Devenir sensible : Sensibilité et spécificité diagnostiques simplifiées

Qu’entendons-nous par sensibilité diagnostique?

Dans les diagnostics cliniques, les questions relatives à la sensibilité d’un test feront inévitablement surface. Mais que signifie exactement le terme « sensibilité » ? La plus petite quantité de l’analyte donné qu’un test peut détecter est souvent appelée sensibilité – et pour être clair, cette quantité est la sensibilité analytique ou la limite de détection (LdD). Le terme « analytique » est essentiel pour cette définition, alors pendant que nous y sommes, opposons-le au terme « diagnostique ». La sensibilité diagnostique est liée à la capacité de son test à identifier correctement les populations d’individus atteints de la maladie, et bien que ce soit certainement une fonction de la sensibilité analytique, une sensibilité analytique élevée (ce qui signifie que vous pouvez détecter des quantités très infimes de votre analyte) ne garantit pas nécessairement une sensibilité diagnostique utile.

Comme vous pouvez l’imaginer, les deux mesures sont très différentes – la première vous renseigne sur la performance de votre test dans le tube et la seconde sur la façon dont votre test se comporte sur une population donnée. Pour cette raison, il est important de joindre les termes analytique ou diagnostique au terme sensibilité lorsque vous décrivez votre test.

Comment calculez-vous la sensibilité diagnostique?

Une autre façon de penser à la sensibilité diagnostique est de considérer à quel point le test peut détecter les vrais positifs. Mais si vous avez affaire à des échantillons inconnus, comment savez-vous ce qu’est un vrai résultat ? C’est une sorte de question de la poule et de l’œuf, mais considérons ceci.

Disons que vous avez un test qui peut déterminer si un patient a cinq doigts ou six sur chaque main. Vous pouvez prélever un échantillon, le rendre aveugle à l’expérimentateur et obtenir un résultat. Ensuite, faites examiner ce même patient par un clinicien qui comptera simplement le nombre de doigts de chaque main. Comparez ensuite vos notes : pour combien d’échantillons votre test et les observations du clinicien correspondent-ils ? Dans ce cas, les observations du clinicien seraient considérées comme l’étalon-or, car il n’y a rien de plus objectif que de compter les doigts ! Si l’objectif était de détecter les personnes ayant six doigts (c’est-à-dire que six est un résultat positif), un résultat de test correspondant à un compte de six serait un vrai positif, tandis qu’un résultat de test de cinq pour un patient ayant cinq doigts serait un vrai négatif. De même, un résultat d’analyse de six pour un individu à cinq doigts serait un faux positif et un résultat d’analyse de cinq pour un patient à six doigts serait un faux négatif. Si nous prenions l’ensemble de données imaginaires ci-dessous, nous pourrions calculer la sensibilité diagnostique en calculant le pourcentage de vrais positifs détectés sur le total des positifs réels dans les échantillons (vrais positifs plus les faux négatifs).

.

.

.

.

.

.

Patient No.	Observé No. doigts	Résultat du test (No. doigts)	Vrai Positif	Faux Positif	Vrai Négatif	Faux Négatif
1	6	6	X
2	6	6	X
3	5	6				X
4	6	5		X	X
5	5	5			X
6	6	6	X
7	6	X
8	5	5			X
9	5	5	5		X
10	5	5		X
		Totaux	4	1	4	1

Les données ci-dessus peuvent être tabulées dans le tableau de vérité ci-dessous et utilisées pour calculer la sensibilité du diagnostic en utilisant l’équation suivante. Ici, nous calculons le pourcentage d’individus qui ont la condition et dont le résultat du test est positif pour la condition.

.

		Mauvaise condition
		Positif	Négatif
Condition prédite par le test	Positif	TP	FP
	Négatif	FN	TN

.

