Fiche de révision : Estimation et tests statistiques

Plan du Cours

  1. Objectifs des statistiques en santé
  2. Types de variables statistiques
  3. Description des variables qualitatives
  4. Paramètres de position quantitatifs
  5. Dispersion et graphiques des variables quantitatives
  6. Variables aléatoires et loi normale
  7. Sondage et erreurs d’échantillonnage
  8. Estimations ponctuelles et par intervalle
  9. Tests statistiques et risques d’erreur
  10. Pertinence clinique et causalité
  11. Comparaison paramétrique des moyennes
  12. Comparaison des pourcentages et test exact de Fisher
  13. Différence de deux pourcentages
  14. Tests du chi carré
  15. Tests diagnostiques, sensibilité et spécificité
  16. Indice de Youden et valeurs prédictives
  17. Raisonnement bayésien et vraisemblance
  18. Courbe ROC et aire sous la courbe

1. Objectifs des statistiques en santé

★ À maîtriser

  • Les statistiques en santé servent à décrire une série de patients, estimer un paramètre de population à partir d’un échantillon, comparer un événement clinique entre deux groupes et évaluer les performances d’un test diagnostique.

  • L’estimation ponctuelle d’un paramètre inconnu de la population est encadrée par un intervalle de confiance à 95 %.

  • L’évaluation des performances d’un test diagnostique porte notamment sur sa sensibilité, sa spécificité, ses rapports de vraisemblance et ses valeurs prédictives.

Compléments

  • La description d’une série de patients peut associer des tableaux utilisant la médiane et l’intervalle interquartile pour l’âge ou l’effectif, ainsi que les fréquences relatives pour les comorbidités, et des figures comme l’histogramme ou le box plot.

  • Dans une comparaison clinique entre deux groupes de patients, le degré de signification statistique ou p-value du test est présenté à la fin de chaque ligne du tableau.

2. Types de variables statistiques

Notions clés & Définitions

  • Variable statistique : Caractéristique susceptible de prendre une valeur différente selon les individus, contrairement à une constante.
  • Variable quantitative continue : Variable numérique pouvant prendre une infinité de valeurs réelles dans un intervalle, comme le poids, la taille ou la glycémie.
  • Variable qualitative ordinale : Possède des modalités ordonnées, mais celles-ci ne se manipulent pas arithmétiquement, comme une mention au bac ou la sévérité d’une dyspnée selon l’OMS.
  • Variable qualitative nominale : Possède des modalités sans ordre naturel; elle est dichotomique si elle comporte deux modalités et polytomique si elle en comporte au moins trois.
  • Variable quantitative discrète : Variable numérique qui prend un nombre fini de valeurs entières dans un intervalle, comme la gestité ou la parité.

Points essentiels

📌 Une variable quantitative mesure une valeur numérique, tandis qu’une variable qualitative décrit des modalités qui ne sont pas exploitables arithmétiquement.

Astuce mémo

Quantitative : valeurs mesurables ; qualitative : modalités à classer ou nommer.

3. Description des variables qualitatives

Notions clés & Définitions

  • Unité statistique : Sujet observé dans une série.
  • Observation statistique : Valeur d’une variable relevée sur une unité statistique.

★ À maîtriser

  • Pour une modalité, la fréquence relative est le rapport de son effectif nin_i à l’effectif total NN, exprimé en pourcentage.

  • Les variables qualitatives nominales se décrivent par les effectifs et les fréquences relatives de leurs modalités.

  • Un diagramme en barres représente une variable qualitative ordinale ou nominale avec des barres disjointes, les modalités en abscisse et les effectifs ou fréquences relatives en ordonnée.

  • Pour une variable qualitative ordinale, on peut calculer l’effectif cumulé et la fréquence cumulée, cette dernière étant le rapport de l’effectif cumulé à l’effectif total.

Compléments

  • Une variable qualitative binaire permet de déduire l’effectif et la fréquence de la modalité complémentaire lorsqu’on connaît ces deux valeurs pour l’autre modalité.

  • Un diagramme en secteurs peut représenter une variable qualitative ordinale ou nominale, mais devient illisible lorsque la variable comporte plus de six modalités.

  • Pour une variable qualitative ordinale, les diagrammes en barres ordonnent les modalités par ordre croissant et peuvent aussi représenter les effectifs cumulés ou les fréquences cumulées.

