Introuvable
Emplacements

Trouvez des informations sur des sujets médicaux, des symptômes, des médicaments, des procédures, des nouvelles et bien plus encore, rédigées pour les professionnels de santé.

Examens complémentaires

Par Douglas L. McGee, DO, Emergency Medicine Residency Program, Albert Einstein Medical Center;Albert Einsterin Healthcare Network

Cliquez ici pour
l’éducation des patients

Les examens permettent d'établir un diagnostic chez un patient symptomatique (examens diagnostiques) ou d'identifier une maladie occulte chez un patient asymptomatique (dépistage). Cependant, les résultats des examens peuvent augmenter l'incertitude s'ils ont un faible degré de discrimination entre sujets malades et non malades, si les résultats des examens sont en discordance avec le tableau clinique ou s'ils sont mal intégrés dans le contexte clinique.

Les examens biologiques sont imparfaits et peuvent, à tort identifier certains sujets en bonne santé comme malades (résultat faux positif) ou peuvent identifier par erreur certains sujets malades comme sains (résultat faux négatif). La capacité d'un test à correctement mettre en évidence ou exclure une maladie dépend de la probabilité que le sujet a d'avoir une maladie (probabilité a priori) et des caractéristiques intrinsèques du test.

Bien que ces tests diagnostiques apportent souvent une contribution essentielle à la décision clinique, le test peut avoir des conséquences indésirables ou inattendues. Les examens complémentaires doivent être pratiqués après délibération et dans un but précis et dans l'espoir que le résultat du test réduise les ambiguïtés et contribue à améliorer leur santé. Outre le risque de fournir des informations incorrectes (retardant ainsi le début du traitement ou conduisant à un traitement inutile), les examens complémentaires consomment des ressources qui sont limitées et ils peuvent eux-mêmes avoir des effets indésirables (p. ex., pneumothorax provoqué par une biopsie pulmonaire) ou inciter à pratiquer d'autres examens inutiles.

Définition du résultat positif d'un test

Parmi les examens, les plus fréquemment utilisés sont ceux qui donnent des résultats selon une, échelle quantitative continue (p. ex., glycémie, numération des GB). Ces tests peuvent fournir des informations cliniques utiles tout au long de leurs intervalles de valeurs, mais les médecins les utilisent souvent pour diagnostiquer un état en exigeant que le résultat soit classé comme positif ou négatif (c.-à-d., maladie présente ou absente) en se basant sur la comparaison par rapport à un critère ou à un seuil établis. Ces seuils sont habituellement choisis en fonction de l'analyse statistique et conceptuelle qui tente de faire un compromis entre le taux de résultats faussement positifs (incitant à des examens inutiles, chers et à des traitements qui peuvent être dangereux) et le taux de résultats faussement négatifs (qui ne permettent pas de diagnostiquer une maladie traitable). L'identification d'un seuil dépend également du fait que l'on dispose d'une norme de référence pour identifier la maladie en question.

Typiquement, ces résultats de tests quantitatifs (p. ex., numération des globules blancs dans les cas de suspicion d'appendicite) suivent un certain type de courbe de distribution (pas nécessairement une courbe normale, bien que souvent définie comme telle). La distribution des résultats des tests chez les patients qui présentent une maladie est centrée sur un point de différent de celui des patients qui n'ont pas la maladie. Certains patients qui présentent une maladie auront un résultat très élevé ou très bas, mais la plupart auront un résultat autour de la moyenne. Inversement, certains patients qui n'ont pas la maladie ont un résultat très élevé ou très bas, mais la plupart ont un résultat autour d'une moyenne différente de celle des patients qui présentent la maladie. Dans le cas de la plupart des examens, les distributions se recouvrent de telle sorte que de nombreux résultats possibles de tests se produisent chez des patients qui présentent et qui ne présentent pas la maladie; ces résultats sont plus clairement illustrés lorsque les courbes sont représentées sur le même graphique (v. Distribution des résultats du test.). Certains patients au-dessus et en dessous du seuil sélectionné seront incorrectement caractérisés. Ajuster un seuil pour identifier un plus grand nombre de patients qui présentent une maladie donnée (augmentation de la sensibilité du test), augmente également le nombre de faux positifs (faible spécificité), et le déplacement du seuil, autre façon d'éviter les faux diagnostics de patients, augmente le nombre de faux négatifs. Chaque seuil est associé à une probabilité spécifique de résultats vrais positifs et faux positifs.

Distribution des résultats du test.

Les patients qui ont la maladie sont dans la partie haute de la distribution; les patients qui n'ont pas la maladie sont présentés dans la partie inférieure de distribution. Chez les patients qui présentent la maladie, la région située sous la distribution des résultats situés à droite au-dessus (au-dessus) du seuil correspond au taux de vrais positifs du test (c.-à-d., à sa sensibilité); la région située à la gauche du (en dessous) du seuil correspond au taux de faux négatifs. Chez les patients qui n'ont pas la maladie, la région à la droite du critère de coupure correspond à un taux de faux positifs et la région à gauche correspond au taux de vrais négatifs (c.-à-d., à sa spécificité). Dans le cas de 2 distributions qui se recouvrent (p. ex., les patients qui présentent et qui ne présentent pas la maladie), déplacer le seuil modifie la sensibilité et la spécificité, mais dans des directions opposées; modifier le seuil de 1 à 2 diminue le nombre de faux négatifs (augmente la sensibilité) mais augmente également le nombre de faux positifs (diminue la spécificité).