		Condition réelle
		Positif	Négatif
Condition prédite par l’essai	Positive	4	1
	Négative	1	4



Sensibilité = \frac{\mathrm{TP} }{\mathrm{TP}}. }{\mathrm{TP+FN}} = \frac{\mathrm{4} }{\mathrm{4+1} } = 4/5 = 80\%


Pas trop mal, non ? Prenons un exemple concret. Imaginez que vous développez un test qPCR qui détecte une bactérie pathogène. Les résultats obtenus à l’aide de votre test qPCR produiraient des données pour la condition prédite et celles-ci seraient comparées aux résultats obtenus par culture classique. Pourquoi ? Dans cet exemple, la récupération de l’organisme par culture sur le patient malade est l’un des postulats de Koch et c’est pourquoi la culture bactérienne serait considérée comme l’étalon-or. Si nous avions cet ensemble de données artificielles :

.

		Condition vraie
		Positif	Négatif
Condition prédite par l’essai (c’est-à-dire.e. qPCR positif)	Positif	238 (TP)	21 (FP)
	Négatif	2 (FN)	103 (TN)

Nous calculerions cette sensibilité diagnostique comme suit :


\frac{\mathrm{238} }{\mathrm{238+2}} = 238/240 = 0,992 × 100 = 99,2\%



Cela signifie que si nous devions employer cette qPCR pour tester les patients pour cette bactérie pathogène, nous obtiendrions les vrais positifs dans 99% des cas. Mais qu’en est-il des faux positifs ? Vous les détecteriez aussi avec ce test, car la qPCR détecte l’ADN d’organismes viables et non viables, alors que la culture ne détecte que les organismes viables. Sans compter que la qPCR est susceptible d’avoir une bien meilleure sensibilité analytique que la plupart des méthodologies basées sur la culture. Si l’on compare ces deux méthodes et que l’on considère la culture comme l’étalon-or, les échantillons négatifs pour la culture et positifs pour la qPCR sont considérés comme des faux positifs. Dans ce scénario, vous voudriez probablement effectuer un test de confirmation juste pour vous assurer qu’un patient positif à la qPCR était vraiment infecté par un agent pathogène viable causant la maladie.

Qu’en est-il de la spécificité diagnostique ?

Alors que le nombre de faux positifs dans l’exemple ci-dessus pourrait vous inquiéter, le véritable juge de la performance dépend de la façon dont votre test est utilisé. Si votre objectif est d’exclure les patients sains pour éviter les tests de confirmation, alors une spécificité diagnostique élevée, serait la clé. Oh attendez, je viens d’introduire un autre terme – la spécificité diagnostique ! Il s’agit d’une mesure connexe de la probabilité que votre test identifie correctement les individus qui ne sont pas atteints de la maladie. Pensez à identifier correctement les patients à cinq doigts, ou à détecter les patients qui ne sont pas infectés par la bactérie pathogène. Ici, nous calculons le pourcentage d’individus sans la maladie et dont le test est correctement négatif pour la maladie. Ce calcul est le suivant :


Diagnostic\ ; spécificité = \frac{\mathrm{TN} }{\mathrm{TN+FP}} = \frac{\mathrm{103} }{\mathrm{103+21}} = 103/124 = 0,831 × 100 = 83,1\%


Cela signifie que nous identifierions correctement les patients sains 83% du temps. Étant donné que le test qPCR est beaucoup plus rapide que d’attendre que les bactéries se développent, l’exécution de la qPCR serait bénéfique et vous pourriez avoir confiance dans les résultats négatifs de la qPCR étant donné que nous avons eu peu de faux négatifs dans cet ensemble de données artificiel. Tout patient positif devrait bien sûr être testé à nouveau par culture, mais il y aurait moins de patients à tester. Vous pouvez également utiliser ces calculs pour comparer un nouveau test qPCR à un test actuellement utilisé ou un test qPCR à un test ELISA. Et si les maths ne sont pas votre truc, il existe une gamme de calculatrices en ligne gratuites, comme celle de medcalc, pour effectuer ces calculs pour vous !

.