La fameuse “courbe ROC”… Cet outil statistique historique est toujours un grand incontournable des études pronostiques et diagnostiques qui permet d’évaluer la valeur pronostique d’un nouveau marqueur ou la performance diagnostique d’un nouveau test. Cependant, son principe et les détails de son interprétation restent parfois flous pour de nombreux cliniciens. De plus, ses différentes applications en pratique sont souvent plus étendues qu’on ne l’imagine. Pour toutes ces raisons, nous allons revenir dans cet article sur les grands enjeux de cette figure.

Principe

L’analyse de la courbe ROC (Receiver Operating Characteristic) est un outil statistique permettant d’évaluer la performance d’un marqueur exprimé sous la forme d’une variable continue (D-dimères, troponine, FEVG…) à prédire la survenue d’un événement. En d’autres termes, la courbe ROC est capable de déterminer dans quelle mesure un marqueur est capable de faire la distinction entre les patients qui vont présenter l’événement et les patients qui ne le présenteront pas.

Cet outil peut être utilisé dans deux types d’études bien différents :
– soit dans une étude diagnostique : pour évaluer la performance diagnostique d’un nouveau test par rapport à un test de référence pour le diagnostic d’une maladie. L’exemple serait celui d’une étude évaluant la performance diagnostique des D-dimères, comparée à celle de l’angioscanner, dans le diagnostic d’embolie pulmonaire ;
– soit dans une étude pronostique : afin d’évaluer la valeur pronostique d’un marqueur pour prédire la survenue d’une complication. L’exemple serait celui d’une étude évaluant la valeur pronostique de la FEVG pour prédire la mortalité chez des patients au décours d’une infection à COVID-19.

Courbe ROC pour évaluer la performance globale d’un marqueur

La première fonction de la courbe ROC est d’évaluer la capacité discriminante globale du marqueur étudié[...]

Connectez-vous pour consulter l'article dans son intégralité.