Courbes caractéristiques opérationnelles du receveur

La représentation graphique de la fraction de vrais positifs (nombre de vrais positifs/nombre de malades) en fonction de la fraction des résultats faussement positifs (nombre de faux-positifs/nombre sans maladie) pour une série de seuils génère une courbe dite courbe caractéristique opérationnelle du receveur. La courbe caractéristique opérationnelle du receveur représente graphiquement le compromis entre la sensibilité et la spécificité lorsque le seuil est ajusté (v. Courbe caractéristique opérationnelle typique du receveur.). Par convention, la fraction de vrais positifs est placée sur l'axe des y et la fraction de faux-positifs est placée sur l'axe des x. Plus la surface sous la courbe est importante, mieux le test discrimine entre les patients qui ont ou qui n'ont pas la maladie.

Les courbes caractéristiques opérationnelles du receveur permettent que les examens soient comparés en fonction d'une variété de seuils. Dans l'exemple, l'examen A est plus performant que l'examen B sur toutes les plages. Les courbes opérationnelles facilitent également la sélection du seuil conçu pour maximiser l'utilité d'un test. Si un examen est conçu pour confirmer une maladie, un seuil avec une plus grande spécificité et une sensibilité plus faible est choisi. Si un test est conçu pour dépister une maladie occulte, un seuil de plus grande sensibilité et de spécificité plus faible sera choisi.

Courbe caractéristique opérationnelle typique du receveur.

Caractéristiques des tests

Certaines variables cliniques n'ont que 2 résultats possibles (p. ex., vivante/mort, enceinte/pas enceinte); ces variables sont appelées catégorielles et dichotomiques. D'autres résultats catégoriels peuvent avoir plusieurs valeurs discrètes (p. ex., groupe sanguin, échelle de coma de Glasgow [Glasgow Coma Scale]) qui sont dites nominales ou ordinales. Les variables nominales telles que le groupe sanguin n'ont pas d'ordre particulier. Les variables ordinales telles que l'échelle de coma de Glasgow (Glasgow Coma Scale) ont des valeurs discrètes qui sont disposées dans un ordre particulier. D'autres variables cliniques, y compris de nombreux tests diagnostiques, sont continues et ont un nombre infini de résultats possibles (p. ex., numération des GB, glycémie). De nombreux médecins choisissent un seuil qui peut faire qu'une variable continue soit traitée comme une variable dichotomique (p. ex., les patients qui présentent une glycémie à jeun > 126 mg/dL sont considérés comme diabétiques). D'autres tests diagnostiques continus ont une utilité diagnostique quand ils ont des seuils multiples ou lorsque différentes gammes différentes de résultats ont une valeur diagnostique différente.

Lorsque les résultats des tests peuvent être définis comme positifs ou négatifs, tous les résultats possibles peuvent être enregistrés dans un tableau simple 2 × 2 (v. Distribution de résultats hypothétiques) à partir duquel d'importantes caractéristiques discriminatoires des tests, dont la sensibilité, la spécificité, la valeur prédictive positive et négative, et le ratio de vraisemblance peuvent être calculés (v. Répartition des résultats d'un test d'estérase leucocytaire hypothétique dans une cohorte de 1000 Femmes présentant une prévalence présumée d'infection des voies urinaires de 30%).

Distribution de résultats hypothétiques

Résultats

Maladie présente

Absence de maladie

Test positif

Vrai positif

Faux positif

Test négatif

Faux négatif

Vrai négatif

Total des patients

Tous les patients atteints de la maladie

Tous les patients qui ne présentent pas la maladie

Sensibilité, spécificité et valeurs prédictives

Les valeurs de sensibilité, de spécificité et de prédictivité sont généralement considérées comme des caractéristiques du test lui-même, indépendantes de la population de patients.

La sensibilité est la probabilité que le résultat du test soit positif chez des patients souffrant de la maladie (taux de vrai positif); un test positif chez 8 patients sur 10 souffrant d’une certaine maladi a une sensibilité de 0,8 (ou de 80%). La sensibilité représente la façon dont un test détecte la maladie; un test de faible sensibilité n’identifie pas de nombreux patients qui présentent une maladie et un test de sensibilité élevée permet d'exclure un diagnostic lorsque les résultats sont négatifs. La sensibilité est le complémentaire du taux de faux-négatifs (c.-à-d., le taux de faux négatifs plus la sensibilité = 100%).

La spécificité est la probabilité d’un résultat négatif du test chez des patients qui n’ont pas la maladie (taux de vrais négatifs); un test qui est négatif chez 9 patients sur 10 qui n’ont pas la maladie a une spécificité de 0,9 (ou 90%). La spécificité représente la façon dont un test identifie correctement les patients qui présentent une maladie parce que les tests qui ont une spécificité élevée ont un faible taux de faux positifs. Un test qui a une faible spécificité diagnostique de nombreux patients qui ne présentent pas la maladie comme ayant la maladie. C'est le complémentaire du taux de faux positifs.

La valeur prédictive positive est la proportion de patients qui présentent un test positif qui ont réellement la maladie; si 9 sur 10 des résultats positifs sont corrects (vrais positifs), la valeur prédictive positive est de 90%. Puisque tous les résultats positifs présentent un certain nombre de vrais positifs et de faux positifs, la valeur prédictive positive décrit la probabilité qu'un résultat positif dans une population de patients donnée représente un vrai positif.

La valeur prédictive négative est la proportion des patients qui présentent un résultat négatif et qui sont réellement exempts de la maladie; si 8 des 10 résultats négatifs sont corrects (vrais négatifs), la valeur prédictive négative est de 80%. Tous les patients qui ont des résultats négatifs n'étant pas de vrais négatifs, certains patients qui présentent un résultat négatif ont effectivement la maladie. La valeur prédictive négative décrit la probabilité qu'un résultat négatif dans une population de patients donnée représente un vrai négatif.

Rapports de vraisemblance

Contrairement à la sensibilité et à la spécificité, qui ne s'applique pas aux probabilités spécifiques des patients, le rapport de vraisemblance permet aux médecins d'interpréter les résultats des tests chez un patient donné à la condition que la probabilité pré-test de la maladie soit connue (bien que souvent estimée).

