Évaluation des tests diagnostiques - Analyse de la décision médicale (PDF)

De l’évaluation des tests diagnostiques à l’analyse de la décision médicale De l’évaluation des tests diagnostiques à l’analyse de la décision médicale Rédigé à partir du cours de la Pr. RABILLOUD NDLR – Ce chapitre ne contien...

De l’évaluation des tests diagnostiques à l’analyse de la décision médicale De l’évaluation des tests diagnostiques à l’analyse de la décision médicale Rédigé à partir du cours de la Pr. RABILLOUD NDLR – Ce chapitre ne contient pas toutes les démonstrations ni tous les exemples vus en cours mais reprend toutes les notions essentielles pour comprendre le chapitre et résoudre tous les exercices des épreuves de Tutorat ou de l’examen. Pour plus de clarté, certaines notions ne sont pas traitées dans le même ordre que dans les diapositives de l'enseignante présentées en cours. N’hésitez pas à aller voir le diaporama sur Moodle pour prendre connaissance des autres exemples non retranscrits dans ce cours. I. Évaluation des tests diagnostiques Un test diagnostique est un examen dont le résultat va apporter une information sur l’état du patient et, par-là, influencer sa prise en charge autant au niveau diagnostique que thérapeutique. Nous pouvons par exemple citer comme tests diagnostiques les cultures bactériologiques, les images radiologiques ou encore les dosages biochimiques. Il en existe une multitude, que nous distinguons notamment par la présentation du résultat : ▪ Binaire : présence ou absence d’un signe clinique ; Exemple – Douleur thoracique. ▪ Ordinal : échelle à niveau témoignant de la gravité d’une pathologie ; Exemple – Classification BIRADS utilisée en radiologie pour le stade du cancer du sein. ▪ Quantitatif continu : à partir d’une valeur, nous considérons le patient comme malade. Exemple – Dosage des hormones thyroïdiennes dans l’hyperthyroïdie. A. Valeurs intrinsèques du test Le seuil diagnostique est la valeur à partir de laquelle un individu est considéré comme malade. Cependant, ce seuil est souvent arbitraire, c’est-à-dire que nous le choisissons en fonction de la majorité. Les seuils diagnostiques sont donc modulables. Leur résultat ne constitue pas une indication parfaite de l’état du patient. On leur définit ainsi des critères de jugement de performance : ▪ La sensibilité (Se) d’un test ; ▪ La spécificité (Sp) d’un test. NDLR – La sensibilité et la spécificité sont appelées « valeurs intrinsèques du test » car elles ne dépendent que de la performance du test sans être influencées par la prévalence de la maladie. Un test « parfait », c’est-à-dire totalement capable de discriminer les malades des non-malades, est appelé Gold Standard. Il nous permet ainsi de calculer les valeurs intrinsèques du test. 1 Année 2024 – 2025 UE3 – Biostatistiques Sensibilité (Se) Spécificité (Sp) C'est la capacité d’un test à détecter tous les C'est la capacité d’un test à détecter malades ou vrais positifs (VP), et donc à éviter uniquement les non malades (VN) et donc à les faux négatifs (FN). éviter les faux positifs (FP). Il s’agit donc de la probabilité qu’un sujet soit Il s’agit donc de la probabilité qu’un sujet soit positif au test sachant qu’il est réellement négatif au test sachant qu’il n’est réellement malade (T+ : évènement « test positif »). pas malade (T- : évènement « test négatif »). 