Intro:
Nous allons discuter de la sensibilité et de la spécificité des tests diagnostiques. Les tests diagnostiques sont des outils couramment utilisés pour aider à identifier les maladies chez les patients. En effet, souhaitant devenir kinésithérapeute, je me suis demandé comment savoir si un test était efficace? La sensibilité et la spécificité sont deux mesures importantes de l'efficacité d'un test diagnostique, j’expliquerais ces deux notions dans la première partie et leur lien avec la courbe ROC. Ensuite je décrirais la notion d’AUC (Aire sous la courbe ROC) qui permet d’indiquer la performance d’un test. Enfin, je montrerai un cas où cette approche a permis de sélectionner le meilleur test parmi plusieurs options.
Première partie:
La sensibilité mesure la capacité d'un test à identifier les individus atteints de la maladie, par exemple si un patient n’arrive pas à marcher seul on pourrait en déduire qu’il est paraplégique. Cependant, tous les patients incapables de se déplacer ne sont pas pour autant paraplégiques. Le test de la marche à donc une grande sensibilité, parce qu’il permet de détecter tous les paraplégiques, mais il crée aussi un grand nombre de “faux positifs”, c'est-à-dire des gens qui seront détectés comme paraplégique alors qu’ils ne sont pas touchés par cette maladie précisément.
Cette capacité qu’ont les tests à ne pas détecter de “faux négatifs”, c’est à dire les patients détectés par un test alors qu’ils ne sont pas touchés par la maladie, s’appelle la “spécificité”. On peut prendre comme exemple, l’IRM qui ne détectera jamais de cancer chez quelqu’un qui n’en a pas, et qui a donc une forte spécificité. On comprend donc qu’un test s’évalue sur ces deux critères : sa capacité à détecter le maximum de patients malades, tout en évitant de déclarer malade ceux qui ne le sont pas.
La courbe ROC (Receiver Operating Characteristic) est une méthode couramment utilisée pour évaluer la performance d'un test en traçant la relation entre la sensibilité et la spécificité. Plus précisément, la courbe ROC trace la sensibilité en fonction du taux de faux positifs (1 - spécificité). Ainsi, la courbe ROC permet de visualiser la performance d’un test et permet de choisir le meilleur test à effectuer qui maximise à la fois la sensibilité et la spécificité.
Deuxième partie:
L'AUC (Area Under the Curve) mesure l'aire sous la courbe ROC, l'AUC est calculée en intégrant la courbe ROC par rapport au taux de faux positifs (axe des abscisses) en utilisant une méthode d'intégration numérique, telle que la méthode des trapèzes. Ce calcul donne une valeur numérique qui représente la performance globale du modèle.
On peut observer sur le support 4 tests représentés dans leur courbe ROC qui ont chacune une AUC différente. Décrire le support
Troisième partie:
La courbe ROC est souvent utilisée dans le domaine médical pour évaluer la performance des tests diagnostiques. Un exemple où la courbe ROC a été utile est dans la détection précoce du cancer du sein.
Dans ce cas, la courbe ROC a permis de comparer l'efficacité de deux tests diagnostiques : la mammographie et l'imagerie par résonance magnétique (IRM). Les chercheurs ont tracé la courbe ROC pour chaque test, en utilisant les résultats de tests effectués sur un grand groupe de femmes atteintes de cancer du sein et de femmes non atteintes de cette maladie.
Grâce à l'analyse de la courbe ROC, les médecins ont pu sélectionner le test le plus approprié pour chaque patient, en fonction de la situation clinique. Cet exemple montre comment la courbe ROC peut être un outil précieux pour évaluer la performance des tests diagnostiques et aider à prendre des décisions cliniques importantes.
Conclusion:
En conclusion, on peut savoir si un test est efficace à l’aide de la sensibilité et la spécificité, pour visualiser la performance d’un test et comparer avec différents tests on utilise la courbe ROC et l’AUC.