Calculateur du paradoxe des faux positifs

Calculateur du paradoxe des faux positifs

En croissance AI Skill PRO

Entrez le calcul

Formule

PPV=Sens·PrévSens·Prév+(1−Spéc)(1−Prév)×100%où{Prév=Prévalence (%)100Sens=Sensibilité (%)100Spéc=Spécificité (%)100\begin{gathered} \text{PPV} = \frac{\text{Sens} \cdot \text{Prév}}{\text{Sens} \cdot \text{Prév} + (1 - \text{Spéc})(1 - \text{Prév})} \times 100\% \\[1.5em] \text{où}\quad \left\{ \begin{aligned} \text{Prév} &= \dfrac{\text{Prévalence (\%)}}{100} \\ \text{Sens} &= \dfrac{\text{Sensibilité (\%)}}{100} \\ \text{Spéc} &= \dfrac{\text{Spécificité (\%)}}{100} \end{aligned} \right. \end{gathered}
Statistiques d'utilisation

Publicité

Résultats

Probabilité d'être malade en cas de test positif (VPP)
16,67%
valeur prédictive positive
Taux de fausses découvertes 83,33%
Vrais positifs (part de la population) 0,99%
Faux positifs (part de la population) 4,95%

Signaler une erreur sur cette page

Qu'est-ce que le paradoxe des faux positifs ?

Le paradoxe des faux positifs met en lumière une vérité contre-intuitive du dépistage médical : même un test très fiable peut générer une majorité de fausses alertes lorsque la maladie recherchée est rare. Ce calculateur applique le théorème de Bayes pour révéler la probabilité réelle d'être atteint d'une maladie après un test positif — la valeur prédictive positive (VPP) — souvent bien plus faible que ne le laisse croire la fiabilité affichée du test.

Grille de 1000 carrés montrant un petit groupe de vrais positifs face à un groupe plus important de faux positifs parmi les personnes en bonne santé
Une grille de population : lorsque la prévalence est faible, les faux positifs peuvent être plus nombreux que les vrais positifs, même avec un test précis.

Comment l'utiliser

Renseignez trois pourcentages : la prévalence (la fréquence de la maladie dans la population testée), la sensibilité (la probabilité qu'une personne malade obtienne un résultat positif, soit le taux de vrais positifs) et la spécificité (la probabilité qu'une personne saine obtienne un résultat négatif, soit le taux de vrais négatifs). Le calculateur affiche alors la probabilité qu'un résultat positif soit authentique, ainsi que le taux de fausses découvertes.

La formule expliquée

Le théorème de Bayes combine la probabilité qu'une personne malade soit testée positive avec celle qu'une personne saine le soit par erreur :

$$\text{VPP} = \frac{\text{sens} \cdot \text{prév}}{\text{sens} \cdot \text{prév} + (1 - \text{spéc})(1 - \text{prév})} \times 100\%$$

Le numérateur représente la part de la population à la fois malade et correctement détectée. Le dénominateur y ajoute les faux positifs — les personnes saines signalées à tort. Lorsque la prévalence est très faible, ce terme de faux positifs prend le dessus.

Publicité
Arbre de probabilités divisant une population en branches malades et en bonne santé, puis en résultats de test positifs et négatifs
Un arbre de probabilités montrant comment la prévalence, la sensibilité et la spécificité se combinent pour produire des vrais et des faux positifs.

Exemple chiffré

Imaginons une maladie touchant 1 % de la population (prévalence = \(0{,}01\)), avec un test de 99 % de sensibilité et 95 % de spécificité. Vrais positifs = \(0{,}99 \times 0{,}01 = 0{,}0099\). Faux positifs = \(0{,}05 \times 0{,}99 = 0{,}0495\).

$$\text{VPP} = \frac{0{,}0099}{0{,}0099 + 0{,}0495} = \frac{0{,}0099}{0{,}0594} \approx 16{,}7\%$$

Ainsi, malgré un test « fiable à 99 % », seul environ 1 résultat positif sur 6 correspond réellement à un malade.