𝑉𝑃 𝑉𝑁 𝑆𝑒 = = 𝑝(𝑇 + |𝑀) 𝑆𝑝 = = 𝑝(𝑇 − |𝑀) 𝑉𝑃 + 𝐹𝑁 𝑉𝑁 + 𝐹𝑃 Ces deux valeurs varient en fonction de la valeur seuil attribuée au test. Nous choisirons donc un seuil différent en fonction de ce que nous cherchons : soit un test sensible, soit un test spécifique. Tableau de contingence récapitulant les différentes possibilités lors du test : État réel des sujets Malades Non malades Positif VP FP Test Négatif FN VN Total VP + FN FP + VN Remarque – Vous pouvez mettre en lien ce tableau avec le chapitre des Probabilités : cela permet de comprendre les formules du chapitre si vous comprenez bien ce lien avec les probabilités, vous pouvez retrouver les formules sans les apprendre par cœur. 𝑴 ̅ 𝑴 Total T+ 𝑉𝑃 = 𝑃(𝑇 + ∩ 𝑀) ̅) 𝐹𝑃 = 𝑃(𝑇 + ∩ 𝑀 𝑉𝑃 + 𝐹𝑃 = 𝑃(𝑇 + ) T- 𝐹𝑁 = 𝑃(𝑇 − ∩ 𝑀) ̅) 𝑉𝑁 = 𝑃(𝑇 − ∩ 𝑀 𝐹𝑁 + 𝑉𝑁 = 𝑃(𝑇 − ) 𝑉𝑃 + 𝐹𝑁 ̅) Total 𝐹𝑃 + 𝑉𝑁 = 𝑃(𝑀 𝑉𝑃 + 𝐹𝑃 + 𝐹𝑁 + 𝑉𝑁 = 𝑃(𝑀) Si on reprend la définition précédente de la sensibilité : il s’agit de la probabilité qu’un sujet soit positif au test sachant qu’il est réellement malade (T+ : évènement « test positif »). On peut ainsi écrire : 𝑆𝑒 = 𝑃(𝑇 + |𝑀) 𝑃(𝐴∩𝐵) En appliquant la formule vue dans le cours de probabilités conditionnelles, tel que : 𝑃(𝐵) = 𝑃(𝐵) , on 𝑃(𝑇+ ∩𝑀) peut déduire que :𝑃(𝑀) =. En utilisant maintenant le tableau à double entrée que nous avons 𝑃(𝑀) 𝑉𝑃 réalisé plus haut, on obtient P(T+∩M) = VP et P(M) = VP + FN. Ainsi 𝑆𝑒 = 𝑃(𝑀) =. 𝑉𝑃+𝐹𝑁 Étant une probabilité, la sensibilité est comprise entre 0 et 1. Un test sensible est un test dont la sensibilité tend vers 1. Nous pouvons appliquer la même chose à la spécificité : il s’agit de la probabilité qu’un sujet soit négatif au test sachant qu’il n’est réellement pas malade (T- : évènement « test ̅ ̅ ) = 𝑃(𝑇−∩𝑀). ̅ ) et :𝑃(𝑀 négatif »). On peut ainsi écrire : 𝑆𝑝 = 𝑃(𝑇 − |𝑀 ̅) 𝑃(𝑀 ̅ ) = 𝑉𝑁. Étant une ̅ ) = VN et P(𝑴) = FP + VN, ainsi :𝑆𝑝 = 𝑃(𝑀 En utilisant le tableau, on a P(T-|𝑴 𝐹𝑃+𝑉𝑁 probabilité, la spécificité est comprise entre 0 et 1. Un test spécifique est un test dont la spécificité tend vers 1. Tutorat Santé PASS Lyon-Est 2  De l’évaluation des tests diagnostiques à l’analyse de la décision médicale Test sensible Test spécifique Pour que le test soit très sensible, il faut placer la valeur seuil bas. Pour que le test soit très spécifique, il faut placer la valeur seuil haut. Le problème c’est que nous détecterons beaucoup de FP ce qui risque de créer un stress Ici, nous risquons d’oublier les patients atteints. inutile chez de nombreux patients non atteints. Remarque – Attention néanmoins, ceci n’est pas une généralité : ici, pour être positif il faut être au- dessus du seuil choisi, cependant, il existe des maladies pour lesquelles, pour être positif, il faut être en dessous d’un certain seuil (par exemple pour une hypothyroïdie avec le dosage de l’hormone T3). Cela modifie les schémas précédents : Test sensible Test spécifique Pour que le test soit très sensible, il faut Pour que le test soit très spécifique, il faut diminuer les faux négatifs : diminuer les faux positifs : 𝑉𝑃 𝑉𝑁 𝑆𝑒 = 𝑃(𝑀) = 𝑆𝑝 = 𝑃(𝑀) = 𝑉𝑃 + 𝐹𝑁 𝐹𝑃 + 𝑉𝑁 Ainsi, la sensibilité tend vers 1. Ainsi, la spécificité tend vers 1. 3 Année 2024 – 2025 UE3 – Biostatistiques Dépistage du cancer du sein à l’aide d’un test ordinal avec modification du seuil diagnostique. Nous constatons avec l'exemple ci-dessus que le seuil choisi va considérablement modifier les valeurs intrinsèques de notre test, c’est-à-dire la sensibilité et spécificité. Ainsi, il faut trouver un équilibre pour à la fois : détecter le plus de malades (sensibilité élevée) et ne pas détecter à tort des non-malades (spécificité élevée). La valeur seuil de diagnostic est donc à fixer en fonction