4. Paramètres de position quantitatifs

Notions clés & Définitions

  • Moyenne arithmétique : Somme des valeurs d’une variable divisée par l’effectif des individus.
  • Médiane : 50e percentile et paramètre de position fondé sur les rangs, obtenu après classement croissant des individus selon la variable.
  • Quantile : Valeur de la variable au-dessous de laquelle se situent Q % des observations; son calcul nécessite de classer les individus par valeurs croissantes.
  • Mode : Valeur la plus fréquente d’une distribution; il correspond au pic de la distribution et n’est pas utilisé dans les calculs statistiques.

Points essentiels

📌 Les paramètres de position décrivent la position d’une distribution, les paramètres de dispersion son étalement et les paramètres mixtes combinent ces aspects.

  • La moyenne arithmétique convient aux distributions symétriques, mais elle est sensible aux valeurs extrêmes et se prête au calcul algébrique et aux tests statistiques.

  • La moyenne géométrique est adaptée aux variables dont la distribution asymétrique présente une queue étalée vers la droite, mais elle ne convient pas aux variables pouvant prendre la valeur zéro.

  • La médiane convient aux distributions symétriques comme asymétriques, mais ne se prête pas au calcul algébrique.

5. Dispersion et graphiques des variables quantitatives

Notions clés & Définitions

  • Étendue : La différence entre la plus grande et la plus petite valeur d’une variable.
  • Intervalle interquartile : La différence entre le troisième et le premier quartile, qui couvre les 50 % des observations centrales.
  • Variance : La moyenne des carrés des écarts de chaque valeur à la moyenne, qui mesure la dispersion autour de celle-ci dans l’unité de la variable élevée au carré.
  • Coefficient de variation : La dispersion rapportée à la moyenne, exprimée en pourcentage sans unité, qui permet de comparer la variabilité de variables de dimensions différentes.

★ À maîtriser

📌 Une variable quantitative discrète prend un nombre fini de valeurs, tandis qu’une variable quantitative continue peut prendre un nombre infini de valeurs et ses valeurs sont regroupées en intervalles pour les représenter.

  • Dans un diagramme en boîte à moustaches, la boîte s’étend du premier au troisième quartile, couvre 50 % des observations et contient une barre horizontale indiquant la médiane.

Compléments

  • Une variance faible indique une distribution resserrée autour de la moyenne.

  • Le diagramme en barres des effectifs simples d’une variable discrète utilise des barres disjointes.

  • Un histogramme représente une variable quantitative continue regroupée en classes contiguës, par des barres contiguës.

  • Sur le diagramme des fréquences relatives cumulées, la médiane se lit à l’abscisse du point où la courbe atteint le 50e percentile.

Astuce mémo

Étendue sensible aux extrêmes, intervalle interquartile robuste

6. Variables aléatoires et loi normale

Notions clés & Définitions

  • Variable aléatoire : Une fonction qui associe aux résultats d’une expérience aléatoire des nombres réels, de sorte que l’image réciproque de chaque intervalle de réels soit un événement de l’ensemble des résultats.
  • Loi de probabilité : Pour une variable aléatoire discrète, la fonction qui associe à chaque valeur sa probabilité, laquelle est positive ou nulle, et dont la somme des probabilités de toutes les valeurs est égale à 1.
  • Loi normale : Une loi suivie par une variable aléatoire continue dont la densité a une forme de cloche symétrique par rapport à l’axe passant par sa moyenne.
  • Fonction de répartition : Pour une valeur donnée, la somme des probabilités des valeurs inférieures ou égales à celle-ci.

★ À maîtriser

  • La loi normale centrée réduite a une moyenne nulle et un écart-type égal à 1; sa densité est symétrique par rapport à l’axe des ordonnées, atteint son maximum en z = 0 et possède des points d’inflexion en z = -1 et z = +1.

  • Pour centrer et réduire une variable normale de moyenne μ et d’écart-type σ, on retranche d’abord μ à chaque valeur, puis on divise le résultat par σ.

  • L’estimation vise à déterminer la valeur d’un paramètre théorique inconnu de la distribution d’une variable à partir des observations recueillies dans un échantillon.

