Valeur prédictive positive et négative
La valeur prédictive positive et la valeur prédictive négative répondent aux questions les plus naturelles après un test médical.
Après un résultat positif :
« Quelle est la probabilité que je sois réellement malade ? »
Après un résultat négatif :
« Quelle est la probabilité que je sois réellement non malade ? »
Ces deux indicateurs sont différents de la sensibilité et de la spécificité.
Valeur prédictive positive
La valeur prédictive positive, ou VPP, est la proportion de personnes réellement malades parmi toutes celles dont le test est positif.
Formule :
VPP = VP / (VP + FP)
Autrement dit :
P(maladie | test positif).
Exemple
Supposons :
- 100 vrais positifs ;
- 50 faux positifs.
Il y a donc :
150 tests positifs.
La VPP est :
100 / 150 = 66,7 %.
Une personne ayant un résultat positif a alors environ 67 % de probabilité d’être réellement malade, dans cette population et dans ces conditions.
Valeur prédictive négative
La valeur prédictive négative, ou VPN, est la proportion de personnes réellement non malades parmi toutes celles dont le test est négatif.
Formule :
VPN = VN / (VN + FN)
Autrement dit :
P(absence de maladie | test négatif).
Exemple
Supposons :
- 900 vrais négatifs ;
- 20 faux négatifs.
Il y a :
920 tests négatifs.
La VPN est :
900 / 920 ≈ 97,8 %.
Une personne ayant un test négatif a donc environ 98 % de probabilité de ne pas être malade.
La différence avec sensibilité et spécificité
La distinction est fondamentale.
Sensibilité
Parmi les malades, combien sont positifs ?
Spécificité
Parmi les non-malades, combien sont négatifs ?
VPP
Parmi les positifs, combien sont malades ?
VPN
Parmi les négatifs, combien ne sont pas malades ?
Les directions de conditionnement ne sont pas les mêmes.
Tableau récapitulatif
| Question | Indicateur |
|---|---|
| Parmi les malades, combien sont positifs ? | Sensibilité |
| Parmi les non-malades, combien sont négatifs ? | Spécificité |
| Parmi les positifs, combien sont réellement malades ? | VPP |
| Parmi les négatifs, combien sont réellement non malades ? | VPN |
C’est l’un des tableaux les plus importants du raisonnement diagnostique.
Pourquoi les valeurs prédictives changent avec la prévalence
La VPP et la VPN dépendent fortement de la proportion de personnes malades dans la population testée.
C’est la conséquence directe du raisonnement bayésien.
Si la maladie est rare, la majorité des personnes testées sont non malades.
Même un petit taux de faux positifs peut alors représenter beaucoup de personnes.
Exemple avec maladie rare
Population :
10 000 personnes.
Prévalence :
1 %.
Il y a donc :
- 100 malades ;
- 9 900 non-malades.
Test :
- sensibilité 90 % ;
- spécificité 95 %.
Résultats chez les malades
Parmi 100 malades :
- 90 vrais positifs ;
- 10 faux négatifs.
Résultats chez les non-malades
Parmi 9 900 non-malades :
- 9 405 vrais négatifs ;
- 495 faux positifs.
Tableau :
| Maladie | Pas de maladie | |
|---|---|---|
| Test + | 90 | 495 |
| Test − | 10 | 9 405 |
Calcul de la VPP
Tests positifs :
90 + 495 = 585.
VPP :
90 / 585 ≈ 15,4 %.
Autrement dit, parmi les personnes positives :
environ 15 % seulement sont réellement malades.
Pourtant le test est correct
Il possède :
- sensibilité 90 % ;
- spécificité 95 %.
Ce n’est pas un mauvais test.
La faible VPP vient surtout du fait que la maladie est rare.
Calcul de la VPN
Tests négatifs :
9 405 + 10 = 9 415.
VPN :
9 405 / 9 415 ≈ 99,9 %.
Un test négatif est donc extrêmement rassurant dans cette population.
Le même test dans une population à haut risque
Prenons maintenant exactement le même test :
- sensibilité 90 % ;
- spécificité 95 %.
Mais dans une population où la prévalence est :
20 %.