de la prévalence de la maladie : le test doit être très sensible si nous sommes dans une population ciblée, le but étant dans ce cas de repérer un maximum de malades. Le test doit surtout être spécifique si la prévalence diminue. Nous aurons donc recours à un test : ▪ Sensible en cas de dépistage de masse ; Exemple – Dépistage du cancer colorectal. ▪ Spécifique pour confirmer le diagnostic avant d’entamer un traitement lourd et invasif. Exemple – Chimiothérapie. Tutorat Santé PASS Lyon-Est 4  De l’évaluation des tests diagnostiques à l’analyse de la décision médicale La courbe ROC est un graphique nous permettant de choisir le test qui sera le plus intéressant pour répondre à la question clinique posée. Elle représente les valeurs intrinsèques du test simultanément : pour chaque seuil diagnostique, nous déterminons le couple (Se ; Sp). Nous visualisons alors l’éloignement de la courbe à la diagonale. Celle-ci correspond à un test non discriminant quel que soit le seuil choisi (c’est-à-dire pour lesquels nous avons toujours Sp = Se). Un test sera d’autant plus discriminant qu’il s’éloigne de cette diagonale. Le point supérieur gauche n’est jamais atteint : il s’agit du Gold Standard (Se = 100 % ; Sp = 100 %). La capacité d’un test peut ainsi être estimée par l’aire sous la courbe (ASC). Plus cette aire est importante (soit plus il se rapproche du test parfait sur la courbe) meilleur sera le test. Courbe ROC. Notez bien que l’abscisse correspond à (1 − Sp) et non à Sp ! B. Valeurs prédictives positive et négative Il s’agit de probabilités calculées après la réalisation d’un test diagnostique. Elles permettent d’aboutir aux probabilités post-test, vrais indicateurs de la décision médicale. Nous parlons de valeurs extrinsèques du test. Elles dépendent des valeurs intrinsèques du test et de la prévalence de la maladie. Celle-ci est également appelée probabilité pré-test (d’avoir la maladie), c’est-à-dire la probabilité d’être malade avant d’avoir réalisé le test. NDLR – Le test va en effet modifier la probabilité d’être malade en fonction du résultat de ce test. S’il ne modifie pas cette probabilité, alors il est inutile (aucun renseignement utile nous a été apporté). Valeur prédictive positive (lorsque le test revient positif) : 𝑉𝑃 𝑆𝑒 × 𝑃(𝑀) 𝑉𝑃𝑃 = 𝑃(𝐌| 𝑇 +) = = ̅) 𝑉𝑃 + 𝐹𝑃 𝑆𝑒 × 𝑃(𝑀) + (1 − 𝑆𝑝) × 𝑃(𝑴 Valeur prédictive négative (lorsque le test revient négatif) 𝑉𝑁 𝑆𝑝 × 𝑃(𝑀̅) ̅ |𝑇 −) = 𝑉𝑃𝑁 = 𝑃( 𝑴 = ̅ ) + (1 − 𝑆𝑒) × 𝑃(𝑀) 𝑉𝑁 + 𝐹𝑁 𝑆𝑝 × 𝑃(𝑴 5 Année 2024 – 2025 UE3 – Biostatistiques Propriétés : ▪ Plus la prévalence de la maladie est élevée, meilleure est la VPP ; ▪ Plus la prévalence de la maladie est basse, meilleure est la VPN ; ▪ Plus le test est sensible, meilleure est la VPN ; ▪ Plus le test est spécifique, meilleure est la VPP. Moyen mnémotechnique – SPécificité va avec vpP et seNsibilité va avec vpN. Par exemple, si le test utilisé revient positif et que la probabilité post-test est supérieure à 50 %, alors le résultat est accepté et le patient est considéré comme atteint. Remarque – Vous pouvez faire les mêmes applications des probabilités pour ces formules en reprenant la méthode développée précédemment. C. Ratio de vraisemblance, probabilité pré et post-test Ratio de vraisemblance positif RV+ : plus le ratio de vraisemblance positif est élevé (toujours supérieur ou égal à 1), plus le test est capable d’affirmer la présence de la maladie lorsqu’il est positif : 𝑆𝑒 𝑃(𝑇 + |𝑀) 𝑅𝑉+ = = 1 − 𝑆𝑝 ̅) 𝑃(𝑇 + |𝑀 Ratio de vraisemblance négatif RV- : plus le ratio