Compléments

  • La somme des points obtenus lors du lancer de deux dés est un exemple de variable aléatoire.
  • Pour une variable aléatoire continue, la probabilité qu’elle prenne une valeur comprise entre A et B se détermine à partir de sa densité de probabilité.

  • L’aire totale sous la courbe de densité d’une loi normale est égale à 1, et sa fonction de répartition se lit dans des tables de valeurs tabulées.

  • La table de l’écart réduit présentée est bilatérale : elle donne la probabilité extérieure à l’intervalle [-ε; +ε], et une probabilité unilatérale dans une seule queue vaut la moitié de cette probabilité extérieure.

  • Sous l’hypothèse que l’âge des patients hospitalisés pour COVID-19 suit une loi normale de moyenne 61 ans et d’écart-type 16 ans, la probabilité d’avoir moins de 61 ans est de 50 %.

  • Sous la même hypothèse de loi normale pour l’âge, la probabilité qu’un patient ait moins de 20 ans est de 0,5 %, après centrage-réduction et lecture unilatérale de la table.

  • Pour une loi normale d’âge de moyenne 61 ans et d’écart-type 16 ans, l’intervalle contenant 95 % des patients correspond à des écarts réduits compris entre -1,96 et 1,96 et à des âges compris entre 30 et 92 ans.

  • Une estimation doit être sans biais, aussi précise que possible et réalisée au moindre coût.

7. Sondage et erreurs d’échantillonnage

Notions clés & Définitions

  • Fluctuation d’échantillonnage : Erreur aléatoire dans l’estimation d’un paramètre, due au hasard, pour laquelle l’espérance de l’estimateur t est égale au paramètre θ de la population.
  • Biais : Erreur systématique dans l’estimation d’un paramètre, telle que l’espérance de l’estimateur t n’est pas égale au paramètre θ.

★ À maîtriser

  • Dans un sondage aléatoire simple, tous les individus ont une probabilité identique de constituer l’échantillon.

  • Un sondage aléatoire simple repose sur une base de sondage exhaustive et sans doublon, puis sur le tirage au sort des individus sans remise.

Compléments

  • Le biais et la fluctuation aléatoire d’échantillonnage peuvent se combiner dans une estimation.

8. Estimations ponctuelles et par intervalle

Notions clés & Définitions

  • Estimation ponctuelle : Valeur t déterminée à partir des observations effectuées sur les individus d’un échantillon, pour estimer un paramètre théorique θ de la distribution d’une variable X.
  • Intervalle de confiance : Intervalle qui contient la valeur du paramètre avec une probabilité égale à 1−α.
  • Précision d’un intervalle : Moitié de l’écart entre la borne supérieure et la borne inférieure d’un intervalle de confiance.
  • Variance estimée : Somme des carrés des écarts à la moyenne divisée par l’effectif de l’échantillon moins 1.

★ À maîtriser

  • D’après le théorème central limite, la moyenne m d’une variable quantitative X calculée sur un échantillon d’effectif n est elle-même une variable aléatoire.

  • Si n ≥ 30, quelle que soit la loi de distribution de X, la moyenne d’échantillon suit une loi normale de moyenne μ et d’écart-type σ/√n.

  • L’estimation ponctuelle fluctue autour de la valeur théorique du paramètre en raison du hasard de l’échantillonnage.

Compléments

  • Si la variable X suit elle-même une loi normale, la moyenne d’échantillon suit une loi normale de moyenne μ et d’écart-type σ/√n, quel que soit l’effectif n.

  • L’écart-type estimé est la racine carrée de l’estimation de la variance.

  • En santé et en biologie, un niveau de confiance de 95 % est utilisé pour l’intervalle de confiance.

  • Pour l’intervalle de confiance d’une moyenne, la loi de probabilité de la moyenne et la valeur critique tα sont déterminées à l’aide de la table de Student.

  • La précision de l’intervalle de confiance dépend du risque d’erreur α et de l’effectif de l’échantillon n.

  • À effectif donné, un α plus petit entraîne un εθ plus grand, un intervalle de confiance plus large et une précision moindre.

  • Le nombre de sujets nécessaire pour obtenir un intervalle de confiance d’une précision donnée peut être déterminé pour une moyenne ou une proportion à partir de la formule de l’intervalle de confiance.

