Statistiques au PASS : probabilités, tests et indices diagnostiques

Lecture : 3 min

Les probabilités et les biostatistiques font partie des matières à maîtriser au PASS, sous des numéros d’UE qui varient selon les universités. Cette fiche vous guide à travers les concepts clés, les pièges courants et les stratégies d’apprentissage pour progresser rapidement.

Les bases des probabilités

Les probabilités forment le socle des statistiques appliquées à la santé. Les questions portent notamment sur les lois de probabilités, les variables aléatoires et les distributions.

Les notions fondamentales à maîtriser incluent :

• Probabilités simples et conditionnelles : comprendre P(A∩B), P(A|B) et leurs relations
• Loi des probabilités totales : savoir décomposer un événement selon un système complet d’événements, deux à deux incompatibles et de réunion certaine
• Théorème de Bayes : incontournable en médecine pour évaluer les probabilités de maladies
• Indépendance d’événements : identifier quand deux événements ne s’influencent pas mutuellement
• Variables aléatoires discrètes et continues : distinguer binomiale, Poisson, normale

Ces concepts s’appliquent à des cas cliniques concrets. Par exemple, il peut être demandé de calculer la probabilité qu’un patient soit malade lorsque son test est positif, en utilisant la sensibilité, la spécificité et la prévalence.

Erreurs fréquentes sur les probabilités

L’erreur d’inverse conditionnelle est fréquente : elle consiste à confondre P(A|B) et P(B|A). Le théorème de Bayes est là pour vous y aider. Un autre piège courant consiste à négliger la prévalence d’une maladie dans le calcul des valeurs prédictives.

Biostatistiques et tests d’hypothèses

La biostatistique applique les méthodes statistiques aux données biologiques et médicales. Ce domaine met l’accent sur les tests d’hypothèses, les intervalles de confiance et la comparaison d’échantillons.

Voici les éléments incontournables :

• Hypothèse nulle et alternative : H₀ vs H₁, et la logique du test
• Seuil de significativité α : généralement 0,05 (risque de première espèce)
• p-value : interprétation correcte de sa signification
• Puissance statistique (1-β) : capacité du test à détecter un effet réel
• Test du chi-deux : pour variables qualitatives
• Test t de Student : pour comparer deux moyennes
• ANOVA : pour comparer plus de deux groupes
• Corrélation et régression linéaire : quantifier les associations

Il s’agit moins de faire des calculs exhaustifs que de reconnaître le bon test selon le contexte et d’interpréter les résultats correctement. Un point clé : ne pas confondre absence de preuve et preuve d’absence.

Intervalles de confiance et estimation

Un intervalle de confiance à 95 % signifie que, si l’on répétait l’étude un grand nombre de fois, environ 95 % des intervalles ainsi construits contiendraient la vraie valeur du paramètre. C’est une notion clé en médecine fondée sur les preuves. Il faut savoir interpréter un IC à 95 % fourni : par exemple, si l’IC de la différence entre deux groupes ne contient pas zéro, la différence est statistiquement significative au seuil de 5 %.

Méthodes d’étude et indices diagnostiques

Cette partie traite de la performance des tests diagnostiques. Ces notions allient probabilités et application clinique directe.

Les concepts essentiels :

• Sensibilité : P(Test+|Maladie+), proportion de malades correctement détectés
• Spécificité : P(Test−|Maladie−), proportion de non-malades correctement identifiés
• Valeur prédictive positive (VPP) : P(Maladie+|Test+), probabilité d’être malade si le test est positif
• Valeur prédictive négative (VPN) : P(Maladie−|Test−), probabilité de ne pas être malade si le test est négatif
• Rapport de vraisemblance : LR+ = sensibilité/(1-spécificité)
• Courbe ROC : évaluer la performance globale d’un test

Fiche rédigée par l’équipe d’Annales PASS.