Aller au contenu

Accueil › 1re année santé › Biostatistiques › Chapitre 9

1re année santé · Biostatistiques · chapitre 9

Tests diagnostiques : Se, Sp, VPP, VPN

Ce que vaut un test : sensibilité, spécificité, valeurs prédictives, et pourquoi le résultat dépend de la fréquence de la maladie.

La fiche

Le problème : un résultat positif

Un test diagnostique est un examen qui aide à dire si une personne a une maladie donnée, c'est-à-dire à poser un diagnostic.

Un test de dépistage est un test appliqué à beaucoup de personnes sans symptôme, chez qui la maladie est rare.

Une personne sans symptôme passe un test de dépistage. Voici ce que l'on sait de ce test.

  • Il repère 90 % des malades.
  • Chez les personnes qui n'ont pas la maladie, il est négatif dans 95 % des cas.
  • Dans la population où on l'utilise, une personne sur 100 est malade.

Le résultat de cette personne est positif. Quelle est la probabilité qu'elle soit vraiment malade ?

Beaucoup de gens répondent 90 ou 95 %. La bonne réponse est bien plus basse.

Le test est fictif (chiffres ronds), mais le piège est réel, et il trompe aussi des médecins. La fiche y répond plus bas.

Prérequis

  • Une probabilité est un nombre entre 0 et 1, qu'on estime souvent par une proportion : 1 sur 100 = 0,01 (vu au lycée).
  • Une probabilité conditionnelle est la probabilité d'un événement quand on sait qu'un autre s'est produit : P(A | B) est celle de A quand B s'est produit (vu au lycée).
  • Notre question en est une : P(malade | test positif), la probabilité d'être malade quand le test est positif.

L'idée en une phrase

À retenir

Un test se juge sur deux groupes pris séparément : les malades, puis les non-malades.

Mais ce que vaut un résultat pour un patient dépend en plus de la proportion de malades parmi les personnes testées.

Au programme : un tableau croisant l'état réel et le résultat du test, sa lecture en colonnes puis en lignes, la proportion de malades, la valeur qui rend un test positif, puis dépister ou confirmer.

Le tableau à quatre cases

Pour juger un test, il faut connaître l'état réel de chaque personne : est-elle malade ou non ?

On le connaît grâce à un examen de référence, l'examen le plus fiable dont on dispose, qui donne l'état réel de chaque personne.

On croise alors deux informations : la personne est-elle malade ou non ? Le test est-il positif ou négatif ?

Cela donne le tableau à quatre cases, qui croise l'état réel (malades et non-malades, en colonnes) et le résultat du test (positif ou négatif, en lignes).

Chaque case a un nom.

  • Un vrai positif (VP) est un malade dont le test est positif.
  • Un faux négatif (FN) est un malade dont le test est négatif : le test l'a manqué.
  • Un faux positif (FP) est un non-malade dont le test est positif : une fausse alerte.
  • Un vrai négatif (VN) est un non-malade dont le test est négatif.
Malades Non-malades
Test + VP (vrai positif) FP (faux positif)
Test − FN (faux négatif) VN (vrai négatif)

Voici le tableau 2×2, avec ses huit éléments numérotés : quatre cases et quatre flèches. Touchez un numéro, puis choisissez le terme.

Les malades sont en colonnes, les résultats du test en lignes, comme dans le tableau ci-dessus. Le mode Corrigé montre toutes les légendes et leur définition.

Schéma à légender

Les schémas à légender sont réservés aux abonnés Amphi Médecine+.

Débloquer avec Amphi Médecine+

Dans ce cours, les malades sont toujours en colonnes. Dans un sujet d'examen, la disposition peut être inversée : repérez d'abord où sont les malades.

Remplir le tableau avec l'exemple

Remplissons le tableau avec l'exemple de départ, sur une population fictive de 10 000 personnes.

On part de la prévalence, la proportion de malades dans la population testée. Ici 1 %, soit 100 malades et 9 900 non-malades.