9. Tests statistiques et risques d’erreur

Notions clés & Définitions

  • Test statistique de comparaison : Outil servant à comparer deux ou plusieurs séries de données, à partir de leurs paramètres comme la moyenne ou la variance pour les tests paramétriques, ou de leur distribution pour les tests non paramétriques.
  • Risque d’erreur de première espèce : Probabilité conditionnelle de rejeter H₀ à tort lorsque H₀ est vraie ; il est fixé a priori et vaut 0,05 (5 %) en santé.
  • Degré de signification statistique : Probabilité conditionnelle d’observer sous H₀ une valeur de ε au moins aussi grande que l’écart réduit calculé Z₀ ; il est déterminé a posteriori après le calcul du test.
  • Risque d’erreur de deuxième espèce : Probabilité conditionnelle de ne pas rejeter H₀ lorsque H₁ est vraie ; il ne peut pas être fixé a priori car la valeur du test sous H₁ est inconnue.
  • Puissance statistique : La puissance statistique est égale à 1−β et correspond à la probabilité conditionnelle de rejeter H₀ lorsque H₁ est vraie.

★ À maîtriser

  • La démarche hypothético-déductive consiste à formuler H₀ et H₁, déduire les estimations attendues si H₀ est vraie, confronter les estimations observées à cette attente, puis conclure au non-rejet ou au rejet de H₀.

📌 Les hypothèses d’un test statistique sont formulées au niveau des populations ; pour comparer deux moyennes, H₀ pose μ₁ = μ₂ et l’hypothèse alternative bilatérale H₁ pose μ₁ ≠ μ₂.

  • Pour confronter les estimations à H₀, on calcule l’écart réduit observé Z₀ à partir des estimations m₁ et m₂, puis on détermine à l’aide de la table de l’écart réduit la probabilité que |Z₀| dépasse ε sous H₀.

📌 On rejette H₀ et retient H₁ lorsque P(|Z₀| > ε sous H₀) < α ; lorsque cette probabilité est ≥ α, on ne peut pas rejeter H₀.

📌 Le non-rejet de H₀ signifie qu’aucune différence statistiquement significative n’est mise en évidence entre les estimations des échantillons, mais ne permet pas de conclure à l’absence de différence entre les populations.

  • Une différence statistiquement significative n’est pas nécessairement cliniquement pertinente.

Compléments

📌 Une hypothèse alternative bilatérale postule une différence sans en préciser le sens, tandis qu’une hypothèse unilatérale précise le sens de l’inégalité entre les populations.

  • Les tests d’hypothèse unilatéraux ne sont justifiés que dans des circonstances très particulières, et les revues médicales scientifiques recommandent de ne pas les utiliser pour les études de supériorité.

  • Sous H₀, les différences d’estimations m₁−m₂ proches de zéro sont les plus probables, même si cette différence peut prendre toute valeur réelle.

  • Le seuil de signification α est fixé a priori et vaut classiquement 0,05 en santé et en biologie.

  • L’application des tests statistiques exige l’indépendance des observations, tandis que les autres conditions dépendent du test utilisé, comme l’écart réduit, le test de Student ou le χ².

Astuce mémo

α fait rejeter H₀ à tort ; β fait manquer une différence réelle.

10. Pertinence clinique et causalité

★ À maîtriser

📌 Une différence statistiquement significative peut être trop faible pour être cliniquement pertinente, notamment lorsqu’un essai de grande taille détecte un bénéfice marginal de survie associé à un traitement innovant par rapport au traitement de référence.

📌 Une association statistiquement significative n’est pas nécessairement causale ; juger sa causalité nécessite de vérifier des critères de causalité étudiés en épidémiologie.

Compléments

  • L’évaluation peut prendre en compte : la futilité, les effets secondaires, la qualité de vie, le point de vue des patients, notamment par les patient reported outcome measures

Astuce mémo

Significativité statistique ≠ pertinence clinique ≠ causalité

11. Comparaison paramétrique des moyennes

★ À maîtriser

  • Comparer deux moyennes revient à tester l’association entre une variable quantitative continue et une variable qualitative binaire.

  • Les trois configurations sont :

    • la comparaison d’une moyenne estimée à une valeur théorique de référence
    • la comparaison de deux moyennes estimées sur des échantillons indépendants
    • la comparaison de deux moyennes estimées sur des échantillons appariés

📌 Pour comparer une moyenne à une valeur de référence, le test Z de l’écart réduit est indiqué si n ≥ 30, tandis que le test t de Student est indiqué si la distribution est normale.