Sur 10 000 personnes :
- 2 000 malades ;
- 8 000 non-malades.
Résultats
Parmi les malades :
- 1 800 vrais positifs ;
- 200 faux négatifs.
Parmi les non-malades :
- 7 600 vrais négatifs ;
- 400 faux positifs.
Tableau :
| Maladie | Pas de maladie | |
|---|---|---|
| Test + | 1 800 | 400 |
| Test − | 200 | 7 600 |
Nouvelle VPP
Tests positifs :
2 200.
VPP :
1 800 / 2 200 ≈ 81,8 %.
Le même résultat positif signifie maintenant une probabilité de maladie d’environ :
82 %.
Nouvelle VPN
Tests négatifs :
7 800.
VPN :
7 600 / 7 800 ≈ 97,4 %.
Le résultat négatif reste rassurant, mais légèrement moins qu’avant.
Règle générale
Lorsque la prévalence augmente :
VPP augmente
et
VPN diminue.
Lorsque la prévalence diminue :
VPP diminue
et
VPN augmente.
C’est une règle fondamentale.
Pourquoi ?
Si presque personne n’a la maladie, un test positif a beaucoup de possibilités d’être un faux positif.
Si presque tout le monde a la maladie, un test négatif a davantage de possibilités d’être un faux négatif.
Les probabilités de base changent l’interprétation du test.
Prévalence ou probabilité pré-test ?
En pratique clinique, il est souvent plus précis de parler de probabilité pré-test que de prévalence brute.
Deux personnes appartenant à la même population peuvent avoir des risques très différents.
Par exemple :
- symptômes typiques ;
- exposition connue ;
- âge ;
- antécédents.
La probabilité pertinente est celle de la personne avant le test.
Exemple
Population générale :
prévalence d’une maladie = 1 %.
Mais chez une personne avec :
- symptômes très caractéristiques ;
- exposition majeure,
le clinicien estime une probabilité pré-test de :
40 %.
Le résultat du test doit être interprété à partir de ces 40 %, pas des 1 % de la population générale.
Valeurs prédictives et dépistage
En dépistage, les populations sont souvent asymptomatiques.
La probabilité de maladie est donc relativement faible.
La VPP peut alors être modeste même pour un bon test.
C’est une des raisons pour lesquelles un test de dépistage positif est souvent suivi d’un test confirmatoire.
Exemple de dépistage
Supposons que 1 000 personnes reçoivent un test de dépistage positif.
Si la VPP est de 20 %, cela signifie qu’environ :
- 200 sont réellement malades ;
- 800 ne le sont pas.
Un test confirmatoire devient essentiel avant toute intervention lourde.
Valeur prédictive et diagnostic
Dans une population très symptomatique, la probabilité pré-test est plus élevée.
La VPP d’un test positif augmente souvent.
C’est pourquoi la même analyse biologique peut être beaucoup plus informative en consultation diagnostique qu’en dépistage de masse.
Erreur fréquente : confondre VPP et sensibilité
Supposons :
sensibilité = 95 %.
Cela ne signifie pas :
« si mon test est positif, j’ai 95 % de probabilité d’être malade ».
La VPP peut être :
- 10 % ;
- 50 % ;
- 95 %,
selon la prévalence et la spécificité.
Exemple spectaculaire
Maladie très rare :
1 personne sur 10 000.
Test :
- sensibilité 100 % ;
- spécificité 99 %.
Sur 10 000 personnes :
- 1 vrai malade → 1 vrai positif ;
- 9 999 non-malades → environ 100 faux positifs.
Il y a donc environ :
101 tests positifs.
Un seul correspond à la maladie.
VPP :
environ 1 %.
Un test « 99 % spécifique » peut donc avoir une VPP de 1 %
Ce résultat semble paradoxal uniquement si l’on oublie les probabilités de base.
C’est une illustration classique du base rate fallacy, ou oubli du taux de base.
Négligence du taux de base
L’erreur consiste à focaliser sur :
« le test est très performant »
tout en ignorant :
« la maladie est extrêmement rare ».
En médecine comme dans de nombreux domaines, les taux de base sont essentiels pour interpréter une preuve.
Une intuition utile
Supposons que vous cherchiez une aiguille dans une immense botte de foin.
