Prévalence réelle

La prévalence réelle est la proportion d’unités qui présentent effectivement un état défini dans une population, à un moment ou pendant une période déterminés. Elle décrit la fréquence de cet état, indépendamment du résultat d’un test imparfait. En pratique, elle peut être estimée à partir d’observations et de performances diagnostiques ; l’estimation obtenue ne devient pas pour autant une vérité directement observée.

État réel et résultat du test

Un animal réellement atteint peut recevoir un résultat négatif, et un animal non atteint un résultat positif. La prévalence apparente dénombre les résultats positifs ; la prévalence réelle concerne l’état recherché. Leur différence dépend de la sensibilité, de la spécificité diagnostique et de la fréquence de cet état.

Le dénominateur conserve son importance : poissons d’un bassin, lots ou établissements ne représentent pas les mêmes unités. Une correction diagnostique n’autorise pas à passer d’un niveau d’organisation à un autre.

Correction d’un test imparfait

Pour un test binaire, l’estimateur de Rogan-Gladen s’écrit P = (PA + Sp − 1) / (Se + Sp − 1). PA représente la prévalence apparente, Se la sensibilité et Sp la spécificité. Cette expression utilise des performances adaptées à la population et aux conditions étudiées. Elle ne suffit pas lorsque ces performances sont inconnues ou mal transférées d’une autre situation.

Lorsque Se + Sp est proche de 1, la correction devient très instable. Des valeurs estimées inférieures à 0 ou supérieures à 1 peuvent résulter des erreurs d’échantillonnage ou de l’incompatibilité des paramètres. Elles ne décrivent pas une proportion biologique possible. Des méthodes tenant compte de ces contraintes et de l’incertitude des paramètres sont alors nécessaires.

Incertitude et représentativité

L’étude de Flor et ses coauteurs compare plusieurs approches d’estimation sous erreur de classification. Elle montre que des estimations ponctuelles voisines peuvent s’accompagner d’intervalles dont les performances diffèrent. Le choix d’une méthode et de ses hypothèses fait donc partie du résultat.

Enfin, corriger un test ne rend pas représentatif un échantillon sélectionné de manière biaisée. La population cible, la période, les conditions de recrutement et les incertitudes sur les performances restent nécessaires à l’interprétation. Une valeur corrigée sans ces informations peut donner une précision apparente supérieure à celle que les données permettent réellement.