  • Pour un test bilatéral au risque α = 0,05 avec la loi normale centrée réduite, la valeur critique est εα = 1,96 ; on rejette H0 si la valeur absolue de Zo dépasse 1,96.

  • Deux échantillons sont indépendants lorsque leurs individus sont différents et sans lien entre eux, et leurs effectifs peuvent être différents.

📌 Pour comparer deux moyennes sur des échantillons indépendants, le test Z est indiqué si n1 ≥ 30 et n2 ≥ 30 ; le test t de Student est indiqué si la distribution est normale et les variances comparables.

📌 Dans les échantillons appariés, la covariance est non nulle ; le Z apparié est supérieur au Z indépendant, ce qui augmente la probabilité de rejeter H0 et procure un gain de puissance statistique.

Compléments

📐 Formule - Pour comparer une moyenne estimée à une valeur de référence, les hypothèses sont H0:μ=μH0H_0 : \mu = \mu_{H_0} et H1:μ≠μH0H_1 : \mu \ne \mu_{H_0}.

  • Pour comparer une moyenne à une valeur de référence, le risque est fixé a priori à α = 0,05 (5 %).

  • Pour le test t de Student, la valeur critique se lit dans la table de Student en fonction des degrés de liberté.

  • Une p-value inférieure à 0,05 conduit à rejeter l’hypothèse nulle H0.

  • La comparaison d’une moyenne à une valeur de référence requiert l’indépendance des observations ; le test t de Student requiert aussi la normalité, tandis que le test Z présenté requiert n > 30.

📐 Formule - Pour comparer deux moyennes sur des échantillons indépendants, les hypothèses sont H0:μ1=μ2H_0 : \mu_1 = \mu_2 et H1:μ1≠μ2H_1 : \mu_1 \ne \mu_2.

📌 Pour comparer deux moyennes indépendantes, les conditions indiquées sont l’indépendance des observations, des effectifs supérieurs à 30 dans les deux populations, la normalité et des variances comparables, définies par un rapport de 1 à 3.

  • Les conditions indiquées pour les tests de comparaison de moyennes appariées sont l’indépendance des observations, n > 30 et une distribution normale.

12. Comparaison des pourcentages et test exact de Fisher

Notions clés & Définitions

  • Test du chi carré : Quantifie l’écart entre les effectifs observés du tableau de contingence et les effectifs théoriques attendus sous l’hypothèse nulle H0.
  • Probabilité exacte de Fisher : Test de permutation qui s’interprète comme un degré de signification, ou p-value.
  • Effectif théorique : L’effectif attendu dans cette cellule en l’absence d’association entre les deux variables, sous l’hypothèse nulle H0.

★ À maîtriser

  • Comparer deux pourcentages revient à tester l’association entre deux variables qualitatives binaires ; comparer plusieurs pourcentages revient à tester l’association entre une variable qualitative binaire et une variable qualitative polytomique.

📐 Formule - Les degrés de liberté d’un tableau de contingence sont DDL=(L−1)×(C−1)DDL = (L-1) \times (C-1), où L est le nombre de lignes et C le nombre de colonnes.

📌 Le test du chi carré requiert l’indépendance des observations et un effectif théorique Tij supérieur ou égal à 5 dans chaque cellule ; si cette condition d’effectif n’est pas vérifiée, la probabilité exacte de Fisher est indiquée.

📌 La probabilité exacte de Fisher s’utilise pour comparer deux pourcentages sur des échantillons indépendants lorsque Tij < 5 dans une ou plusieurs cellules ; elle requiert l’indépendance des observations.

Compléments

  • Les quatre configurations sont :

    • deux pourcentages sur des échantillons indépendants
    • plusieurs pourcentages sur des échantillons indépendants
    • un pourcentage estimé contre une valeur théorique de référence
    • une distribution observée contre une distribution théorique de référence
  • Dans un tableau de contingence, le nombre de lignes correspond au nombre de pourcentages et le tableau 2 × 2 comporte quatre cellules, sans compter les cellules en marge.

  • Pour comparer deux pourcentages sur des échantillons indépendants, les individus des deux échantillons sont différents et sans lien entre eux, et les effectifs des échantillons peuvent être différents.

