabilité d’une maladie n’indique pas automatiquement quel examen doit être effectué ensuite.
Quand faut-il arrêter de tester ?
La logique bayésienne permet également de comprendre pourquoi davantage d’information n’est pas toujours nécessaire.
Supposons qu’après plusieurs examens, la probabilité d’une hypothèse soit devenue suffisamment faible pour qu’aucune action supplémentaire ne soit justifiée, ou suffisamment élevée pour que la décision pertinente soit déjà claire. Un nouveau test ne vaut alors la peine que s’il possède une chance réaliste de modifier la décision.
Cette idée dépend naturellement du contexte clinique et ne peut pas être réduite à un seuil universel.
Conceptuellement, cependant, elle est importante : le but d’une séquence de tests n’est pas d’atteindre une certitude absolue. Celle-ci est souvent impossible. Il s’agit d’obtenir suffisamment d’information pour prendre une décision proportionnée à l’enjeu.
Le passage de l’inférence à la décision fera intervenir non seulement les probabilités, mais aussi les bénéfices, les risques et les coûts associés aux différentes actions.
Une succession de tests peut produire une illusion de précision
Imaginons enfin trois examens tous positifs. Un calcul naïf conduit à 99,9 % de probabilité de maladie. Le nombre paraît extrêmement convaincant.
Mais cette précision peut être illusoire si :
- les tests partagent le même mécanisme de faux positif ;
- leurs sensibilités et spécificités ont été estimées dans une population différente ;
- la probabilité pré-test était mal choisie ;
- le deuxième examen a été décidé uniquement après avoir vu une anomalie du premier ;
- les modèles utilisés ignorent une explication commune aux trois résultats.
Une analyse de séquences diagnostiques publiée en 2024 souligne justement que la performance d’une chaîne de tests dépend à la fois des propriétés de chaque examen et des dépendances conditionnelles entre eux.
Trois nombres précis ne garantissent donc pas trois preuves indépendantes.
La mise à jour séquentielle comme modèle général de l’apprentissage
Les tests médicaux rendent particulièrement visible une structure qui dépasse largement la médecine.
Nous disposons d’une croyance initiale. Une première information arrive et produit un posterior. Ce posterior devient le prior de l’étape suivante. Une nouvelle information le modifie encore.
C’est ainsi que peut évoluer une enquête, une théorie scientifique ou une croyance quotidienne :
état initial → donnée 1 → croyance révisée → donnée 2 → nouvelle révision → donnée 3...
Mais chaque étape doit répondre à une question supplémentaire : qu’est-ce que cette nouvelle information ajoute réellement à ce que je savais déjà ?
Si elle est indépendante des précédentes relativement aux erreurs pertinentes, elle peut apporter beaucoup. Si elle n’en est qu’une conséquence ou une répétition, son poids supplémentaire est moindre.
Les tests successifs résument donc presque toute la logique bayésienne étudiée jusqu’ici : un prior, une preuve, un posterior, puis recommencer — sans jamais compter deux fois la même information.
La prochaine application quitte les instruments pour revenir aux êtres humains. Une information peut aussi nous parvenir par la parole d’une personne. Il faut alors intégrer fiabilité, perception, mémoire, mensonge possible, plausibilité préalable et dépendance entre témoignages.
Autrement dit : comment raisonner bayésiennement sur un témoignage ?
Pour aller plus loin
- Deeks, J. J., & Altman, D. G. (2004). « Diagnostic tests 4: likelihood ratios ». *BMJ*, 329, 168–169. DOI : 10.1136/bmj.329.7458.168. Présentation de la relation entre probabilité pré-test, rapport de vraisemblance et probabilité post-test.
- Usher-Smith, J. A., Sharp, S. J., & Griffin, S. J. (2016). « The spectrum effect in tests for risk prediction, screening, and diagnosis ». *BMJ*, 353, i3139. Analyse des variations de performances diagnostiques selon les populations dans lesquelles les tests sont appliqués.
- Dendukuri, N., & Joseph, L. (2001). « Bayesian approaches to modeling the conditional dependence between multiple diagnostic tests ». *Biometrics*, 57(1), 158–167. DOI : 10.1111/j.0006-341X.2001.00158.x. Présentation de modèles bayésiens permettant de tenir compte de la dépendance entre plusieurs tests.
- Baugh, C. W. et al. (2024). « A review of methods for the analysis of diagnostic tests performed in sequence ». Revue méthodologique consacrée aux séquences diagnostiques et à l’importance de la dépendance conditionnelle entre les examens.