Le rapport de vraisemblance décrit la variation de probabilité pré-test de la maladie lorsque le résultat du test est connu et répond à la question, " De combien la probabilité post-test a-t-elle changé à présent que le résultat du test est connu ? " De nombreux tests cliniques sont dichotomiques; ils sont soit au-dessus du seuil (positif) soit au-dessous du seuil (négatif) et il n’existe que 2 résultats possibles. D'autres tests donnent des résultats continus ou sur une plage où des seuils multiples sont sélectionnés. La probabilité post-test réelle dépend de la valeur du rapport de vraisemblance (qui dépend des caractéristiques opérationnelles du test) et de l'estimation de la probabilité pré-test de la maladie. Lorsque le test pratiqué est dichotomique et que le résultat est positif ou négatif, la sensibilité et la spécificité peuvent être utilisées pour calculer un rapport de vraisemblance positif (RV+) ou négatif (RV-).

  • RV+: le rapport entre la probabilité d’un résultat de test positif se produisant chez des patients atteints de la maladie (vrai positif) à la probabilité d’un résultat de test positif chez les patients qui n’ont pas la maladie (faux positif)

  • RV-: le rapport entre la probabilité d’un résultat de test négatif chez des patients atteints de la maladie (faux négatif) à la probabilité d’un résultat de test négatif chez les patients qui n’ont pas la maladie (vrai négatif)

Quand le résultat est continu ou a plusieurs seuils, la courbe caractéristique opérationnelle du receveur, non la sensibilité et la spécificité, est utilisée pour calculer un RV qui n'est plus décrit comme RV+ ou RV-.

Puisque le rapport de vraisemblance est un rapport d’événements mutuellement exclusifs plutôt qu’une proportion d'un total, il représente un odds ( Probabilité et odds) plutôt qu'une probabilité. Pour un test donné, le rapport de vraisemblance est différent pour les résultats positifs et négatifs.

Par exemple, dans le cas d'un résultat positif à un test donné, un rapport de vraisemblance de 2,0 indique que les odds sont de 2:1 (vrais positifs:faux positifs) et qu'un résultat positif au test correspond à la présence de la maladie. Sur 3 tests positifs, 2 se produiraient en cas de maladie (vrais positifs) et 1 se produirait chez un patient qui n'a pas la maladie (faux positif). Les vrais positifs et les faux positifs étant des composantes des calculs de sensibilité et de spécificité, le RV+ peut également être calculé comme la sensibilité/(1 la spécificité). Plus le RV+ est élevé, plus la quantité d'information fournie par le résultat positif d'un test est élevée; un résultat positif à un test qui a un RV+> 10 est considéré comme une preuve solide en faveur d'un diagnostic. Autrement dit, l’estimation de la probabilité pré-test se déplace fortement vers 100% quand un test positif a un RV+ élevé.

Pour un résultat de test négatif, un RV- de 0,25 indique que les probabilités sont de 1:4 (faux négatifs: vrais négatifs) qu'un résultat de test négatif représente un patient atteint de maladie. Sur 5 résultats de tests négatifs, 1 se produirait chez un patient qui présente la maladie (faux négatif) et 4 se produiraient chez les patients qui ne présentent pas la maladie (vrai négatif). Le RV- peut également être calculé comme (1sensibilité)/spécificité. Plus le RV- est bas, plus grande est la quantité d'information fournie par le résultat négatif d'un test; un résultat négatif à un test avec un RV < 0,1 est considéré comme une preuve solide à l'encontre d'un diagnostic. Autrement dit, l’estimation de la probabilité pré-test se déplace fortement vers 0% de probabilité quand un test négatif a un RV- bas.

Les résultats d'un test qui a un LR de 1,0 ne fournissent aucune information et n'ont aucune influence sur la probabilité post-test de maladie.

Les rapports de vraisemblance sont commodes pour comparer les tests et sont également utilisés dans l'analyse bayésienne ( Examens complémentaires : Théorème de Bayes) pour interpréter les résultats des tests. Les rapports de vraisemblance se modifient, comme le font la sensibilité et la spécificité, lorsque les seuils se modifient. À titre d'exemple, un seuil élevé pour la numération des globules blancs (p. ex., 20 000/μL) en cas de possible appendicite aiguë est plus spécifique et aura un RV+ élevé mais également un RV- élevé (et donc peu informatif); choisir un seuil beaucoup plus bas et très sensible (p. ex., 10 000/μL) aurait un RV- bas mais aussi un RV+ bas.

Tests dichotomiques

Un test dichotomique idéal n’aurait pas de faux positifs ni de faux négatifs; tous les patients qui présentent un résultat positif auraient la maladie (100% de valeur prédictive positive), et tous les patients qui présentent un résultat négatif n’auraient pas la maladie (100% de valeur prédictive négative).

Dans la réalité, tous les tests ont des faux positifs et des faux négatifs, certains tests plus que d'autres. Pour illustrer les conséquences d'une sensibilité et d'une spécificité insuffisante sur les résultats des examens, considérons les résultats hypothétiques ( Répartition des résultats d'un test d'estérase leucocytaire hypothétique dans une cohorte de 1000 Femmes présentant une prévalence présumée d'infection des voies urinaires de 30%) des bandelettes réactives à l'estérase leucocytaire dans un groupe de 1000 femmes, dont 300 (30%) ont une infection urinaire (diagnostiquée par un test de référence tel qu'un ECBU). Ce scénario suppose à des fins d’illustration que la bandelette a une sensibilité de 71% et une spécificité de 85%.