📐 Formule - Pour comparer deux pourcentages indépendants, les hypothèses sont H0:Π1=Π2H_0 : \Pi_1 = \Pi_2 et H1:Π1≠Π2H_1 : \Pi_1 \ne \Pi_2.

  • Plus les effectifs observés s’éloignent des effectifs théoriques attendus sous H0, plus la valeur du chi carré est élevée.

  • 🔄 Le calcul se déroule en trois étapes :

    1. Lister les tableaux de contingence respectant les effectifs marginaux.
    2. Calculer la probabilité de chaque configuration.
    3. Sous H0, sommer les probabilités des configurations dont la différence de pourcentage atteint ou dépasse en valeur
  • Dans l’exemple présenté, la différence observée est de 0,8 % contre 6,8 %, la probabilité exacte de Fisher est de 1,7 % (0,017), et le résultat conduit à rejeter H0 et à conclure à une différence significative du pourcentage de personnel soignant entre les personnes décédées et les personnes ayant survécu au COVID-19.

  • La probabilité exacte de Fisher peut être utilisée dans tous les cas, mais son emploi est limité par le temps de calcul ; elle doit être utilisée lorsque la condition d’application du chi carré n’est pas vérifiée.

Astuce mémo

Lister les tableaux, calculer leurs probabilités, puis sommer les configurations aussi extrêmes

13. Différence de deux pourcentages

Notions clés & Définitions

  • Estimation ponctuelle de la différence : L’estimation ponctuelle de la différence entre deux pourcentages est p1−p2p_1-p_2, estimateur de π1−π2\pi_1-\pi_2.

★ À maîtriser

  • Une différence de pourcentages est une estimation ponctuelle soumise aux fluctuations d’échantillonnage, que l’on encadre par un intervalle de confiance, souvent à 95 % en santé.

📌 Pour interpréter l’intervalle de confiance d’une différence de pourcentages, on vérifie s’il chevauche la valeur neutre 0 : s’il la chevauche, on ne rejette pas H0 ; s’il ne la chevauche pas, on rejette H0.

Compléments

  • Pour deux échantillons indépendants, la variance de la différence des pourcentages est la somme des variances de chacun : var⁡(p1−p2)=var⁡(p1)+var⁡(p2)\operatorname{var}(p_1-p_2)=\operatorname{var}(p_1)+\operatorname{var}(p_2).

📌 Un intervalle de confiance entièrement supérieur à 0 permet de conclure que π1>π2\pi_1>\pi_2, tandis qu’un intervalle entièrement inférieur à 0 permet de conclure que π1<π2\pi_1<\pi_2.

📌 Une p-value supérieure à 0,05 indique un résultat non statistiquement significatif, tandis qu’une p-value inférieure à 0,05 indique un résultat statistiquement significatif.

Astuce mémo

L’IC qui chevauche 0 s’oppose à l’IC qui l’exclut

14. Tests du chi carré

★ À maîtriser

  • Pour comparer plusieurs pourcentages sur des échantillons indépendants, le test du chi carré porte sur l’association entre une variable qualitative binaire et une variable qualitative polytomique, nominale ou ordinale.

  • Le test du chi carré d’indépendance requiert l’indépendance des observations et des effectifs théoriques attendus sous H0 d’au moins 5 dans chaque cellule.

  • Pour le test du chi carré d’indépendance, H0 pose l’égalité des pourcentages et l’absence d’association entre les deux variables, tandis que H1 pose qu’au moins un pourcentage diffère et qu’il existe une association.

Compléments

📌 Pour un test d’indépendance sur un tableau à L lignes et C colonnes, le nombre de degrés de liberté est (L−1)(C−1)(L-1)(C-1).

📌 Dans le test du chi carré d’indépendance, on rejette H0 si la statistique observée est supérieure ou égale à la valeur critique au seuil choisi, ou si la p-value est inférieure au seuil α.

  • Pour comparer un pourcentage observé à une valeur théorique de référence, le test du chi carré utilisé a 1 degré de liberté.

📌 Pour comparer une distribution observée à une distribution théorique sur k modalités, H0 affirme l’égalité de toutes les proportions correspondantes et H1 affirme qu’au moins une proportion diffère ; le test du chi carré a k−1 degrés de liberté.

