Un bon test peut encore effrayer trop de monde

Lorsqu’une affection est rare, la plupart des résultats de tests positifs peuvent encore être des faux positifs.

La précision ne suffit pas. Tu as également besoin du taux de base de la chose testée.

Par l'équipe de rédaction de Math Says Yes

Examiné par des humains selon nos normes en matière de sources et de corrections.

LE PIÈGE

Un test avec une sensibilité et une spécificité de 99 % semble décisif. Cela ignore à quel point l’affection était rare avant le test.

Une loupe au-dessus d’une grande foule où seuls quelques chiffres sont corail, le reste étant sarcelle.

Ce que cela montre

Un résultat de test positif ne peut pas être interprété isolément : l’évaluer sans la fréquence de départ de ce que tu recherches constitue l’erreur du . Si l’affection est rare, le test est appliqué à beaucoup plus de personnes sans l’affection qu’avec l’affection. Même un faible taux de faux positifs peut alors créer de nombreuses alarmes, car il est multiplié par le groupe sans affection qui est beaucoup plus grand.

Ce que montrent les chiffres

vrais positifs

10 people

faux positifs

100 people

Illustratif : parmi 10 000 personnes, une prévalence de 1 sur 1 000 combinée à une sensibilité et une spécificité de 99 % donne environ 10 vrais positifs et 100 faux positifs.

Pourquoi l’intuition échoue

Les expressions sensible à 99 % et spécifique à 99 % attirent l’attention sur le test et l’éloignent de la testée. Les gens posent souvent la mauvaise question conditionnelle : à quelle fréquence le test est-il positif lorsque l’affection est réelle ? La question de décision est différente : parmi les personnes ayant un résultat positif, combien ont réellement l’affection ? Ces probabilités ne sont pas interchangeables. Le fournit le dénominateur manquant.

Exemple concret

Imagine tester 10 000 personnes pour une affection qui touche 1 personne sur 1 000. Environ 10 personnes l’ont et environ 9 990 ne l’ont pas. Si le test détecte 99 % des vrais cas et signale faussement 1 % des personnes en bonne santé, il trouve environ 10 vrais positifs mais aussi environ 100 faux positifs. Seuls 10 environ des 110 résultats positifs sont réels : le groupe positif est principalement composé de fausses alarmes, car la plupart des personnes signalées proviennent du groupe en bonne santé qui est beaucoup plus grand.

Comment l'utiliser

Convertis les pourcentages en effectifs avant de réagir. Choisis une taille de claire, estime combien de cas le implique, puis applique les et de faux positifs du test aux groupes de cas et de non-cas séparément. Enfin, compare les vrais positifs à l'ensemble des résultats positifs. Ce petit tableau rend souvent la réponse évidente d'une manière que les pourcentages bruts ne permettent pas.

Ce que les gens comprennent mal

Un test "précis à 95 %" ne signifie pas qu'un résultat positif te donne 95 % de chances d'avoir la condition. Cette lecture inverse discrètement la conditionnelle : la t'indique à quelle fréquence le test est positif lorsque la condition est présente, et non la de la condition étant donné un résultat positif. Pour obtenir ce second chiffre, tu dois combiner le résultat avec la fréquence de la condition avant le test — et les choses rares peuvent le rester même après que des indices solides pointent vers elles.

Quand cela s'applique

Les comptent chaque fois que des indices sont utilisés pour identifier une affection rare, un événement, un comportement de client, un cas de fraude ou un suspect juridique. Le schéma est plus marqué lorsque la chose détectée est rare et que les faux positifs ne sont pas presque impossibles. La solution pratique consiste à traduire les pourcentages en fréquences naturelles : sur 10 000 personnes, combien de vrais positifs et de faux positifs devons-nous attendre ?

Note sur la source

Gigerenzer et Hoffrage ont montré que les formats de fréquence améliorent le raisonnement bayésien, et le principal conseil de la page en découle : explique les résultats de tests sous forme d'effectifs dans une , et non seulement comme une , une ou des pourcentages abstraits.

Essaie

Taux de base et faux positifs

400 personnes testées, un point chacune. Le test détecte 99 % des cas et signale à tort 1 % des personnes en bonne santé.

Sur 400 personnes, le test en signale environ 6. Combien sont réellement malades ?

À 2 sur 400 malades, le test déclenche 6 alarmes — 2 vraies, 4 fausses. Un résultat positif est réel 33 % du temps.

FAQ

Qu'est-ce que l'erreur du taux de base ?

C'est l'erreur qui consiste à ignorer la fréquence d'un phénomène avant l'arrivée de nouveaux indices. Si l'événement est rare, les probabilités de départ sont faibles. Un signal fort peut relever ces probabilités, mais il doit surpasser le grand nombre de non-cas susceptibles de générer de fausses alarmes.

La plupart des résultats positifs peuvent-ils vraiment être faux ?

Oui, lorsque la condition testée est suffisamment rare et que le test est appliqué à large échelle. Un taux de faux positifs infime parmi des milliers de personnes ne présentant pas la condition peut créer plus de résultats positifs que n'en créent les cas réels.

Comment éviter cette erreur ?

Utilise des effectifs plutôt que de simples pourcentages. Pars d'une population, divise-la en cas et en non-cas à l'aide du taux de base, applique les taux d'erreur du test, puis demande-toi quelle proportion de tous les résultats positifs correspond à de vrais positifs.

Vérification rapide

Une affection touche 1 personne sur 1 000. Un test a une sensibilité et une spécificité de 99 %. Pourquoi un résultat positif peut-il encore être probablement faux ?

Les fausses alarmes du groupe non atteint, beaucoup plus large, dépassent en nombre les vrais cas.

Une précision de 99 % signifie que 99 % des résultats positifs sont erronés.

Le test devient moins précis pour les affections rares.