Comment la prévalence modifie la valeur prédictive positive

Le tableau ci-dessous maintient la sensibilité à 99 % et la spécificité à 95 % et ne fait varier que la prévalence. Chaque ligne utilise \(\text{VPP} = \frac{ \text{Sens} \cdot \text{Prev} }{ \text{Sens} \cdot \text{Prev} + (1-\text{Spec})(1-\text{Prev}) }\), et le taux de fausses découvertes (TFD) vaut \(1-\text{VPP}\).

Prévalence VPP Taux de fausses découvertes
0,1 % 1,94 % 98,06 %
1 % 16,67 % 83,33 %
5 % 51,03 % 48,97 %
10 % 68,75 % 31,25 %
25 % 86,84 % 13,16 %
50 % 95,19 % 4,81 %

Vérification pour la ligne à 1 % : \(\text{VPP} = \frac{0{,}99 \times 0{,}01}{0{,}99 \times 0{,}01 + 0{,}05 \times 0{,}99} = \frac{0{,}0099}{0{,}0594} \approx 0{,}1667\), soit environ 16,7 %. Même avec un test qui semble précis, environ cinq positifs sur six sont faux lorsque la maladie est rare. C'est le paradoxe du faux positif.

Effet de la spécificité à une prévalence de 1 %

La sensibilité reste à 99 % et la prévalence à 1 %.

Spécificité VPP Taux de fausses découvertes
95 % 16,67 % 83,33 %
99 % 50,00 % 50,00 %
99,9 % 90,91 % 9,09 %

À faible prévalence, la spécificité a un effet très important sur la VPP, car les faux positifs proviennent du grand groupe des personnes saines.

Publicité

Termes clés : sensibilité, spécificité, VPP et autres

  • Prévalence : la proportion de la population testée qui a réellement la maladie.
  • Taux de base : autre nom de la prévalence, ou probabilité a priori de la maladie avant que tout résultat de test ne soit connu.
  • Sensibilité (taux de vrais positifs) : la proportion de personnes atteintes de la maladie qui obtiennent un test positif.
  • Spécificité (taux de vrais négatifs) : la proportion de personnes non atteintes qui obtiennent un test négatif.
  • Taux de faux positifs : la proportion de personnes non atteintes qui obtiennent un test positif, égale à \(1-\text{spécificité}\).
  • Taux de faux négatifs : la proportion de personnes atteintes qui obtiennent un test négatif, égale à \(1-\text{sensibilité}\).
  • Valeur prédictive positive (VPP) : la proportion des résultats positifs qui sont de vrais positifs.
  • Taux de fausses découvertes (TFD) : la proportion des résultats positifs qui sont de faux positifs, égale à \(1-\text{VPP}\).
  • Valeur prédictive négative (VPN) : la proportion des résultats négatifs qui sont de vrais négatifs.

La sensibilité et la spécificité sont des propriétés du test et ne dépendent pas de la prévalence. La VPP et la VPN dépendent de la prévalence, si bien qu'un même test donne des valeurs prédictives différentes selon les populations.

FAQ

Pourquoi cette probabilité est-elle si basse ? Parce qu'une maladie rare signifie qu'il y a énormément plus de personnes saines : même un faible taux de faux positifs produit alors beaucoup plus de fausses alertes que de vrais positifs.

Comment augmenter la VPP ? En testant des groupes à plus haut risque (prévalence plus élevée), en utilisant des tests plus spécifiques, ou en confirmant le résultat par un second test indépendant.

Cela ne concerne-t-il que les tests médicaux ? Non — la même logique bayésienne s'applique aux filtres anti-spam, à la détection de fraude, aux tests de dépistage de drogues et à tout classificateur d'événements rares.

Dernière mise à jour:

Les plus populaires dans Mathématiques et statistiques

Voir toutes les calculatrices de Mathématiques et statistiques