15. Tests diagnostiques, sensibilité et spécificité

Notions clés & Définitions

  • Test diagnostique : Méthode qui fournit une information sur le statut d’un patient au regard du diagnostic d’une pathologie ou situation clinique d’intérêt.
  • Méthode de référence : Méthode la plus performante pour diagnostiquer la pathologie d’intérêt et pouvant être unique ou combiner plusieurs méthodes.
  • Sensibilité : Probabilité conditionnelle que le test soit positif si le sujet est malade.
  • Spécificité : Probabilité conditionnelle que le test soit négatif si le sujet est indemne de la pathologie d’intérêt.
  • Pathologie d’intérêt : Pathologie ou situation clinique nécessitant des investigations complémentaires en vue d’une initiation, d’une modification ou d’un sevrage thérapeutique.

★ À maîtriser

  • L’évaluation des performances d’un test diagnostique compare le test index à la méthode de référence chez les mêmes patients.

📐 Formule - La sensibilité estimée est le rapport des vrais positifs au nombre de malades : Se=VPmalades\mathrm{Se}=\frac{VP}{\text{malades}}.

📐 Formule - La spécificité estimée est le rapport des vrais négatifs au nombre de non-malades : Sp=VNnon-malades\mathrm{Sp}=\frac{VN}{\text{non-malades}}.

Compléments

  • La réponse d’un test diagnostique peut être :

    • binaire
    • ordinale
    • quantitative, continue ou discrète
  • Dans un tableau de contingence diagnostique, les catégories sont :

    • VP : vrais positifs
    • FP : faux positifs
    • VN : vrais négatifs
    • FN : faux négatifs

📐 Formule - La prévalence est le rapport entre le nombre de malades et l’effectif total : Preˊvalence=m1n\text{Prévalence}=\frac{m_1}{n}.

📌 Un test très sensible dont le résultat est négatif permet d’exclure la pathologie d’intérêt ; si sa sensibilité vaut 1, il ne produit aucun faux négatif.

  • Le taux de faux positifs est le complément à 1 de la spécificité : 1−Sp1-\mathrm{Sp}.

📌 Un test très spécifique dont le résultat est positif permet d’affirmer la maladie ; si sa spécificité vaut 1, il ne produit aucun faux positif et est dit pathognomonique.

📐 Formule - L’indice de Youden est défini par Y=Se+Sp−1Y=\mathrm{Se}+\mathrm{Sp}-1 et varie de −1 à 1.

  • L’indice de Youden est une mesure synthétique combinant sensibilité et spécificité, sans signification réelle en termes de probabilité ; proche de 1, il indique un test très discriminant, et proche de 0, un test peu performant.

Astuce mémo

Sensibilité si malade ; spécificité si non-malade

16. Indice de Youden et valeurs prédictives

Notions clés & Définitions

  • Valeur prédictive positive : La valeur prédictive positive est la probabilité conditionnelle qu’un sujet ait la pathologie d’intérêt lorsque le résultat du test index est positif.
  • Valeur prédictive négative : La valeur prédictive négative est la probabilité conditionnelle qu’un sujet n’ait pas la pathologie lorsque le résultat du test index est négatif.

★ À maîtriser

📐 Formule - L’indice de Youden est défini par Y=Se+Sp−1Y = Se + Sp - 1 et varie de −1 à 1.

  • Un indice de Youden proche de 1 caractérise un test très discriminant, tandis qu’un indice proche de 0 indique un test peu performant.

  • La sensibilité et la spécificité sont des caractéristiques intrinsèques du test qui ne sont pas influencées par la prévalence de la maladie.

📌 Les valeurs prédictives sont directement interprétables par le clinicien, mais varient avec la prévalence de la maladie, contrairement à la sensibilité et à la spécificité.

  • Quand la prévalence de la pathologie augmente, la valeur prédictive positive augmente et la valeur prédictive négative diminue.

Compléments

  • L’indice de Youden est une mesure synthétique des performances d’un test diagnostique, sans signification directe en termes de probabilité.

📌 La sensibilité est calculée conditionnellement à la présence de la maladie, uniquement chez les malades, tandis que la spécificité est calculée conditionnellement à son absence, uniquement chez les non-malades.

  • La valeur prédictive positive est calculée comme la proportion de sujets vrais positifs parmi les sujets dont le test est positif.