Une sensibilité de 71% signifie que seules 213 femmes (71% des 300) qui ont une infection urinaire aurait un résultat positif au test. Les 87 autres auraient un résultat négatif au test. Une spécificité de 85% signifie que 595 femmes (85% des 700) qui n'ont pas d'infection des voies urinaires auraient un résultat négatif au test. Les 105 autres auraient un résultat positif au test. Ainsi, sur les 318 résultats positifs, seuls 213 seraient corrects (213/318 = 67% de valeur prédictive positive); un test positif rend le diagnostic d’infection urinaire plus probable qu’improbable mais pas certain cependant. Il y aurait également 682 tests négatifs, desquels 595 sont corrects (595/682 = 87% de valeur prédictive négative), rendant le diagnostic d’infection urinaire beaucoup moins probable mais encore possible; 13% des patients qui présentent un résultat négatif auraient effectivement une infection urinaire.

Répartition des résultats d'un test d'estérase leucocytaire hypothétique dans une cohorte de 1000 Femmes présentant une prévalence présumée d'infection des voies urinaires de 30%

Résultats

Maladie présente

Absence de maladie

Total des patients

Test positif

Vrai positif

213 patients (71% des 300)

Faux positif (FP)

105 patients (700 595)

318 patients qui présentent un test positif

Test négatif

Faux négatif

87 patients (300 213)

Vrai négatif (Vrai négatif)

595 patients (85% sur 700)

682 patients qui ont un test négatif

Total des patients

300 patients qui présentent une infection urinaire (présumée)

700 patients qui ne présentent pas d'infection urinaire (présumée)

1000 patients

Valeur prédictive positive = Vrai positif/(tous les patients qui présentent un test positif) = Vrai positif/(Vrai positif + Faux positif) = 213/(213 + 105) = 67%.

Valeur prédictive négative = Vrai négatif/(tous les patients qui ont un test négatif) = Vrai négatif/(Vrai négatif + Faux négatif) = 595/(595 + 87) = 87%.

Rapport de vraisemblance positif (LR +) = sensibilité/(1 spécificité) = 0,71/(1 0,85) = 4,73.

Rapport de vraisemblance négatif (LR-) = (1 sensibilité)/spécificité = (1 0,71)/0,85 = 0,34.

Cependant, la valeur prédictive positive et la valeur prédictive négative dans cette cohorte de patients ne peuvent être utilisées pour interpréter les résultats du même test lorsque l'incidence de la maladie sous-jacente (probabilité pré-test ou a priori) est différente. Remarquer les effets de modifier l’incidence de la maladie à 5% (v. Répartition des résultats d'un test d'estérase leucocytaire hypothétique dans une cohorte de 1000 Femmes présentant une prévalence présumée des infections des voies urinaires de 5%). Désormais la plupart des résultats positifs aux tests sont des faux positifs et la valeur prédictive positive n'est que de 20%; un patient dont le résultat au test est positif est en fait plus susceptible de ne pas avoir d'infection urinaire. Cependant, la valeur prédictive négative est désormais très élevée (98%); un résultat négatif exclut principalement une infection urinaire.

Répartition des résultats d'un test d'estérase leucocytaire hypothétique dans une cohorte de 1000 Femmes présentant une prévalence présumée des infections des voies urinaires de 5%

Résultats

Maladie présente

Absence de maladie

Total des patients

Test positif

Vrai positif

36 patients (71% sur 50)

Faux positif (Faux positif)

144 patients (950 806)

180 patients qui présentent un test positif

Test négatif

Faux négatif

14 patients (50 36)

Vrai négatif (Vrai négatif)

806 patients (85% des 950)

820 patients qui ont un test négatif

Total des patients

50 patients qui présentent une infection urinaire (présumée)

950 patients qui ne présentent pas d'infection urinaire (présumée)

1000 patients

Valeur prédictive positive = Vrai positif/(tous ceux qui ont un test positif) = Vrai positif/(Vrai positif + Faux positif) = 36/(36 + 144) = 20%.

Valeur prédictive négative = Vrai négatif/(tous ont un test négatif) = Vrai négatif/(Vrai négatif + FN) = 806/(806 + 14) = 98%.

Rapport de vraisemblance positif (LR +) = sensibilité/(1 spécificité) = 0,71/(1 0,85) = 4,73.

Rapport de vraisemblance négatif (LR-) = (1 sensibilité)/spécificité = (1 0,71)/0,85 = 0,34.

Noter que dans les deux cohortes de patients, même si les valeur prédictive positive et valeur prédictive négative sont très différentes, les rapports de vraisemblance ne changent pas parce que les rapports de vraisemblance ne sont déterminés que par la sensibilité et la spécificité.

Clairement, un résultat de test ne fournit pas un diagnostic définitif mais seulement des estimations de la probabilité qu'une maladie soit présente ou absente et cette probabilité post-test (probabilité d'une maladie étant donné un résultat de test spécifique) varie grandement selon la probabilité pré-test de la maladie ainsi que la sensibilité et la spécificité du test (et donc son RV).

La probabilité pré-test n'est pas une mesure précise; elle repose sur un jugement clinique à savoir jusqu'à quel point la symptomatologie évoque la présence de la maladie, ce qui dans l'anamnèse et les facteurs de risque est en faveur du diagnostic et la fréquence de la maladie dans une population représentative. De nombreux systèmes de notation cliniques sont conçus pour estimer la probabilité pré-test; l’ajout de points pour diverses caractéristiques cliniques facilite le calcul d'un score. Par exemple, il existe des critères pour prédire la probabilité pré-test d'embolie pulmonaire ( Embolie pulmonaire : Probabilité clinique). Des scores calculés plus élevés donnent des probabilités estimées plus élevées.