Même un détecteur qui se trompe très rarement sur chaque brin de paille peut produire beaucoup de fausses alertes simplement parce qu’il existe énormément de paille.
C’est exactement ce qui se passe avec le dépistage d’une maladie rare.
Valeur prédictive positive et faux positifs
La proportion de faux positifs parmi les tests positifs est :
1 − VPP.
Si :
VPP = 20 %,
alors :
80 % des tests positifs sont des faux positifs.
Attention cependant : cela ne correspond pas au taux de faux positifs parmi les non-malades, qui est :
1 − spécificité.
Ce sont deux dénominateurs différents.
Deux « taux de faux positifs » souvent confondus
On peut parler de :
FP / tous les non-malades
ou
FP / tous les positifs.
Le premier correspond à :
1 − spécificité.
Le second correspond à :
1 − VPP.
Ils peuvent être très différents.
Exemple
Spécificité :
99 %.
Donc seulement 1 % des non-malades sont positifs à tort.
Mais si la maladie est très rare, ces faux positifs peuvent représenter :
90 % ou 99 % de tous les tests positifs.
Il n’y a aucune contradiction.
Valeur prédictive négative et faux négatifs
De la même manière :
1 − VPN
représente la proportion de personnes réellement malades parmi tous les tests négatifs.
Ce n’est pas la même chose que :
1 − sensibilité,
qui représente la proportion de malades ayant un test négatif.
Encore une fois, le dénominateur change.
Les dénominateurs sont la clé
La plupart des confusions disparaissent lorsque l’on demande :
« parmi qui calcule-t-on ce pourcentage ? »
Cette règle générale de l’épidémiologie est particulièrement importante pour les tests diagnostiques.
Fréquences naturelles
Pour comprendre la VPP et la VPN, il est souvent beaucoup plus facile d’utiliser des fréquences naturelles que des formules.
Au lieu de dire :
prévalence 1 %, sensibilité 90 %, spécificité 95 %,
on part d’une population de :
10 000 personnes.
Puis on compte concrètement :
- malades ;
- non-malades ;
- vrais positifs ;
- faux positifs.
Cette méthode réduit fortement les erreurs de raisonnement.
Pourquoi les fréquences naturelles fonctionnent bien
Le cerveau humain semble souvent mieux comprendre :
90 personnes sur 585
que :
P(M | T+) = [P(T+ | M)P(M)] / P(T+).
Les deux expriment la même logique.
Mais la première est généralement plus intuitive.
VPP et théorème de Bayes
La VPP peut être exprimée avec le théorème de Bayes :
P(M | T+) = P(T+ | M) × P(M) / P(T+).
Sous une forme utilisant sensibilité, spécificité et prévalence :
VPP = [Sensibilité × Prévalence] / [(Sensibilité × Prévalence) + ((1 − Spécificité) × (1 − Prévalence))].
Cette formule montre explicitement le rôle de la prévalence.
Formule de la VPN
On peut également écrire :
VPN = [Spécificité × (1 − Prévalence)] / [((1 − Sensibilité) × Prévalence) + (Spécificité × (1 − Prévalence))].
Mais il est souvent préférable de comprendre d’abord le tableau 2 × 2.
Probabilité pré-test et post-test
Le raisonnement diagnostique peut être résumé :
probabilité pré-test
information apportée par le test
=
probabilité post-test.
La VPP est une forme particulière de probabilité post-test après un résultat positif.
La VPN décrit la probabilité d’absence de maladie après un résultat négatif.
La valeur prédictive dépend du contexte épidémiologique
Supposons un test pour une infection.
En période de forte circulation :
la probabilité pré-test augmente.
La VPP des résultats positifs augmente généralement.
En période de circulation très faible :
les faux positifs représentent proportionnellement une plus grande part des résultats positifs.
Exemple saisonnier
Même test utilisé :
Hiver
Prévalence chez les patients symptomatiques : 30 %.
Été
Prévalence : 2 %.
Un résultat positif n’a pas nécessairement la même valeur prédictive pendant les deux périodes.
Le test technique n’a pas changé.
Le contexte, oui.