Pourquoi commencer par là ? Parce que la prévalence donne le total de chaque colonne, avant même de regarder le test.

Puis on remplit chaque colonne avec ce que l'on sait du test. Colonne des malades : le test en repère 90 %, soit 90 % de 100 = 90 vrais positifs.

Les 10 autres malades sont des faux négatifs : les malades repérés vont en haut, les malades manqués en bas.

Colonne des non-malades : le test donne 5 % de fausses alertes, soit 5 % de 9 900 = 495 faux positifs.

Les 9 405 autres non-malades sont des vrais négatifs. Cela donne le tableau complet.

Malades Non-malades Total
Test + 90 495 585
Test − 10 9 405 9 415
Total 100 9 900 10 000

Retenez ce contraste : la colonne des malades est petite, celle des non-malades est très grande.

Cinq pour cent paraît peu. Mais cinq pour cent de 9 900 personnes, cela fait près de 500 faux positifs.

Sensibilité et spécificité

La sensibilité (Se) est la proportion de malades dont le test est positif. On la lit dans la colonne des malades, et seulement là.

Se = VP / (VP + FN) = 90 / 100 = 90 %. Une sensibilité élevée veut dire que le test manque peu de malades.

La spécificité (Sp) est la proportion de non-malades dont le test est négatif. Elle se lit dans l'autre colonne.

Sp = VN / (VN + FP) = 9 405 / 9 900 = 95 %. Une spécificité élevée veut dire que le test donne peu de fausses alertes.

Pourquoi dit-on que ce sont des propriétés du test ? Parce que chacune se calcule à l'intérieur d'un seul groupe.

La sensibilité ne regarde que les malades. Elle ignore combien de non-malades il y a à côté.

Avec deux fois plus de malades, il y aurait deux fois plus de vrais positifs et deux fois plus de faux négatifs : la proportion resterait la même.

200 malades : VP = 180, FN = 20, Se = 180 / 200 = 90 %. La colonne des non-malades n'intervient pas.

Une nuance utile : ce raisonnement suppose que les malades se ressemblent d'une population à l'autre.

Si l'on teste des malades à un stade plus précoce, avec une valeur mesurée moins élevée, le test peut en repérer une moins grande part.

La sensibilité et la spécificité peuvent donc varier avec le type de patients. Mais la prévalence, à elle seule, n'entre pas dans leur calcul.

Les valeurs prédictives

Le patient, lui, ne sait pas s'il est malade. Il connaît seulement son résultat. Sa question se lit donc dans une ligne du tableau.

Parmi toutes les personnes dont le test est positif, quelle part est vraiment malade ? C'est la valeur prédictive positive (VPP).

VPP = VP / (VP + FP). Elle se lit dans la ligne des tests positifs (90 et 495, total 585).

La valeur prédictive négative (VPN) est, de la même façon, la part de non-malades parmi les personnes dont le test est négatif.

VPN = VN / (VN + FN). Elle répond au patient dont le test est négatif : puis-je être rassuré ? (Ligne 10 et 9 405, total 9 415.)

Les quatre lectures du tableau : Se et Sp se lisent en colonnes, VPP et VPN en lignes.

Mesure Où la lire Question Formule
Sensibilité colonne des malades parmi les malades, part des tests positifs Se = VP / (VP + FN)
Spécificité colonne des non-malades parmi les non-malades, part des tests négatifs Sp = VN / (VN + FP)
VPP ligne des tests positifs parmi les tests positifs, part des malades VPP = VP / (VP + FP)
VPN ligne des tests négatifs parmi les tests négatifs, part des non-malades VPN = VN / (VN + FN)

Retenez le sens de chaque question. La sensibilité part de la maladie et regarde le test. La VPP part du test et regarde la maladie.

Les deux questions se ressemblent, mais leurs réponses peuvent être très différentes. En notation : Se = P(test positif | malade) et VPP = P(malade | test positif).