Tests continus

De nombreux résultats de tests sont continus et peuvent fournir des informations cliniques utiles sur une large gamme de résultats. Les médecins choisissent souvent un certain seuil pour maximiser l'utilité du test. Par exemple, une numération des globules blancs > 15 000 peut être caractérisée comme positive; des valeurs < 15 000 comme négative. Quand un test fournit des résultats continus mais qu'un certain seuil est sélectionné, le test fonctionne comme un test dichotomique. Plusieurs seuils peuvent également être sélectionnés. La sensibilité, la spécificité, la valeur prédictive positive, la valeur prédictive négative, le RV+, et le RV- peuvent être calculés pour des seuils simples ou multiples. Effet des modifications du seuil de la numération des globules blancs pour des patients chez qui on suspecte une appendicite illustre l'effet de la modification du seuil de la numération des globules blancs chez des patients chez qui on suspecte une appendicite.

Effet des modifications du seuil de la numération des globules blancs pour des patients chez qui on suspecte une appendicite

Seuil des GB*

Sensibilité

Spécificité

RV+

RV-

>

84%

53,13%

1,79

0,3

>

78%

62,5%

2,13

0,32

>

68%

75%

2,72

0,43

>

61,33%

78,12%

2,86

0,45

> 14 300

56,67%

81,25%

3,2

0,49

*Des seuils différents sont sélectionnés pour une variable continue telle que la numération des GB; les résultats au-dessus du seuil sont considérés comme positifs et ceux en dessous du seuil sont considérés comme négatifs.

LR = likelihood ratio (rapport de vraisemblance).

Adapté d'après Keskek M, Tez M, Yoldas O, et al: Receiver operating characteristic analysis of leukocyte counts in operations for suspected appendicitis. American Journal of Emergency Medicine 26:769–772, 2008.

Comme alternative, il peut être utile de regrouper les résultats des tests continus par niveaux. Dans ce cas, les résultats ne sont pas caractérisés comme positifs ou négatifs parce qu'il existe de multiples résultats possibles, si bien qu'un RV peut être déterminé pour chaque niveau de résultats, il n'y plus de RV+ ou de RV- distincts. Par exemple, Utilisation des groupes de numération des globules blancs pour déterminer le rapport de vraisemblance de la bactériémie chez l'enfant fébrile* illustre la relation entre une numération des globules blancs et la bactériémie chez l'enfant fébrile. Le RV correspondant à la probabilité d'un résultat donné chez les patients atteints de la maladie divisée par la probabilité de ce résultat chez les patients qui ne présentent par la maladie, le RV pour chaque groupe de numération des globules blancs correspond à la probabilité de bactériémie dans ce groupe, divisée par la probabilité d'absence de bactériémie.

Utilisation des groupes de numération des globules blancs pour déterminer le rapport de vraisemblance de la bactériémie chez l'enfant fébrile*

Numération des GB

Nombre d'enfants qui présentent une bactériémie, n = 127 (%)

Nombre d'enfants qui n'ont pas de bactériémie, N = 8629 (%)

RV (% avec bactériémie/% sans bactériémie)

0–5000

0 (0,0%)

543 (6,3%)

0,00

5 001–10 000

3 (2,4%)

3291 (38,1%)

0,06

10 001–15 000

15 (11,8%)

2767 (32,1%)

0,37

15 001–20 000

48 (37,8%)

1337 (15,5%)

2,4

20 001–25 000

34 (26,8%)

469 (5,4%)

4,9

25 001–30 000

12 (9,4%)

155 (1,8%)

5,3

> 30 001

15 (11,8%)

67 (0,8%)

15,2

*Incidence des bactériémies chez 8756 enfants fébriles regroupés par numération des GB. Le RV de chaque groupe est calculé en divisant la probabilité de la bactériémie par la probabilité de l'absence de bactériémie.

LR = likelihood ratio (rapport de vraisemblance).

Adapté d'après Lee GM, Harper MB: Risk of bacteremia for febrile young children in the post-Haemophilus influenzae type b era. Archives of Pediatric and Adolescent Medicine 152:624–628, 1998.

Regrouper des variables continues permet une utilisation beaucoup plus large du résultat du test que lorsqu'un seuil unique est établi. En utilisant des analyses bayésiennes, les rapports de vraisemblance du Utilisation des groupes de numération des globules blancs pour déterminer le rapport de vraisemblance de la bactériémie chez l'enfant fébrile* peuvent être utilisés pour calculer la probabilité post-test.

Dans le cas de résultats de tests continus, si la courbe caractéristique opérationnelle du receveur est connue, les calculs indiqués dans le Utilisation des groupes de numération des globules blancs pour déterminer le rapport de vraisemblance de la bactériémie chez l'enfant fébrile* ne doivent pas être effectués; les RV peuvent être trouvées pour différents points de la gamme de résultats en utilisant la pente de la courbe caractéristique opérationnelle du receveur à l'endroit souhaité.

Théorème de Bayes

Le processus qui utilise la probabilité pré-test de la maladie et les caractéristiques du test pour calculer la probabilité post-test est appelé théorème de Bayes ou révision bayesienne. En utilisation clinique de routine, la méthodologie bayésienne prend généralement plusieurs formes:

  • Formulation probabilité-vraisemblance (calcul ou nomogramme)

  • Approche tabulaire

Calcul de vraisemblance

Si la probabilité pré-test de la maladie est exprimée par sa vraisemblance et parce que le RV d'un test représente sa vraisemblance, le produit des 2 représente la probabilité post-test de la maladie (analogue au fait de multiplier 2 probabilités pour calculer la probabilité d'occurrence simultanée des 2 événements):

Vraisemblance pré-test × RV = probabilité post-test

Les médecins pensant généralement en termes de probabilités plutôt que de vraisemblance, les probabilités peuvent être converties en vraisemblance (et vice-versa) à l'aide de ces formules:

Vraisemblance = probabilité/1 probabilité

Probabilité = vraisemblance/vraisemblance + 1

Considérons l'exemple de l'infection urinaire comme indiqué dans le Répartition des résultats d'un test d'estérase leucocytaire hypothétique dans une cohorte de 1000 Femmes présentant une prévalence présumée d'infection des voies urinaires de 30%, dans lequel la probabilité pré-test d'infection urinaire est de 0,3, et le test utilisé a un RV+ de 4,73 et un RV- de 0,34. Une probabilité pré-test de 0,3 correspond à une vraisemblance de 0,3/(1 0,3) = 0,43. Ainsi, la vraisemblance post-test, que l'infection urinaire soit présente chez un patient qui a un résultat de test positif, est égale au produit de la vraisemblance pré-test et du RV+; 4,73 × 0,43 = 2,03, ce qui représente une probabilité post-test de 2,03/(1 + 2,03) = 0,67. Ainsi, les calculs bayésiens montrent qu’un résultat de test positif augmente la probabilité pré-test de 30 à 67%, le même le résultat obtenu dans le calcul de la valeur prédictive positive dans le Répartition des résultats d'un test d'estérase leucocytaire hypothétique dans une cohorte de 1000 Femmes présentant une prévalence présumée d'infection des voies urinaires de 30%.

Un calcul similaire est effectué pour un test négatif; vraisemblance post-test = 0,34 × 0,43 = 0,15, correspondant à une probabilité de 0,15/(1 + 0,15) = 0,13. Ainsi, un résultat négatif fait baisser la probabilité pré-test de 30 à 13%, à nouveau le même résultat obtenu dans le calcul de la valeur prédictive négative dans le Répartition des résultats d'un test d'estérase leucocytaire hypothétique dans une cohorte de 1000 Femmes présentant une prévalence présumée d'infection des voies urinaires de 30%.

De nombreux programmes de calcul médical qui fonctionnent sur des appareils portatifs sont disponibles pour calculer la probabilité post-test à partir de la probabilité pré-test et des RV.

Nomogramme de vraisemblance

L'aide d'un nomogramme est particulièrement utile parce qu'elle évite la nécessité de convertir entre les vraisemblances et les probabilités ou de créer des tableaux 2 × 2.

Le nomogramme de Fagan est représenté dans la Nomogramme de Fagan.. Pour utiliser le nomogramme, une ligne est tracée à partir de la probabilité pré-test et croise le RV. La probabilité post-test est le point où cette ligne coupe la ligne de probabilité post-test. Les lignes d'échantillonnage dans la figure sont tracées à partir des données du test de l'infection urinaire dans le Répartition des résultats d'un test d'estérase leucocytaire hypothétique dans une cohorte de 1000 Femmes présentant une prévalence présumée d'infection des voies urinaires de 30%. La ligne A représente un résultat positif; elle est tracée de la probabilité pré-test de 0,3 jusqu'au RV+ de 4,73 et donne une valeur post-test légèrement < 0,7, similaire à la probabilité calculée de 0,67. La ligne B représente un résultat négatif; elle est tracée de la probabilité pré-test de 0,3 jusqu'au RV- de 0,34 et donne une valeur post-test légèrement > 0,1, similaire à la probabilité calculée de 13%.

Bien que le nomogramme semble moins précis que les calculs, les valeurs typiques des probabilités pré-test sont souvent des estimations, l'évidente précision des calculs est ainsi habituellement trompeuse.

Nomogramme de Fagan.

Les lignes d'illustration sont tracées à partir des données du test de l'infection urinaire dans le Répartition des résultats d'un test d'estérase leucocytaire hypothétique dans une cohorte de 1000 Femmes présentant une prévalence présumée d'infection des voies urinaires de 30%. La ligne A représente un test positif, tracée d'une probabilité pré-test de 0,3 à un RV+ de 4,73 à une valeur post-test légèrement < 0,7, similaire à la probabilité calculée de 0,67. La ligne B représente un résultat négatif, tracée d'une probabilité pré-test de 0,3 à un RV- de 0,34 à une valeur post-test légèrement > 0,1, similaire à la probabilité calculée de 13%.

RV+= rapport de vraisemblance pour un résultat positif; RV-= RV pour un résultat négatif.

Adapté d'après Fagan TJ. Letter: nomogram for Bayes theorem. New England Journal of Medicine 293:257, 1975.

Approche tabulaire

Souvent, les RV d'un test sont inconnus, mais la sensibilité et la spécificité sont connues et la probabilité pré-test peut être estimée. Dans ce cas, la méthodologie bayésienne peut être utilisée en utilisant un tableau 2 × 2 illustré dans le Interprétation d'un résultat au test de l'estérase leucocytaire Résultat du test dans une cohorte de 1000 femmes chez qui on suppose une prévalence de 30% d'infection urinaire (probabilité pré-test), sensibilité du test de 71% et spécificité de 85%* en utilisant l'exemple du Répartition des résultats d'un test d'estérase leucocytaire hypothétique dans une cohorte de 1000 Femmes présentant une prévalence présumée d'infection des voies urinaires de 30%. Notez que cette méthode montre qu’un résultat de test positif augmente la probabilité d’une infection urinaire à 67%, et un résultat négatif, la diminue à 13%, les mêmes résultats obtenus par calcul à l’aide des RV.

Interprétation d'un résultat au test de l'estérase leucocytaire Résultat du test dans une cohorte de 1000 femmes chez qui on suppose une prévalence de 30% d'infection urinaire (probabilité pré-test), sensibilité du test de 71% et spécificité de 85%*

Résultats

Infection urinaire présente

Infection urinaire absente

300 patientes qui présentent une infection urinaire avec

700 patientes qui ne présentent pas une infection urinaire

Test de l'estérase leucocytaire positif

213 patients (Vrai positif)

105 patients (Faux positif)

Test de l'estérase leucocytaire négatif

87 patients (Faux négatif)

595 patients (TN – vrai négatif)

*Le théorème de Bayes peut être simplifié pour permettre le calcul des probabilités post-test lorsque la probabilité pré-test est connue:

  • probabilité post-test lorsque le test est positif = Vrai positif/(tous ceux qui ont un test positif) = Vrai positif/(Vrai positif + Faux positif) = 213/(213 + 105) = 67%.
  • Probabilité post-test lorsque le test est négatif = Vrai négatif/(tous ont un test positif) = Faux négatif/(Faux négatif + Vrai négatif) = 87/(87 + 595) = 13%.