Valeur prédictive dans les sous-populations
La VPP peut également varier fortement selon :
- âge ;
- facteurs de risque ;
- symptômes ;
- contexte hospitalier ou ambulatoire.
Une VPP publiée pour une population ne doit pas être automatiquement appliquée à toutes les autres.
Validation externe
Un test devrait idéalement être évalué dans une population proche de celle où il sera utilisé.
Un test développé dans un centre spécialisé recevant des cas très sévères peut avoir une VPP très différente en médecine générale.
La prévalence et le spectre de maladie changent.
Enrichissement artificiel des études diagnostiques
Certaines études sélectionnent volontairement :
- beaucoup de malades ;
- beaucoup de témoins.
Par exemple :
50 % malades, 50 % non-malades.
Cela permet d’estimer sensibilité et spécificité.
Mais la VPP calculée directement dans cet échantillon ne correspond pas forcément à celle de la population réelle.
Pourquoi ?
La proportion artificielle de malades ne correspond pas à la prévalence clinique.
La VPP doit donc être recalculée à partir d’une probabilité pré-test réaliste.
C’est une distinction méthodologique importante.
Études cas-témoins et valeurs prédictives
Dans une étude cas-témoins diagnostique où le nombre de cas et de témoins est fixé par le chercheur, on ne peut généralement pas interpréter directement la proportion de malades parmi les tests positifs comme une VPP populationnelle.
Le taux de base a été artificiellement modifié.
Même test, plusieurs VPP
Il serait donc parfaitement possible d’avoir :
- VPP = 10 % en population générale ;
- VPP = 60 % en médecine spécialisée ;
- VPP = 90 % chez des patients à très forte suspicion clinique.
Ce ne sont pas trois performances contradictoires.
Ce sont trois contextes différents.
VPN dans les populations à faible risque
Lorsqu’une maladie est rare, la VPN est souvent très élevée.
Mais cela peut être trompeur sur l’utilité du test.
Supposons une maladie à 0,1 %.
Même sans aucun test, une personne prise au hasard a déjà :
99,9 % de probabilité de ne pas être malade.
Une VPN de 99,95 % représente donc parfois seulement une faible amélioration de l’information.
Comparer à la probabilité pré-test
Il faut donc demander :
« de combien le test a-t-il réellement changé ma probabilité ? »
Un résultat négatif peut sembler impressionnant simplement parce que la maladie était déjà très improbable.
Exemple
Probabilité pré-test :
0,1 %.
Après test négatif :
0,02 %.
Le test a divisé le risque par cinq, ce qui est informatif.
Mais en termes absolus, la probabilité était déjà très faible.
L’importance clinique dépend du contexte.
Même logique pour un positif
Supposons :
probabilité pré-test = 0,01 %.
Après test positif :
1 %.
Le test a multiplié la probabilité par 100.
C’est un signal statistiquement très important.
Pourtant, il reste :
99 % de chances que la personne ne soit pas malade.
Les effets relatifs et absolus racontent des choses différentes.
Valeur prédictive et tests répétés
Un second test peut modifier fortement la probabilité après un premier résultat positif.
Supposons :
probabilité initiale faible.
Premier test positif :
probabilité passe à 15 %.
Second test indépendant et très spécifique positif :
probabilité peut devenir beaucoup plus élevée.
C’est une mise à jour bayésienne successive.
Tests séquentiels
Le raisonnement est :
prior initial
↓
test 1
↓
posterior 1
qui devient :
prior du test 2
↓
test 2
↓
posterior 2.
Chaque nouvelle information modifie la probabilité.
Mais l’indépendance compte
Si deux tests reposent sur exactement le même mécanisme, leurs erreurs peuvent être corrélées.
Le second résultat apporte alors moins d’information qu’un test véritablement indépendant.
On ne peut pas toujours multiplier naïvement les preuves.
VPP et dépistage ciblé
L’une des manières d’augmenter la VPP est de tester une population à risque plus élevé.
Par exemple, au lieu de dépister absolument tout le monde, on peut sélectionner selon :
- âge ;
- exposition ;
- symptômes discrets ;
- antécédents.
La probabilité pré-test augmente.