Retour au problème

Revenons à la personne au test positif. Dans la ligne des positifs : 90 vrais positifs et 495 faux positifs.

VPP = 90 / (90 + 495) = 90 / 585 ≈ 15,4 %. Plus de 8 positifs sur 10 ne sont pas malades : environ 1 positif sur 6,5 est malade.

Pourquoi si peu, avec un bon test ? Parce que les positifs viennent de deux groupes de tailles très différentes.

Une grande part d'un petit groupe donne 90 personnes. Une petite part d'un très grand groupe en donne 495.

Quand la maladie est rare, les fausses alertes chez les non-malades peuvent être plus nombreuses que les malades détectés.

L'erreur la plus fréquente consiste à confondre la sensibilité et la VPP.

Dans un article publié en 2007, on rapporte qu'un problème de ce type, sur le dépistage du cancer du sein, a été posé à 160 gynécologues.

Seuls 21 % ont choisi la bonne réponse, et la plupart ont fortement surestimé la probabilité de cancer.

Après une formation où ils ont raisonné sur des effectifs, comme notre population de 10 000 personnes, 87 % ont trouvé.

Le résultat positif n'est pas inutile pour autant. Avant le test, la probabilité d'être malade était de 1 %. Après un test positif, elle est d'environ 15 %, quinze fois plus.

Le test a beaucoup appris, mais il ne suffit pas pour conclure : il faut un second examen, nous verrons lequel.

Et un test négatif ? Il reste 10 malades parmi 9 415 négatifs : VPN = 9 405 / 9 415 ≈ 99,9 %. Ici, un négatif rassure.

Quand la prévalence change

Gardons exactement le même test, et changeons de population : une consultation spécialisée, chez des patients qui ont déjà des symptômes.

Supposons qu'un patient sur cinq soit malade (prévalence 20 %, encore un exemple fictif).

On refait les mêmes gestes : les totaux de colonnes d'abord (2 000 malades, 8 000 non-malades), puis chaque colonne avec Se et Sp.

Malades Non-malades Total
Test + 1 800 400 2 200
Test − 200 7 600 7 800
Total 2 000 8 000 10 000

La sensibilité (1 800 / 2 000 = 90 %) et la spécificité (7 600 / 8 000 = 95 %) n'ont pas bougé.

Mais la ligne des positifs a complètement changé : les vrais positifs sont maintenant bien plus nombreux que les faux positifs.

VPP = 1 800 / 2 200 ≈ 81,8 % (environ 82 %). VPN = 7 600 / 7 800 ≈ 97,4 %.

Même test (Se 90 %, Sp 95 %) Prévalence 1 % Prévalence 20 %
VPP environ 15,4 % environ 81,8 %
VPN environ 99,9 % environ 97,4 %

La règle générale se voit sur ces deux tableaux. Quand la prévalence augmente, la VPP augmente et la VPN diminue. Quand elle baisse, c'est l'inverse.

Le même résultat positif n'a donc pas le même sens selon la population où il est obtenu.

Le graphe du cours trace, pour Se 90 % et Sp 95 %, la VPP qui monte et la VPN qui descend, de 0 à 100 % de prévalence.

Le théorème de Bayes

Ce calcul porte un nom : le théorème de Bayes. Il transforme la probabilité d'être malade avant le test en probabilité après le test.

La probabilité d'être malade avant le test, c'est la prévalence, notée p.

La formule : VPP = (Se × p) / ((Se × p) + ((1 − Sp) × (1 − p))), où p est la prévalence.

En haut de la fraction, les malades détectés. En bas, tous les positifs : les malades détectés et les fausses alertes.

Le numérateur, Se × p, correspond aux malades détectés. Le second terme du dénominateur, (1 − Sp) × (1 − p), correspond aux fausses alertes.

Raisonner en effectifs, comme dans le tableau, s'appelle raisonner en fréquences naturelles.