de vraisemblance négatif tend vers 0 (toujours inférieur à 1), plus le test est capable d’éliminer la présence de la maladie lorsqu’il est négatif : 1 − 𝑆𝑒 𝑃(𝑇 − |𝑀) 𝑅𝑉− = = 𝑆𝑝 ̅) 𝑃(𝑇 − |𝑀 Ces ratios de vraisemblance permettent ainsi de comparer les tests entre eux, pour savoir lequel sera le plus pertinent en fonction de la question posée, c’est-à-dire si nous voulons un test spécifique ou sensible. De plus, nous pouvons aussi savoir si un test est plus sensible ou plus spécifique. Pour cela, il suffit de comparer le RV+ et (1/RV-) du même test (nous prenons l’inverse du ratio de vraisemblance négatif pour pouvoir comparer ces deux ratios n'appartenant pas au même intervalle). D. Odds L’Odds ratio est un autre moyen d’accéder à la probabilité post-test d’être malade. Il estime le risque relatif d’être malade en fonction du résultat des valeurs intrinsèques d’un test, de son résultat et de la prévalence de la maladie. En effet, si la prévalence d’une maladie est élevée, nous aurons d’autant plus tendance à croire à la positivité d’un test par exemple. De même que pour la probabilité pré-test, nous avons : 𝑀 𝑝 𝑂𝑑𝑑𝑠 𝑝𝑟é − 𝑡𝑒𝑠𝑡 = 𝑀̅ = 1−𝑝 (avec p la prévalence de la maladie) Tutorat Santé PASS Lyon-Est 6  De l’évaluation des tests diagnostiques à l’analyse de la décision médicale En fonction du résultat du test (positif ou négatif), nous aurons l’odds post-test positif ou négatif (respectivement) : Lorsque le test revient positif Lorsque le test revient négatif 𝑂𝑑𝑑𝑠 𝑝𝑜𝑠𝑡-𝑡𝑒𝑠𝑡 = 𝑂𝑑𝑑𝑠 𝑝𝑟é-𝑡𝑒𝑠𝑡 × 𝑅𝑉 + 𝑂𝑑𝑑𝑠 𝑝𝑜𝑠𝑡-𝑡𝑒𝑠𝑡 = 𝑂𝑑𝑑𝑠 𝑝𝑟é-𝑡𝑒𝑠𝑡 × 𝑅𝑉 − Nous pouvons, en outre, passer de l’odds post-test à la probabilité post-test : 𝑂𝑑𝑑𝑠 𝑝𝑜𝑠𝑡 − 𝑡𝑒𝑠𝑡 𝑃𝑟𝑜𝑏𝑎𝑏𝑖𝑙𝑖𝑡é 𝑝𝑜𝑠𝑡 − 𝑡𝑒𝑠𝑡 = 1 + 𝑜𝑑𝑑𝑠 𝑝𝑜𝑠𝑡 − 𝑡𝑒𝑠𝑡 NDLR – Il s’agit d’une formule générale qui fonctionne à la fois si le test est positif ou négatif. Cependant, n’oubliez pas que si vous utilisez l’odds post-test positif, vous aurez une probabilité post- test positif, de même si le test est négatif. E. Représentativité d’un échantillon Notion phare du cours. Certains calculs comme celui de la VPP, de la VPN, de la probabilité post-test ainsi que celui de l’odds de la maladie demandent que l’échantillon choisi soit représentatif de la population étudiée afin que la prévalence observée soit fiable. Comment savoir quand l’échantillon est représentatif de la population ? Tout d'abord il n'est très souvent pas indiqué explicitement dans l'énoncé si l'échantillon est représentatif de la population ou non, il faut le déduire. L’information est forcément dans l’énoncé. Cela dépend du schéma d’étude : lorsque l’étude est de type cas témoins (constitution d’un groupe de malades et d’un groupe de sujets non malades indépendamment), cela n’a pas de sens d’estimer directement sur les données les valeurs prédictives car la répartition malades / non malades n’est pas représentative de la prévalence d’une maladie dans une population donnée. La répartition dépend de l’investigateur qui a déterminé le nombre de malades à inclure dans le groupe des cas et le nombre de non malades dans le groupe des témoins. Dès lors que l’étude est constituée d’un échantillon qui est le reflet d’une population donnée, alors il est possible d’estimer directement les valeurs prédictives (et autres paramètres) pour cette population. Explication – Un échantillon représentatif = un échantillon dont la part de malades et de non malades a été déterminée par le hasard. Pour obtenir ce genre d’échantillon, on sélectionne un groupe de personnes selon un critère que l’on n’étudie pas, puis on détermine la prévalence une fois que l’échantillon a déjà été fixé. Si l’investigateur a lui-même décidé combien de malades et combien de non malades il voulait dans l’échantillon, il n’y a pas de hasard en jeu. L’échantillon n’est donc pas représentatif. 