FN = false negative (faux négatif); faux positif = false positive (faux positif); TN = true negative (vrai négatif); TP = true positive (vrai positif).

Tests séquentiels

Les médecins font souvent des tests en série au cours de nombreux bilans diagnostiques. Si les vraisemblances pré-test avant les tests séquentiels sont connues et le RV de chacun des tests de la séquence est connu, la probabilité post-test peut être calculée selon la formule suivante:

Vraisemblance pré-test ×RV 1 ×RV 2 ×RV 3 = probabilité post-test

Cette méthode est limitée par l'hypothèse importante selon laquelle chacun des tests est conditionnellement indépendant de chacun des autres.

Tests de dépistage

Les patients se posent souvent la question de savoir s'ils doivent être dépistés pour une maladie infraclinique. L'avantage du dépistage est qu'une détection précoce de la maladie peut améliorer le pronostic de patients présentant une maladie infraclinique et que les résultats faussement positifs fréquents en cas de dépistage n'induisent pas un inconvénient supérieur (p. ex., coûts et effets indésirables des tests de confirmation, traitements non nécessaires) au bénéfice tiré d'une détection précoce. Pour minimiser ces inconvénients, les médecins doivent choisir le test de dépistage approprié. Le dépistage n'est pas indiqué lorsque les traitements sont inefficaces ou que la maladie est très rare (sauf si une sous-population peut être identifiée dans laquelle la prévalence est plus élevée).

Théoriquement, le meilleur test de dépistage et de diagnostic est celui qui a la sensibilité et la spécificité la plus élevée. Cependant, ces tests très précis sont souvent complexes, chers et invasifs (p. ex., coronarographie) et sont donc impraticables pour le dépistage d'un grand nombre d'individus asymptomatiques. Typiquement, des compromis de sensibilité et/ou de spécificité doivent être faits lors de la sélection du test de dépistage.

Le médecin choisit un test qui optimise la sensibilité ou la spécificité en fonction des conséquences d'un résultat faussement positif ou faussement négatif, ainsi qu'en fonction de la probabilité pré-test de la maladie. Le test de dépistage idéal est celui qui est toujours positif chez presque tous les patients atteints de la maladie, de sorte qu'un résultat négatif exclut la maladie de manière fiable chez les sujets en bonne santé. Lors de tests portant sur une maladie grave pour laquelle un traitement efficace est disponible (p. ex., les coronaropathies), on serait tenté de tolérer plus de faux positifs (spécificité moindre) que de faux négatifs (sensibilité moindre). Bien qu'une sensibilité élevée soit un attribut très important des tests de dépistage, la spécificité est également importante dans certaines stratégies de dépistage. Dans les populations à forte prévalence de la maladie, la valeur prédictive positive d’un test de dépistage augmente; lorsque la prévalence de la maladie diminue, la probabilité post-test de la maladie après un résultat positif diminue. Donc, pour le dépistage d'une maladie dans une population à haut risque, on préfère utiliser des tests très sensibles plutôt que des tests très spécifiques, car les premiers permettent mieux d'écarter la maladie (on observe moins de faux négatifs). D'autre part, on préfère utiliser des tests plus spécifiques pour les populations à faible risque ou dans le cas de maladies rares pour lesquelles une thérapie est peu efficace ou risquée.

Tests de dépistage multiples

Avec le nombre croissant de tests de dépistage disponibles, l'utilisation de tels éventails de tests doit être envisagée. Par exemple, des groupes de tests de test de 8, 12 ou parfois 20 examens sanguins sont souvent effectués quand un patient est hospitalisé ou est examiné la première fois par un nouveau médecin. Bien que ce type de test puisse être utile dans le dépistage de certaines maladies, utiliser de grands panels de tests a des conséquences potentiellement négatives. Un test qui a une spécificité de 95% donnera des résultats faussement positifs chez 5% des patients qui ne présentent pas la maladie. Si 2 tests différents de dépistage sont effectués, chacun d'eux concernant une maladie infraclinique différente, chez un patient qui ne présente en réalité aucune des deux maladies, la probabilité que ces deux tests soient négatifs est de 95% × 95%, soit environ 90%; ainsi, il existe 10% de chance d'avoir au moins un faux positif. Pour 3 de tels tests, la probabilité que tous 3 soient négatifs est de 95% × 95% × 95% ou de 86%, ce qui correspond à une probabilité de 14% d'avoir au moins un résultat faux positif. Si 12 tests différents pour 12 maladies différentes ont été effectués, la probabilité d’obtenir au moins un résultat faussement positif est de 46%. Cette probabilité élevée souligne la prudence nécessaire lorsqu'un panel de dépistage est effectué et lors de l'interprétation de ses résultats.

Seuils de tests

Un examen de laboratoire ne doit être effectué que si ses résultats ont une incidence sur la prise en charge; sinon les frais et risques pour le patient n’ont pas de raison d'être. Les médecins peuvent parfois déterminer quand tester en comparant les probabilités pré-test et les estimations post-test en utilisant certains seuils. Au-dessus d'un certain seuil de probabilité, les avantages du traitement l'emportent sur les risques (dont le risque d'erreur de traiter un patient qui n'est pas malade), et le traitement est indiqué. Ce point est appelé seuil de traitement et est déterminé comme décrit précédemment ( Stratégies de prise de décisions clinique : Estimations des probabilités et du seuil thérapeutique). Par définition, les examens ne sont pas nécessaires lorsque la probabilité pré-test se trouve déjà au-dessus du seuil thérapeutique. Mais tester est indiqué si la probabilité pré-test est inférieure au seuil thérapeutique si un résultat de test positif peut faire monter la probabilité post-test au-dessus du seuil thérapeutique. La plus faible probabilité pré-test à laquelle cela peut être observé dépend des caractéristiques du test (p. ex., RV+) et est appelé seuil de test.

