Modèle à classes latentes diagnostiques
Un modèle à classes latentes diagnostiques estime les performances de tests lorsqu’aucune méthode de référence ne permet de connaître avec certitude l’état réel de chaque individu. L’état infecté ou non infecté est traité comme une classe non observée ; les résultats combinés de plusieurs tests et, souvent, de plusieurs populations servent à estimer prévalence, sensibilité et spécificité.
Principe statistique
Le modèle relie la probabilité des combinaisons de résultats à la proportion d’individus dans chaque classe latente. Dans une formulation bayésienne, les connaissances antérieures peuvent être représentées par des distributions de probabilité, puis actualisées par les données. Les résultats sont des distributions postérieures et des intervalles de crédibilité, pas un classement certain de chaque animal.
L’identifiabilité dépend du nombre de tests, du nombre de populations et des contraintes du modèle. Deux populations dont les prévalences diffèrent peuvent apporter l’information nécessaire à l’estimation de deux tests, sous certaines hypothèses. Des données insuffisantes ou des paramètres trop nombreux produisent des estimations instables ou fortement déterminées par les distributions a priori.
Hypothèses et interprétation
L’hypothèse d’indépendance conditionnelle signifie que, une fois l’état latent fixé, les tests ne restent pas corrélés. Elle est souvent fragile lorsque deux méthodes détectent le même mécanisme biologique ou utilisent des échantillons voisins. Une dépendance non modélisée peut biaiser la sensibilité diagnostique et la spécificité diagnostique.
La classe latente représente la définition opérationnelle de l’état portée par le modèle. Elle ne coïncide pas automatiquement avec maladie clinique, infection viable ou contagiosité. L’interprétation dépend donc de la population échantillonnée, du protocole de prélèvement, des seuils des tests et de la plausibilité biologique des hypothèses. Ce cadre complète le diagnostic lorsque le « gold standard » est absent, mais ne remplace ni la validation externe ni l’analyse de sensibilité du modèle.