Vérification avec p = 1 % : 0,009 / (0,009 + 0,0495) ≈ 15,4 %. C'est 90 / 585 écrit en proportions : si vous construisez le tableau, vous appliquez déjà la formule.

Le rapport de vraisemblance

Un outil de plus, en bref. Le rapport de vraisemblance positif (RV+) compare la fréquence d'un test positif chez les malades et chez les non-malades.

RV+ = Se / (1 − Sp) = 0,90 / 0,05 = 18. Un test positif est 18 fois plus fréquent chez un malade que chez un non-malade.

Le rapport de vraisemblance négatif (RV−) compare de même la fréquence d'un test négatif chez les malades et chez les non-malades : RV− = (1 − Se) / Sp = 0,10 / 0,95 ≈ 0,11.

Repère : RV+ > 10 ou RV− < 0,1 : résultat très informatif.

Comme Se et Sp, le RV ne dépend pas de la prévalence. Il permet donc de passer d'une population à une autre.

On l'applique à la cote, le nombre de malades pour un non-malade : cote après le test = cote avant le test × RV.

Un test positif multiplie la cote par 18. Le calcul redonne nos deux valeurs prédictives positives.

Prévalence Cote avant Cote après (× 18) Probabilité après
1 % 1/99 18/99 18/117 ≈ 15,4 %
20 % 1/4 4,5 4,5/5,5 ≈ 82 %

Le choix du seuil

D'où viennent Se et Sp ? Beaucoup de tests mesurent une quantité liée à la maladie : un marqueur biologique.

Par exemple la concentration d'une protéine dans le sang (protéine : vue en biologie cellulaire, vidéo 1).

On déclare le test positif au-dessus d'un seuil, la valeur du marqueur au-dessus de laquelle le test est positif. Tout dépend alors de l'endroit où on le place.

Imaginons deux courbes en cloche : celle des non-malades, à gauche, et celle des malades, à droite, avec des valeurs plus hautes en moyenne.

Les deux groupes se chevauchent au milieu. Au-dessus du seuil, la partie des malades, ce sont les vrais positifs ; la partie des non-malades, les faux positifs.

Malades Non-malades
Au-dessus du seuil (test +) VP FP
Sous le seuil (test −) FN VN

Comme les courbes se chevauchent, aucun seuil ne sépare parfaitement les deux groupes.

Déplaçons le seuil vers la gauche : on attrape plus de malades, la sensibilité monte. Mais on attrape aussi plus de non-malades, la spécificité baisse.

Vers la droite, c'est l'inverse. Pour un test donné, gagner sur l'une, c'est perdre sur l'autre.

Le seuil est donc un choix, qui dépend de ce que coûte chaque type d'erreur.

Si le seuil est Sensibilité Spécificité
plus bas monte baisse
plus haut baisse monte

Un exemple réel, qui sert à raisonner sur les tests sans dire quoi faire devant un patient : la troponine, dosée devant une douleur thoracique.

C'est une protéine du muscle cardiaque, qui passe dans le sang quand ce muscle a une lésion, c'est-à-dire quand il est abîmé.

Son seuil est fixé au 99e percentile d'une population de référence en bonne santé : la valeur dépassée par environ une personne sur cent de cette population.

Par construction, environ une personne sur cent de la population de référence dépasse donc ce seuil.

Une valeur au-dessus signale une lésion du muscle cardiaque.

L'ischémie est un apport de sang insuffisant. L'infarctus est la mort d'une partie du muscle cardiaque par ischémie.

Pour parler d'infarctus, il faut en plus que les valeurs montent ou baissent, et des signes d'ischémie.

La courbe ROC

Le taux de faux positifs est la proportion de faux positifs chez les non-malades, c'est-à-dire 1 − Sp, un moins la spécificité.

Pour voir tous les seuils d'un coup, on trace la courbe ROC. Pour chaque seuil, elle place la sensibilité (en vertical) en fonction du taux de faux positifs (en horizontal).

