QCM : Études diagnostiques — 23 questions

Explication

Une étude diagnostique cherche à distinguer le normal du pathologique et à établir un diagnostic probabiliste à partir d’observations. L’idée d’une certitude sans erreur correspond plutôt à une classification idéale, et non au diagnostic réel.

Explication

Une distribution bimodale forme deux groupes distincts, comme les personnes non infectées et celles anciennement ou nouvellement infectées, ce qui facilite le choix d’un seuil. Une distribution unimodale présente au contraire davantage de difficulté pour séparer les groupes.

Explication

Un test diagnostique peut être clinique, biologique, radiologique ou invasif, notamment une biopsie, une intervention chirurgicale ou une autopsie. Le limiter à une analyse biologique constitue une définition trop étroite.

Explication

Une variable qualitative est généralement binaire, comme une hémoculture positive ou négative, alors qu’une variable quantitative fournit une mesure comme la glycémie ou la température. La distinction repose donc sur le type d’information recueillie, et non sur la nature de l’examen.

Explication

L’évaluation exige de déterminer quels sujets sont malades ou non-malades, puis de comparer le test étudié à un test de référence. Une interprétation isolée ne permet pas d’estimer correctement la performance diagnostique.

Explication

Le gold standard sert à établir le statut de référence, c’est-à-dire la présence ou l’absence de la maladie. Il peut cependant être subjectif, coûteux, risqué ou difficile à obtenir, contrairement à l’idée qu’il serait toujours indiscutable.

Explication

Un vrai positif associe un résultat positif à la présence réelle de la maladie. Un résultat positif chez une personne non malade correspond plutôt à un faux positif.

Explication

La sensibilité mesure la capacité du test à donner un résultat positif chez les personnes malades et se calcule avec les vrais positifs et les faux négatifs. La spécificité, proposée comme distracteur proche, concerne les non-malades et les résultats négatifs.

Explication

Un test très sensible produit peu de faux négatifs, de sorte qu’un résultat négatif aide à écarter la maladie. La confirmation forte après un résultat positif correspond plutôt à l’utilité d’une spécificité élevée.

Explication

La sensibilité est $\frac{VP}{VP+FN}=\frac{80}{80+20}=80\%$. Le taux de 89 % correspond à la spécificité calculée parmi les 900 non-malades, et non à la sensibilité.

Explication

Le seuil sépare les valeurs quantitatives en résultats positifs et négatifs, ce qui crée une variable qualitative dichotomique. La conservation de la mesure continue ne correspond pas à l’application d’un seuil diagnostique.

Explication

Chaque seuil définit une règle de classification différente et peut donc produire une combinaison différente de sensibilité et de spécificité. Les paramètres ne deviennent pas identiques pour tous les seuils.

Explication

La courbe ROC associe la sensibilité à chaque valeur de $1-Sp$ pour l’ensemble des seuils diagnostiques. Utiliser la spécificité elle-même en abscisse inverse la convention définissant cette courbe.

Explication

Une AUC de 50 % indique que le test discrimine les malades et les non-malades comme le ferait le hasard. Elle ne signifie pas qu’un seuil particulier possède simultanément une sensibilité et une spécificité de 50 %.

Explication

La VPP part d’un résultat positif et mesure la probabilité que la personne soit effectivement malade. La VPN part d’un résultat négatif et évalue la probabilité de ne pas être malade.

Explication

La VPN mesure la probabilité de ne pas être malade parmi les personnes dont le test est négatif. La VPP, qui constitue le distracteur le plus proche, concerne au contraire les personnes ayant un résultat positif.

Explication

La VPP dépend conjointement de la sensibilité, de la spécificité et de la prévalence, comme l’exprime sa formule. Le nombre de participants ou la durée du suivi ne constitue pas, à lui seul, un paramètre de cette relation.

Explication

Une prévalence plus élevée augmente la proportion de vrais malades parmi les résultats positifs, ce qui augmente la VPP, tandis que la VPN diminue. L’évolution inverse proposée ne correspond pas à l’effet de la prévalence sur ces deux valeurs.

Explication

Le rapport de vraisemblance positif se calcule par $RV^+=\frac{Se}{1-Sp}=\frac{0,90}{1-0,80}=4,5$. Le rapport de vraisemblance négatif correspondrait à une autre formule et concerne un résultat négatif.

Explication

Le rapport de vraisemblance négatif vaut $RV^- = \frac{1-Se}{Sp}=\frac{1-0,80}{0,90}\approx 0,22$. La valeur $0,20$ correspondrait au numérateur seul et ne tient pas compte de la spécificité.

Explication

Un rapport de vraisemblance égal à 1 ne modifie pas la probabilité diagnostique entre les situations pré-test et post-test, ce qui rend le test inutile dans cette interprétation. À l’inverse, un rapport de vraisemblance positif élevé ou un rapport négatif proche de 0 apporte une information importante.

Explication

Un test spécifique est rarement positif en l’absence de maladie, de sorte qu’un résultat positif aide à confirmer le diagnostic. Un test sensible négatif est plutôt utile pour écarter la maladie.

Explication

Le choix du seuil repose sur un compromis : augmenter la sensibilité entraîne généralement une diminution de la spécificité. Il n’est donc pas possible d’optimiser simultanément ces deux caractéristiques par ce simple déplacement du seuil.