Mais cibler a un coût
Un dépistage ciblé peut manquer des cas chez des personnes considérées à faible risque.
Il faut donc équilibrer :
- nombre de cas détectés ;
- faux positifs ;
- coût ;
- équité.
La meilleure stratégie n’est pas uniquement une question de VPP.
Utilisation en médecine personnalisée
Les modèles de risque peuvent servir à estimer une probabilité pré-test individuelle.
Le test est ensuite utilisé uniquement lorsque cette probabilité se situe dans une zone où son résultat peut modifier la décision.
Cela évite parfois :
- tests inutiles chez les très faibles risques ;
- tests inutiles chez les risques déjà très élevés.
Trois zones décisionnelles
Conceptuellement :
Risque très faible
Pas de test.
Risque intermédiaire
Le test peut changer la décision.
Risque très élevé
Traiter ou confirmer directement selon les risques.
Le test est particulièrement utile dans la zone d’incertitude.
Valeurs prédictives et seuils
Changer le seuil du test modifie :
- sensibilité ;
- spécificité ;
donc également :
- VPP ;
- VPN.
Un seuil plus strict diminue généralement les faux positifs et augmente la VPP, au prix de davantage de faux négatifs.
Exemple
Seuil bas :
- sensibilité 98 % ;
- spécificité 80 %.
Seuil élevé :
- sensibilité 75 % ;
- spécificité 99 %.
Dans une population à faible prévalence, le second seuil peut produire une VPP beaucoup plus élevée.
Mais il manquera davantage de cas.
Aucun indicateur unique ne définit le meilleur test
Une forte VPP peut être obtenue en utilisant un seuil extrêmement strict.
Mais si le test manque la moitié des malades, ce choix peut être cliniquement mauvais.
Il faut examiner ensemble :
- sensibilité ;
- spécificité ;
- VPP ;
- VPN ;
- conséquences des erreurs.
Exemple trompeur
Une entreprise affirme :
« Notre test a une valeur prédictive négative de 99,9 %. »
Cela semble exceptionnel.
Mais si la maladie est présente chez seulement :
0,1 % de la population,
un système répondant toujours « négatif » aurait déjà une exactitude presque équivalente.
Il faut demander ce que le test ajoute réellement.
Calibration
Pour les modèles donnant directement une probabilité, une propriété importante est la calibration.
Si un modèle annonce :
risque 20 %
pour 1 000 personnes, environ 200 devraient réellement développer l’événement.
Un modèle peut bien classer les individus tout en donnant des probabilités mal calibrées.
Discrimination versus calibration
Discrimination
Le modèle distingue-t-il les personnes à haut et faible risque ?
Calibration
Les probabilités annoncées correspondent-elles aux fréquences observées ?
Les deux sont importantes pour la décision.
Valeurs prédictives et épidémies
Lors d’une épidémie, la prévalence peut changer très rapidement.
Une VPP calculée en mars peut ne plus être valable en juin.
Les performances prédictives doivent donc être réévaluées lorsque le contexte épidémiologique change fortement.
Valeur prédictive locale
Dans certaines situations, la probabilité pertinente peut même dépendre :
- de la région ;
- de l’établissement ;
- du service hospitalier.
Un test positif dans un service spécialisé ne signifie pas la même chose que dans une population de dépistage communautaire.
Communication au patient
Dire :
« votre test est positif »
sans donner de contexte peut provoquer une interprétation binaire.
Une meilleure information pourrait être :
« compte tenu de votre situation et de la performance du test, ce résultat porte la probabilité de maladie à environ X %. Nous allons faire un examen confirmatoire. »
Cela reflète mieux la réalité probabiliste.
Incertitude autour de la VPP
La VPP elle-même est une estimation.
Elle dépend d’incertitudes sur :
- sensibilité ;
- spécificité ;
- prévalence.
Il est donc possible de calculer des intervalles de confiance ou des scénarios.
Un chiffre comme :
VPP = 73 %
ne doit pas donner une illusion de certitude absolue.
Prévalence mal estimée
Si la probabilité pré-test utilisée est incorrecte, la probabilité post-test le sera également.
Cela peut arriver lorsque :
- données épidémiologiques anciennes ;
- population très différente ;
- symptômes mal évalués.