Chaque seuil donne un point. On fait glisser le seuil, et les points dessinent une courbe qui monte du coin (0, 0) au coin (1, 1).

Comment la lire ? Un test parfait passe par le coin en haut à gauche : tous les malades détectés, aucune fausse alerte.

Un test qui ne sépare pas du tout les deux groupes donne la diagonale : il ne fait pas mieux que le hasard.

Plus la courbe s'approche du coin en haut à gauche, meilleur est le test.

Tracé Lecture
Coin en haut à gauche test parfait
Courbe bombée bon test
Diagonale test sans valeur

On résume la courbe par l'aire sous la courbe. Elle va de 0,5 pour un test sans valeur à 1 pour un test parfait.

Elle a un sens simple : c'est la probabilité qu'un malade tiré au hasard ait une valeur plus élevée qu'un non-malade tiré au hasard.

Une aire de 0,85 (exemple) veut dire que, dans 85 % des paires malade et non-malade, la valeur du malade est la plus haute.

Elle sert à comparer deux tests sans choisir de seuil : le test dont l'aire est la plus grande sépare mieux les deux groupes.

Mais pour utiliser un test, il faut ensuite choisir un seuil.

Dépister ou confirmer

Où placer le seuil ? Cela dépend du rôle du test.

Un test de dépistage s'applique à beaucoup de personnes sans symptôme, chez qui la maladie est rare. Son rôle est de manquer le moins de malades possible.

On veut donc une sensibilité élevée. Un test négatif écarte alors la maladie de façon fiable.

Le prix à payer, on l'a vu : dans une population où la maladie est rare, beaucoup de positifs sont des fausses alertes.

Il faut donc un test de confirmation, appliqué aux positifs du dépistage. Il doit surtout éviter de déclarer malade quelqu'un qui ne l'est pas.

On lui demande une spécificité élevée. Chez les positifs du dépistage, un test très spécifique qui revient positif confirme en général la maladie.

Dépistage Confirmation
Appliqué à beaucoup de personnes sans symptôme les positifs du dépistage
Rôle manquer le moins de malades possible ne déclarer personne malade à tort
On demande une Se élevée une Sp élevée
Un résultat... négatif : écarte la maladie positif : confirme, en général

Pourquoi cet ordre fonctionne-t-il ? Le premier test sert de filtre.

Parmi les personnes qu'il retient, la proportion de malades est beaucoup plus haute qu'au départ : dans notre exemple, elle passe de 1 % à environ 15 %.

Le second test travaille donc avec une prévalence plus élevée, et ses positifs sont beaucoup plus souvent de vrais malades.

La prévalence pour le second test est la VPP du premier, si les deux tests se trompent indépendamment.

Les deux exemples réels qui suivent, comme la troponine, servent à raisonner sur les tests. Ils ne disent pas quoi faire devant un patient.

Le dépistage néonatal

Quelques gouttes de sang sont prélevées au talon du nouveau-né, idéalement au troisième jour, et déposées sur un buvard.

Ce dépistage ne pose pas de diagnostic : il fait suspecter une maladie, et des examens complémentaires la confirment ou non.

Prenons la mucoviscidose, une maladie héréditaire qui touche surtout les poumons et le tube digestif.

Pour elle, l'examen central de la confirmation est le test de la sueur.

La Haute Autorité de santé rappelle que, pour la plupart des enfants convoqués, ce test sera négatif.

Les D-dimères

Dernier exemple : les D-dimères, des fragments libérés quand un caillot se dissout.

On les dose quand on suspecte une embolie pulmonaire, c'est-à-dire une artère du poumon bouchée, le plus souvent par un caillot.

Ce test est très sensible mais peu spécifique.

La probabilité clinique est la probabilité de la maladie estimée avant le dosage, à partir des signes du patient.

Chez un patient dont la probabilité clinique n'est pas élevée, un résultat négatif, avec un dosage de laboratoire très sensible, permet en général d'écarter l'embolie sans imagerie.

