Test diagnostique : pourquoi un résultat positif ne suffit pas
Pnebbula · · Sources vérifiées le
Sensibilité, spécificité et prévalence expliquées avec deux populations fictives, pour lire une annonce de diagnostic sans confondre score et certitude.
Un test annoncé comme « fiable à 99 % » ne dit pas, à lui seul, quelle proportion de ses résultats positifs correspond à la maladie recherchée. Il faut savoir ce que mesure ce pourcentage, sur quelle population et avec quelle référence. Une bonne façon de comprendre le problème consiste à compter les personnes plutôt qu’à comparer des slogans.
Ce décryptage sert à lire une publication ou une annonce technologique. Les calculs qui suivent sont fictifs et ne permettent pas d’interpréter un résultat médical individuel.
Trois questions derrière trois indicateurs
La sensibilité répond à la question : parmi les personnes qui présentent la condition recherchée, combien obtiennent un résultat positif ? La spécificité part de l’autre groupe : parmi les personnes qui ne présentent pas cette condition, combien obtiennent un résultat négatif ? La valeur prédictive positive part, elle, des résultats : parmi les personnes positives au test, combien présentent effectivement la condition ? Les dénominateurs changent. La FDA recommande de présenter ensemble sensibilité et spécificité, en précisant la référence utilisée et la population étudiée. FDA, guide statistique sur les tests diagnostiques.
Cette distinction est concrète. Une entreprise peut annoncer que son test repère presque tous les cas connus. Cela ne renseigne pas encore sur le nombre de personnes sans la maladie qui seront également signalées. Réciproquement, un test qui produit très peu de fausses alertes peut laisser passer des cas. Le lecteur a besoin des deux côtés du tableau.
Un calcul sur 10 000 personnes fictives
Prenons un test imaginaire de sensibilité 90 % et de spécificité 99 %. Supposons une population de 10 000 personnes dans laquelle 1 % présentent la condition recherchée. Ces paramètres sont choisis uniquement pour rendre le calcul visible.
| Situation réelle supposée | Test positif | Test négatif | Total |
|---|---|---|---|
| Condition présente | 90 | 10 | 100 |
| Condition absente | 99 | 9 801 | 9 900 |
| Ensemble | 189 | 9 811 | 10 000 |
Le calcul se déroule en trois étapes. Il y a 100 personnes avec la condition ; le test en repère 90. Il y a 9 900 personnes sans cette condition ; avec 1 % de faux positifs dans ce groupe, 99 reçoivent pourtant un résultat positif. Le total des résultats positifs est donc 189, dont 90 correspondent à la condition.
La valeur prédictive positive vaut ici 90 ÷ 189, soit environ 47,6 %. Ce chiffre ne contredit pas la spécificité de 99 %. Les 1 % de faux positifs portent sur un groupe beaucoup plus grand que celui des personnes présentant la condition.
On peut refaire le calcul sans formule savante : compter les cas présents, appliquer la sensibilité, compter les cas absents, appliquer le taux de faux positifs, puis réunir les deux catégories positives. Cette représentation évite de mélanger « positif parmi les malades » et « malade parmi les positifs ».
Ce qui change avec la population testée
Gardons exactement les mêmes performances fictives, mais passons à une population où 10 % présentent la condition. On obtient 900 vrais positifs parmi 1 000 personnes concernées, et 90 faux positifs parmi 9 000 personnes non concernées. La proportion recherchée devient 900 ÷ 990, soit environ 90,9 %.
| Hypothèse de prévalence | Vrais positifs | Faux positifs | Part de vrais cas parmi les positifs |
|---|---|---|---|
| 1 % | 90 | 99 | 47,6 % |
| 10 % | 900 | 90 | 90,9 % |
La prévalence est la proportion de personnes présentant la condition dans le groupe considéré. Le National Cancer Institute explique que les valeurs prédictives dépendent de cette proportion ainsi que de la sensibilité et de la spécificité. Il distingue aussi performance d’un test de dépistage et bénéfice démontré d’un programme de dépistage. NCI, évaluation du dépistage.
Limite du calcul : nous avons maintenu sensibilité et spécificité constantes pour isoler l’effet mathématique de la prévalence. Dans une étude réelle, un autre recrutement, des stades différents ou des conditions d’utilisation différentes peuvent aussi modifier les performances mesurées. On ne peut donc pas reprendre notre seconde ligne comme prévision pour un autre service ou un autre pays.
Lire l’étude derrière le pourcentage
Une première vérification porte sur la référence : comment a-t-on établi la présence ou l’absence de la condition ? Une comparaison à une méthode imparfaite ne devient pas une mesure de vérité par simple calcul. Une seconde porte sur les participants : ont-ils été recrutés dans le contexte d’utilisation annoncé ? Enfin, l’effectif compte. La FDA rappelle que les performances observées sont des estimations et demande des intervalles de confiance pour rendre leur incertitude visible. FDA, guide statistique.
Pour examiner une annonce, nous proposons une fiche courte : condition recherchée ; population ; méthode de référence ; vrais et faux résultats ; effectifs ; incertitude. Une case vide est une question à poser, pas une preuve de mauvaise qualité. Cette fiche permet surtout de constater quand deux annonces ne parlent pas du même usage.
Les résultats impossibles à interpréter méritent également une place dans la lecture. Un article qui ne présente que les résultats exploitables laisse une question pratique : que deviennent les autres personnes ? Il faut chercher le nombre d’examens non concluants, leur traitement dans l’analyse et la suite prévue dans le parcours, plutôt que supposer qu’ils équivalent à des résultats négatifs.
Du résultat à la décision
Un résultat de laboratoire s’interprète avec d’autres informations. MedlinePlus, service de la National Library of Medicine, rappelle notamment le rôle des symptômes, des antécédents et des autres examens ; un résultat peut nécessiter des vérifications supplémentaires. MedlinePlus, comprendre ses résultats.
Pour une technologie nouvelle, la question éditoriale devient : que déclenche le résultat, et dispose-t-on de preuves sur cette étape ? Notre guide sur l’IA médicale et le bénéfice pour le patient traite précisément de ce passage entre performance technique et utilité clinique. Le présent calcul répond à une question plus étroite : pourquoi la signification d’un positif dépend du groupe dans lequel on le recherche.
Avant de reprendre « 99 % fiable », demandons donc : 99 % de quoi, parmi qui, et comparé à quelle référence ? Ces trois précisions rendent l’annonce beaucoup plus informative, sans promettre une certitude que le test ne mesure pas.
Sources et portée
Les définitions et limites de lecture proviennent de la FDA, du NCI et de MedlinePlus. Les deux populations sont fictives et les pourcentages sont des calculs pédagogiques, pas des performances mesurées ni des conseils médicaux individuels. Sources consultées le 22 octobre 2026.