7 Année 2024 – 2025 UE3 – Biostatistiques Une fois qu’on a déterminé si un échantillon est représentatif, on se retrouve alors face à plusieurs scénarii possibles : Représentativité et calculs de VPP/VPN. Cette notion de représentativité peut sembler complexe à cerner au début, mais elle est fondamentale dans la résolution des exercices portant sur les tests diagnostiques. Exemples d’exercices (un autre exemple est disponible sur Moodle) : → Question 8 de l’annale 2018/2019 (celle du concours annulé) : Tutorat Santé PASS Lyon-Est 8  De l’évaluation des tests diagnostiques à l’analyse de la décision médicale → Question 10 du CCB1 2018/2019 : Autres exemples d’exercices : ▪ Question 8 de l’annale 2017/2018 ; ▪ Question 10 de l’EM1 2018/2019 ; ▪ Question 5 du CCB2 2018/2019. II. Analyse de la décision médicale A. Choix d’un test diagnostique Il s’agit de recueillir dans la littérature, les valeurs nécessaires au calcul des ratios de vraisemblance et des valeurs intrinsèques de chaque test diagnostique à notre disposition. Nous choisissons ensuite le test le plus approprié selon ce que nous cherchons à mettre en évidence, c’est-à-dire un dépistage de masse par exemple, ou un test spécifique pour confirmer un diagnostic. Prenons ici un exemple pour mieux comprendre : un patient arrive aux urgences avec des douleurs abdominales violentes, des troubles urinaires avec du sang dans les urines. Nous suspectons des calculs au niveau de l’uretère (voie urinaire excrétrice). Pour confirmer ce diagnostic, nous cherchons le test présentant la meilleure sensibilité ainsi que la meilleure spécificité. D’après la littérature scientifique et médicale, nous avons trois tests : ASP, échographie, uroscanner. 9 Année 2024 – 2025 UE3 – Biostatistiques Comparaisons des trois tests radiologiques effectués. Nous constatons donc que l’uroscanner est le meilleur test avec la meilleure sensibilité et la meilleure spécificité. Résumé des données des différents tests lors de suspicion de calculs dans les voies excrétrices urinaires. B. Choix d’un traitement Il s’agit de s’aider des statistiques pour décider d’une conduite à tenir (CAT). Un deuxième exemple permet, cette fois-ci, d’illustrer l’analyse de la décision médicale dans le cadre du choix d’un traitement. Nous avons un patient qui a une angine, la question est de savoir s’il a une angine bactérienne ou virale pour savoir s’il est utile de donner des antibiotiques. On s’aide des autres signes cliniques pour déterminer si le patient à une angine à streptocoque. Les seuils de décisions sont : si la probabilité que le patient ait une angine à streptocoque soit supérieure à 50 %, on démarre le traitement sans attendre la confirmation biologique. On sait que la probabilité pré-test d’angine à streptocoque est de 10 %. On va donc devoir rechercher d’autres signes cliniques. On va obtenir les résultats suivants : Tutorat Santé PASS Lyon-Est 10  De l’évaluation des tests diagnostiques à l’analyse de la décision médicale Résultats obtenus dans l’exemple. Nous allons prendre un patient présentant des ganglions cervicaux et 39°C de fièvre. À partir de 𝑃(𝑀) 0,1 notre probabilité pré-test, on va d’abord pouvoir calculer l’odds pré-test : = = 0,11. 