Un résultat positif, lui, ne prouve pas l'embolie. Il conduit à un examen d'imagerie.

Les D-dimères augmentent aussi avec l'âge, et leur spécificité baisse beaucoup chez les patients âgés.

D'où une idée de seuil : après 50 ans, on peut relever le seuil en fonction de l'âge, âge × 10 µg/L (seuil classique : 500 µg/L).

À 80 ans, le seuil ajusté vaut 800 µg/L.

Dans une étude publiée en 2014, chez les patients de 75 ans et plus dont la probabilité clinique n'était pas élevée, le seuil ajusté a permis d'écarter l'embolie chez environ 30 % d'entre eux.

Avec le seuil classique, c'était environ 6 %, sans faux négatif supplémentaire observé avec le seuil ajusté.

À retenir

À retenir

  • Se et Sp décrivent le test : Se = VP / (VP + FN) dans la colonne des malades, Sp = VN / (VN + FP) dans la colonne des non-malades. La prévalence n'entre pas dans leur calcul.
  • VPP et VPN donnent le sens d'un résultat, lu en ligne : VPP = VP / (VP + FP), VPN = VN / (VN + FN). Ils dépendent de la prévalence.
  • Maladie rare : même avec un bon test, la plupart des positifs peuvent être des faux positifs (1 % : VPP ≈ 15,4 % ; 20 % : VPP ≈ 81,8 %).
  • Trois gestes à l'examen : les totaux de colonnes avec la prévalence, chaque colonne avec Se et Sp, puis la lecture en ligne.
  • RV+ = Se / (1 − Sp) ne dépend pas de la prévalence : cote après = cote avant × RV.
  • Seuil plus bas : Se monte, Sp baisse. Courbe ROC : tous les seuils ; l'aire va de 0,5 (sans valeur) à 1 (parfait).
  • Dépister : Se élevée. Confirmer : Sp élevée, sur les positifs du dépistage.

20 QCM corrigés

Cinq propositions, une ou plusieurs exactes. Coche, valide : la correction de chaque proposition s'affiche. Barème indicatif : 1 point sans erreur, 0,7 avec une erreur, 0,1 avec deux, 0 au-delà.

QCM 1 le tableau à quatre cases et ses lectures

Dans la disposition du cours (malades en colonnes, résultat du test en lignes), à propos du tableau à quatre cases :

QCM 2 sensibilité et spécificité : des propriétés du test

À propos de la sensibilité et de la spécificité d'un test, calculées contre un examen de référence :

QCM 3 sensibilité, spécificité, valeurs prédictives et prévalence lues dans un tableau (effectifs fictifs)

Une étude évalue un test chez 400 personnes dont l'état réel est connu grâce à un examen de référence que l'on suppose parfait (effectifs fictifs). Le tableau suit la disposition du cours :

Malades Non-malades
Test + 45 51
Test − 15 289

Quelles propositions sont exactes ?

QCM 4 même calcul avec un tableau transposé (malades en lignes)

On évalue un test chez 500 personnes dont l'état réel est connu grâce à un examen de référence supposé parfait (effectifs fictifs). Attention, ce tableau est transposé : les malades sont en lignes et les résultats du test en colonnes.

Test + Test −
Malades 35 15
Non-malades 45 405

Quelles propositions sont exactes ?

QCM 5 le même test dans deux populations de prévalences différentes

Un même test, de sensibilité 60 % et de spécificité 95 %, est utilisé dans deux populations de 10 000 personnes (valeurs fictives). Dans la population X, la prévalence est de 2 %. Dans la population Y, elle est de 30 %. L'examen de référence est supposé parfait, et les malades comme les non-malades sont de même type dans les deux populations.

Quelles propositions sont exactes ?

15 QCM de plus dans ce chapitre

Tous les QCM corrigés · les schémas à légender : réservés aux abonnés Amphi Médecine+.

Débloquer avec Amphi Médecine+