Texte sous la responsabilité de la rédaction francophone

Concepts et outils en EBM

L’analyse statistique C est une analyse de la discrimination d'un test, c’est-à-dire de sa capacité par rapport au simple hasard à séparer les sujets qui présentent ou non la maladie à diagnostiquer, ou à permettre de distinguer des sujets à haut risque de sujets à bas risque.

Pour des critères binaires, la statistique C correspond à l’aire sous la courbe (Eng: area under the curve - AUC) d’un graphique ROC (Receiver Operating Characteristic). La sensibilité du test (vrais positifs) est indiquée sur l’axe des y (ordonnée) au moyen de différentes valeurs-seuils. Les faux-positifs (1-spécificité) sont placés sur l’axe des x (abscisse) (voir figure 1). La valeur optimale se trouve dans le coin supérieur gauche du graphique indiquant une proportion élevée de vrais-positifs et une faible proportion de faux-positifs).

Figure 1. Courbe ROC

Une courbe ROC peut également être utilisée pour comparer entre eux différents tests diagnostiques, et c’est le cas dans les deux études diagnostiques/pronostiques évoquées dans cet article-ci.

L’aire sous la courbe indique la précision du test : égale à 1 si le test est parfait et peut identifier tous les malades sans faux positifs (droite verticale à gauche sur le graphique), égale à 0,5 si le test est sans valeur (ce qui correspond, dans le graphique, à la droite à 45° à partir du zéro), détectant autant de vrais positifs que de faux positifs.

Les modèles sont généralement considérés comme raisonnables lorsque la statistique C est supérieure à 0,7 et forts lorsque la statistique C est supérieure à 0,8 (4).

L’intérêt de la statistique C est de ne pas être dépendante de la fréquence du critère, alors que d’autres méthodes d’analyse le sont (5).

Dans la publication de Kelder et coll. (6) ne figure aucun graphique. Seuls les résultats chiffrés sont donnés, montrant, selon les normes données ci-dessus, que les modèles de diagnostic ajoutant à la clinique une RX Thorax, un ECG ou un test BNP sont tous trois considérés comme « forts », le modèle avec test BNP étant le plus fort.

Par contre Sekhri et coll. (3) publient leurs courbes ROC (voir figure 2).

Figure 2.

Ces courbes ROC avec analyse statistique C montrent que l’ajout d’un ECG à l’effort (ligne finement hachurée, bleue), à l’évaluation clinique (ligne continue noire) ou à l’évaluation clinique + ECG au repos (ligne largement hachurée, rouge) n’apporte qu’un faible bénéfice pour évaluer le pronostic de patients présentant des douleurs thoraciques suspectes.

Références

1. Koeck P. Un test BNP pour le diagnostic de l’insuffisance cardiaque chronique ? MinervaF 2012;11(3):36-7.
2. Schröder E. Douleurs thoraciques suspectes : utilité d’un ECG d’effort pour le pronostic ? MinervaF 2011;10(1):6-7.
3. Sekhri N, Feder GS, Junghans C, et al. Incremental prognostic value of the exercise electrocardiogram in the initial assessment of patients with suspected angina: cohort study. BMJ 2008;337:a2240.
4. Hosmer DW, Lemeshow S. Applied Logistic Regression (2nd Edition). New York, NY: John Wiley & Sons; 2000.
5. Ash A, Shwartz M. R2: a useful measure of model performance when predicting a dichotomous outcome. Stat Med 1999;18:375-84.
6. Kelder JC, Cowie MR, McDonagh TA, et al. Quantifying the added value of BNP in suspected heart failure in general practice: an individual patient data meta-analysis. Heart 2011;97:959-63.