Les « outils » de mesure 167
de l’absence du signe en l’absence de maladie. La spécificité est, en
effet, estimée par le rapport du nombre de sujets qui n’ont pas la maladie ni le signe (d), à l’ensemble des sujets qui n’ont pas la maladie dans
la population étudiée (b + d).
Un signe est d’autant plus spécifique qu’il est rarement présent chez les
personnes qui n’ont pas la maladie. S’il n’y a pas de « faux positifs »
(b = 0), la spécificité du signe est égale à 1 (ou 100 %). C’est ce que
l’on appelle alors un signe pathognomonique de la maladie comme le
signe de Koplik dans la rougeole. Ce type de signe est malheureusement très rare.
Les limites de la sensibilité et de la spécificité
Pour intéressants que soient les estimations de la sensibilité et de
la spécificité, que l’on peut assortir de leur intervalle de confiance, ces
deux moyens de mesure ne permettent pas de répondre aux deux principales questions qui intéressent le clinicien devant la présence d’un
signe clinique ou devant le résultat d’un examen complémentaire : si
le signe est présent, quelle est la probabilité que le sujet ait la maladie
que l’on cherche à diagnostiquer ? Et si le signe est absent, quelle est
la probabilité que le sujet n’ait pas la maladie que l’on a pu évoquer ?
Les valeurs prédictives répondent à ces interrogations. Ces valeurs,
encore dénommées probabilités a posteriori, sont, comme la sensibilité
et la spécificité, des probabilités conditionnelles dont les développements mathématiques ont été formulés, eux aussi par Thomas Bayes
1
(cf. infra).
Valeurs prédictives (tableau III)
Tableau III – Les valeurs prédictives.
M +
M –
Total
S +
a
b
a + b
S –
c
d
c + d
Total
a + c
b + d
N
La valeur prédictive positive (VPP) est égale à a/a + b.
La valeur prédictive négative (VPN) est égale à : d/c + d.
1 Bayes était un pasteur anglican ayant vécu au XVIII
e siècle.
de l’absence du signe en l’absence de maladie. La spécificité est, en
effet, estimée par le rapport du nombre de sujets qui n’ont pas la maladie ni le signe (d), à l’ensemble des sujets qui n’ont pas la maladie dans
la population étudiée (b + d).
Un signe est d’autant plus spécifique qu’il est rarement présent chez les
personnes qui n’ont pas la maladie. S’il n’y a pas de « faux positifs »
(b = 0), la spécificité du signe est égale à 1 (ou 100 %). C’est ce que
l’on appelle alors un signe pathognomonique de la maladie comme le
signe de Koplik dans la rougeole. Ce type de signe est malheureusement très rare.
Les limites de la sensibilité et de la spécificité
Pour intéressants que soient les estimations de la sensibilité et de
la spécificité, que l’on peut assortir de leur intervalle de confiance, ces
deux moyens de mesure ne permettent pas de répondre aux deux principales questions qui intéressent le clinicien devant la présence d’un
signe clinique ou devant le résultat d’un examen complémentaire : si
le signe est présent, quelle est la probabilité que le sujet ait la maladie
que l’on cherche à diagnostiquer ? Et si le signe est absent, quelle est
la probabilité que le sujet n’ait pas la maladie que l’on a pu évoquer ?
Les valeurs prédictives répondent à ces interrogations. Ces valeurs,
encore dénommées probabilités a posteriori, sont, comme la sensibilité
et la spécificité, des probabilités conditionnelles dont les développements mathématiques ont été formulés, eux aussi par Thomas Bayes
1
(cf. infra).
Valeurs prédictives (tableau III)
Tableau III – Les valeurs prédictives.
M +
M –
Total
S +
a
b
a + b
S –
c
d
c + d
Total
a + c
b + d
N
La valeur prédictive positive (VPP) est égale à a/a + b.
La valeur prédictive négative (VPN) est égale à : d/c + d.
1 Bayes était un pasteur anglican ayant vécu au XVIII
e siècle.