Le raisonnement bayésien dépend de la qualité du prior.
Mais une estimation imparfaite vaut souvent mieux que l’oubli du taux de base
Il n’est pas nécessaire de connaître exactement :
17,3 %.
Savoir que la probabilité est plutôt :
- 1 % ;
- 20 % ;
- 80 %
change déjà énormément l’interprétation.
L’objectif est de raisonner avec des ordres de grandeur réalistes.
Valeurs prédictives et base rate fallacy hors médecine
La même logique s’applique à :
- détection de fraude ;
- contrôles de sécurité ;
- algorithmes de modération ;
- reconnaissance d’événements rares.
Un détecteur très performant peut produire beaucoup de fausses alertes lorsque l’événement recherché est rare.
La médecine fournit simplement un exemple particulièrement important.
Exemple : test antidopage
Supposons :
- dopage très rare ;
- test très spécifique.
Parmi des millions de sportifs testés, les faux positifs peuvent néanmoins devenir importants.
Avant une sanction grave, une confirmation est indispensable.
La logique est identique.
Exemple : dépistage algorithmique
Une IA détecte une maladie rare sur des radiographies.
Sensibilité :
95 %.
Spécificité :
95 %.
Si la maladie concerne :
0,1 % des examens,
la grande majorité des alertes peut être fausse.
Présenter uniquement les 95 % serait trompeur.
Une leçon d’esprit critique
Face à un test positif, ne demandez pas seulement :
« Quelle est la sensibilité du test ? »
Demandez :
« Quelle était la probabilité avant le test ? »
« Quelle est la spécificité ? »
« Combien de faux positifs apparaissent dans une population comme la mienne ? »
Puis seulement :
« Quelle est ma probabilité après ce résultat ? »
Face à un test négatif
Même logique :
« Quelle était la probabilité avant ? »
« Quelle est la sensibilité ? »
« Un résultat négatif la réduit-il suffisamment pour modifier la décision ? »
Un test n’a de sens qu’en relation avec la probabilité préalable.
Tableau final
| Indicateur | Formule | Question |
|---|---|---|
| Sensibilité | VP / (VP + FN) | Si malade, probabilité d’être positif ? |
| Spécificité | VN / (VN + FP) | Si non-malade, probabilité d’être négatif ? |
| VPP | VP / (VP + FP) | Si positif, probabilité d’être malade ? |
| VPN | VN / (VN + FN) | Si négatif, probabilité d’être non-malade ? |
Ce tableau résume les quatre indicateurs fondamentaux.
À retenir
La valeur prédictive positive mesure :
la probabilité d’être réellement malade lorsqu’un test est positif.
La valeur prédictive négative mesure :
la probabilité d’être réellement non malade lorsqu’un test est négatif.
Contrairement à la sensibilité et à la spécificité, elles dépendent fortement de la probabilité pré-test, donc notamment de la prévalence dans la population concernée.
Lorsque la maladie est rare :
la VPP tend à diminuer et la VPN à augmenter.
Lorsque la maladie est fréquente :
la VPP augmente et la VPN diminue.
C’est pourquoi un résultat de test ne doit jamais être interprété indépendamment du contexte.
Le principe essentiel est :
un test n’apporte pas une certitude indépendante du monde dans lequel il est utilisé ; il transforme une probabilité préalable en une nouvelle probabilité.
Autrement dit :
le test ne remplace pas le taux de base — il le met à jour.
C’est exactement le raisonnement que formalise le théorème de Bayes.
Pour aller plus loin
Gerd Gigerenzer — travaux sur les fréquences naturelles et le risque diagnostique. Une référence majeure pour comprendre pourquoi les médecins comme les patients peuvent mal interpréter les valeurs prédictives et comment présenter les données plus clairement.
David Sackett et collaborateurs — Clinical Epidemiology. Une référence classique sur la probabilité pré-test, les performances diagnostiques et la décision clinique.
David Spiegelhalter — The Art of Statistics. Une présentation accessible des probabilités conditionnelles et des taux de base.
Thomas Bayes — théorème de Bayes. Le cadre mathématique qui formalise le passage d’une probabilité pré-test à une probabilité post-test.