1−𝑃(𝑀) 0,9 Maintenant que l’on a déterminé cet odds, on va pouvoir calculer l’odds post-test. Étant donné que chez notre patient, les deux tests sont positifs (fièvre & ganglions) on va multiplier l’odds pré-test par les deux ratios de vraisemblance positifs : Odds post-test = odds pré-test x RV+(fièvre) x RV+(ganglions) = 0,11 x 3 x 1,69 = 0,56. On peut calculer la probabilité post-test : 𝑂𝑑𝑑𝑠 𝑝𝑜𝑠𝑡−𝑡𝑒𝑠𝑡 0,56 = = 0,36 => 36% < 50% 1+𝑂𝑑𝑑𝑠 𝑝𝑜𝑠𝑡−𝑡𝑒𝑠𝑡 1+0,56 Donc ces deux signes cliniques sont insuffisants pour traiter sans attendre le résultat microbiologique. Diapositive expliquant la notion de seuil de traitement. Nous allons maintenant étudier un troisième exemple : La démarche est la suivante : 11 Année 2024 – 2025 UE3 – Biostatistiques ▪ Définition du cas clinique : tumeur cérébrale chez un homme de 40 ans diagnostiquée par scanner (Sescanner = 0,96 ce qui correspond à la probabilité que le patient soit vraiment atteint ; et 1 – Spscanner = 0,08 ce qui correspond à la probabilité que le patient ne soit pas atteint alors que ce test est revenu positif) ; ▪ Définition des stratégies : comparer la réalisation ou non d’une artériographie pour confirmer les résultats du scanner revenus positifs et justifier le traitement associé ; ▪ Détermination des probabilités associées à chaque stratégie ; ▪ Détermination de l’utilité / espérance de vie (EDV) associée à chaque résultat ; ▪ Construction de l’arbre de décision : Utilités associées aux quatre situations. 1. Dessin d’un arbre Résumé des données des différents tests lors de suspicion de calculs dans les voies excrétrices urinaires. 2. Calcul des utilités attendues pour chaque stratégie On prend comme utilité l’espérance de vie. Si nous réalisons le test « artériographie », alors l’espérance de vie, notée EDV sera : 𝐸𝐷𝑉 = 𝑃(𝑀) × [𝑆𝑒 × 𝐸𝐷𝑉(𝑀+ 𝑇 + ) + (1 − 𝑆𝑒) × 𝐸𝐷𝑉(𝑀+ 𝑇 − )] + 𝑃(𝑀) × [(1 − 𝑆𝑝) × 𝐸𝐷𝑉(𝑀− 𝑇 + ) + 𝑆𝑝 × (𝐸𝐷𝑉(𝑀− 𝑇 − )] Soit, après application numérique : 𝐸𝐷𝑉 = 0,92 × (0,96 × 11 + (1 − 0,96) × 2,2) + 0,08 × (0 × 20 + 1 × 21) = 11,48 Si nous réalisons le test « intervention chirurgicale », alors l’espérance de vie, notée EDV sera : 𝐸𝐷𝑉 = 𝑃(𝑀) × 𝐸𝐷𝑉(𝑀 + ∅𝑡𝑒𝑠𝑡) + 𝑃(𝑀) × 𝐸𝐷𝑉(𝑀 − ∅𝑡𝑒𝑠𝑡) Soit après application numérique : 𝐸𝐷𝑉 = 0,92 × 11 + 0,08 × 20 = 11,72 Conclusion : l’EDV est supérieure si nous réalisons une intervention chirurgicale, c’est donc cette méthode qui sera retenue. Tutorat Santé PASS Lyon-Est 12  De l’évaluation des tests diagnostiques à l’analyse de la décision médicale Il s’agit bien d’une aide objective à la décision prenant en compte l’incertitude des examens. Ces arbres de décision nous aident à prendre la décision, mais ils ne nous la donnent pas ! Une décision humaine est ensuite prise. Il faut voir cet arbre comme un outil de décision médicale. NDLR – Item récurrent lors des épreuves ou à l’examen, à bien connaître. À retenir : ▪ Sensibilité et spécificité (définitions – formules – dans quel cas nous les utilisons) ; ▪ VPP et VPN (formules - savoir lesquelles dépendent de la prévalence et des valeurs intrinsèques du test) ; ▪ RV+ et RV- (formules et leur utilité pour affirmer ou éliminer la présence de la maladie en fonction du résultat du test) ; ▪ Odds et probabilité pré et post-test ; ▪ Comprendre quand un échantillon est représentatif ou non ; ▪ Arbre de décision (bien comprendre le fonctionnement, plus que d’apprendre par cœur les formules). Remarque – Comprendre ce cours vous aidera à suivre correctement celui sur l’épidémiologie. Les notions de ce cours y seront utilisées. 13 Année 2024 – 2025