Conceptuellement, si le meilleur test pour un trouble grave a un RV+ bas, et que le seuil thérapeutique est élevé, il est compréhensible qu'un résultat de test positif ne puisse pas faire remonter la probabilité post-test au-dessus du seuil thérapeutique chez un patient qui a une probabilité pré-test basse mais une probabilité pré-test basse mais inquiétante (p. ex., 10% ou 20%).

Dans une illustration numérique, considérons le cas décrit précédemment d'un possible infarctus du myocarde aigu ( Stratégies de prise de décisions clinique : Estimations des probabilités et du seuil thérapeutique) dans lequel l'équilibre entre risque et bénéfice a permis de déterminer un seuil thérapeutique de 25%. Lorsque la probabilité d'infarctus du myocarde dépasse 25%, un traitement thrombolytique est administré. Quand un échocardiogramme rapide doit-il être pratiqué avant d’administrer un traitement thrombolytique ? Si on suppose une sensibilité hypothétique de 60% et une spécificité de 70% de l’échocardiogramme dans le diagnostic de l’infarctus du myocarde; ces pourcentages correspondent à un RV+ de 60/(100 70) = 2 et à un RV- de (100 60)/70 = 0,57.

Le problème peut être abordé mathématiquement (vraisemblance pré-test × RV = rapport de vraisemblance post-test) ou plus intuitivement graphiquement en utilisant le nomogramme de Fagan (v. Nomogramme de Fagan utilisé pour déterminer le besoin de tester.). Sur le nomogramme, une ligne reliant le seuil thérapeutique (25%) sur la ligne de probabilité post-test passant par le RV+ (2,0) sur la ligne médiane du RV coupe une probabilité pré-test d'environ 0,14. Il est clair qu'un test positif chez un patient qui présente une probabilité pré-test < 14% aboutirait encore à une probabilité post-test inférieure au seuil thérapeutique. Dans ce cas, l’échocardiographie serait inutile parce que même un résultat positif ne conduirait pas à une décision de traiter; ainsi, une probabilité pré-test de 14% est le seuil du test de ce test en particulier (v. Représentation des seuils de test et de traitement.). Un autre test avec un RV+ différent aurait un seuil de test différent.

Nomogramme de Fagan utilisé pour déterminer le besoin de tester.

Dans cet exemple, le patient est supposé avoir un seuil de traitement de 25% pour l'infarctus du myocarde aigu. Lorsque la probabilité d'infarctus du myocarde dépasse 25%, un traitement thrombolytique est administré. Les médecins peuvent utiliser le nomogramme de Fagan pour déterminer quand l'échocardiogramme rapide doit être effectué avant d'administrer un traitement thrombolytique. Si on suppose que l'échocardiographie a une sensibilité théorique de 60% et une spécificité de 70% pour un nouvel infarctus du myocarde, ces pourcentages correspondent à un rapport de vraisemblance (RV) d'un résultat positif du test (RV+) de 60/(100 70) = 2. Une ligne reliant un seuil thérapeutique de 25% sur la ligne de probabilité post-test avec un RV+ (2,0) sur la ligne RV moyenne coupe une probabilité pré-test d'environ 0,14. Un résultat positif chez un patient qui présente une probabilité pré-test < 14% aboutit toujours à une probabilité post-test inférieure au seuil thérapeutique.

Adapté d'après Fagan TJ. Letter: nomogram for Bayes theorem. New England Journal of Medicine 293:257, 1975.

Représentation des seuils de test et de traitement.

La ligne horizontale représente les probabilités post-test.

Puisque 14% représentent toujours un risque significatif d’infarctus du myocarde, il est évident qu’une probabilité de maladie inférieure au seuil de test (p. ex., une probabilité pré-test de 10%) ne signifie pas nécessairement que la maladie soit exclue, juste qu'un résultat positif du test en question ne modifierait pas la prise en charge et donc que ce test n'est pas indiqué. Dans cette situation, le médecin rechercherait d'autres signes qui pourraient rehausser la probabilité pré-test et la faire passer au-dessus du seuil de test. Dans la pratique, puisque de nombreux tests sont souvent disponibles pour une maladie donnée, des tests séquentiels ( Examens complémentaires : Tests séquentiels) peuvent être effectués.

Cet exemple considère un test qui en lui-même ne présente pas de risque pour le patient. Si un test présente des risques sérieux (p. ex., cathétérisme cardiaque), le seuil de test doit être plus élevé; des calculs quantitatifs peuvent être effectués mais sont complexes. Par conséquent, l'effet de la réduction de la sensibilité et de la spécificité d'un test ou de l'augmentation de son risque est de restreindre la marge de probabilité de la maladie dont le test est la meilleure stratégie. Améliorer la capacité du test à discriminer ou à diminuer son risque élargit l'intervalle de probabilités sur lequel le test représente la meilleure stratégie.

Une exception possible à la proscription des tests dont la probabilité pré-test est inférieure au seuil de test (mais reste préoccupante) pourrait être le cas où le résultat d'un test négatif pourrait abaisser la probabilité post-test en dessous du point où la maladie pourrait être considérée comme exclue. Cette détermination requiert un jugement subjectif du degré de certitude requis pour considérer qu'une maladie est exclue et, de faibles probabilités étant impliquées, une attention particulière à tout risque lié au test doit être exercée.

Ressources dans cet article