  • La valeur prédictive négative est calculée comme la proportion de sujets vrais négatifs parmi les sujets dont le test est négatif.

Astuce mémo

Prévalence élevée → VPP augmente et VPN diminue

17. Raisonnement bayésien et vraisemblance

Notions clés & Définitions

  • Probabilité pré-test : La probabilité pré-test est la probabilité que le patient ait la pathologie d’intérêt avant la réalisation du test.
  • Probabilité post-test : La probabilité post-test est la probabilité révisée que le patient ait la pathologie d’intérêt selon le résultat positif ou négatif du test.
  • Rapport de vraisemblance positif : Le rapport de vraisemblance positif quantifie la fréquence relative d’un résultat positif chez les malades par rapport aux non-malades.
  • Rapport de vraisemblance négatif : Le rapport de vraisemblance négatif quantifie la fréquence relative d’un résultat négatif chez les malades par rapport aux non-malades.

★ À maîtriser

  • En routine clinique, le raisonnement bayésien combine la probabilité pré-test, les caractéristiques intrinsèques du test et le résultat du test pour déterminer la probabilité post-test.

Compléments

  • Un rapport de vraisemblance positif égal à 1 signifie que le test est aussi souvent positif chez les malades que chez les non-malades et n’apporte pas d’intérêt diagnostique.

  • Dans la littérature médicale, un rapport de vraisemblance positif à partir de 10 est considéré comme informatif, et sa valeur recherchée est la plus élevée possible.

  • Dans la littérature médicale, un rapport de vraisemblance négatif égal à 0,1 est considéré comme informatif, et sa valeur recherchée est la plus faible possible.

  • Le nomogramme de Fagan permet d’estimer la probabilité post-test en reliant la probabilité pré-test à gauche au rapport de vraisemblance au centre, puis en lisant le résultat à droite.

Astuce mémo

RV positif élevé pour confirmer ; RV négatif faible pour exclure

18. Courbe ROC et aire sous la courbe

Notions clés & Définitions

  • Courbe ROC : La courbe ROC représente, pour différents seuils d’un test à réponse quantitative continue, la sensibilité en fonction de un moins la spécificité.
  • Aire sous la courbe ROC : L’aire sous la courbe ROC quantifie la performance de discrimination d’un test à réponse quantitative, c’est-à-dire sa capacité à séparer les malades des non-malades.

★ À maîtriser

  • L’aire sous la courbe ROC varie de 0,5, où le test ne fait pas mieux que le hasard, à 1, où le test est parfaitement discriminant.

Compléments

  • Pour déterminer un point de la courbe ROC, on fixe un seuil qui définit les résultats positifs au-dessus de celui-ci et les résultats négatifs au-dessous.

  • La courbe ROC aide à choisir un seuil décisionnel en recherchant un compromis entre sensibilité et spécificité.

  • L’aire sous la courbe ROC est particulièrement utile pour comparer la discrimination de deux ou plusieurs tests diagnostiques concurrents.

Teste tes connaissances

Teste tes connaissances sur Estimation et tests statistiques avec 64 questions à choix multiples et corrections détaillées.

1. Une équipe veut résumer le profil de ses patients, estimer une caractéristique de la population, comparer un événement clinique entre deux groupes et vérifier la qualité d’un outil de dépistage. À quels objectifs des statistiques en santé ces tâches correspondent-elles ?

2. Une chercheuse calcule une estimation ponctuelle de la moyenne d’une population à partir d’un échantillon. Quel élément doit-elle présenter pour encadrer cette estimation ?

Faire le QCM →

Révisez avec les flashcards

Mémorisez les concepts clés de Estimation et tests statistiques avec 96 flashcards interactives.

Quels objectifs les statistiques en santé permettent-elles de poursuivre ?

Décrire des patients, estimer un paramètre, comparer deux groupes et évaluer un test diagnostique.

Quel intervalle encadre l’estimation ponctuelle d’un paramètre de population ?

Un intervalle de confiance à 95 %.

Quelles performances évalue-t-on pour un test diagnostique ?

Sa sensibilité, sa spécificité, ses rapports de vraisemblance et ses valeurs prédictives.

Voir les flashcards →

Cours similaires

Crée tes propres fiches de révision

Importe ton cours et l'IA génère fiches, QCM et flashcards en 30 secondes.

Générateur de fiches