Taux de base : pourquoi le rare semble courant

Troupeau de moutons paissant dans un pré

Quiconque passe la nuit à étudier le phéochromocytome se réveille en pensant que toute palpitation avec sueurs est une tumeur surrénalienne. Le tableau classique est frais dans la mémoire, et la question la plus simple est mise de côté : combien de personnes présentant ce tableau ont, en fait, cette maladie ? La réponse à cette question a un nom : taux de base.

NEXO est un jeu quotidien de diagnostic médical : un cas clinique par jour, six indices progressifs et un retour de proximité dans la CIM-10 sur cinq niveaux.

Ce guide explique ce qu'est le taux de base, pourquoi l'étudiant tend à l'oublier, ce que les études montrent sur les médecins et la prévalence, et comment entraîner le raisonnement pour mettre le commun à la bonne place dans la liste.

Points principaux

  • Le taux de base est la fréquence de la maladie dans la population d'où vient le patient, avant toute donnée du cas.
  • Dans une étude menée auprès d'étudiants en médecine, l'épidémiologie est arrivée en dernière position parmi les composantes qu'ils considèrent importantes dans le diagnostic.
  • Les internes qui estimaient une maladie plus fréquente la jugeaient plus probable dans les cas, ce qui montre un usage de la prévalence.
  • La plupart des médecins de famille ont perçu que le même examen vaut davantage chez le patient symptomatique, mais ont sous-estimé l'ampleur de la différence.
  • Présenter les données en fréquences naturelles a amélioré le raisonnement bayésien des étudiants.

Sommaire

Qu'est-ce que le taux de base

Le taux de base est la fréquence d'une maladie dans le groupe d'où vient le patient, avant de regarder ses symptômes. C'est le point de départ de toute hypothèse. Une céphalée aux urgences a beaucoup plus de chances d'être une migraine ou une céphalée de tension qu'une hémorragie sous-arachnoïdienne, même si l'hémorragie est celle qui fait le plus peur.

Négliger le taux de base, c'est juger la probabilité uniquement par la ressemblance du tableau avec le livre, sans demander à quel point chaque maladie est fréquente là-bas. Le guide des heuristiques dans le raisonnement clinique montre la représentativité, l'heuristique derrière cette erreur. Ici, l'accent est mis sur la prévalence elle-même.

Pourquoi l'étudiant pense d'abord au rare

L'épidémiologie arrive en dernière position

Dans une étude transversale menée auprès d'étudiants en médecine, les participants ont répondu à des scénarios diagnostiques construits dans le format classique des problèmes de taux de base (Clarkson et Paruk, 2026). Le taux de réussite était de 48,3 % dans le scénario demandant de distinguer un accident vasculaire cérébral d'une migraine et de 33,3 % dans celui demandant de distinguer un phéochromocytome d'un trouble panique (Clarkson et Paruk, 2026). Dans la tâche bayésienne pure, 41,1 % ont réussi, et les étudiants ont classé l'épidémiologie comme la composante la moins importante du diagnostic (Clarkson et Paruk, 2026).

Le syndrome de l'étudiant en médecine

La même étude a trouvé que 56,3 % des participants ont rapporté avoir déjà trouvé chez eux la maladie qu'ils étudiaient (Clarkson et Paruk, 2026). Les auteurs proposent qu'une partie de ce phénomène vient de la même faille : peser le tableau et oublier à quel point la maladie est rare (Clarkson et Paruk, 2026).

Le cursus renforce le rare

En premier cycle, chaque maladie a droit à un cours, et le cours de la maladie rare est souvent le plus mémorable. Le résultat est une mémoire où le rare occupe autant de place que le commun. Corriger cela demande de se rappeler la fréquence en même temps que le tableau.

Troupe de chevaux bruns et noirs paissant dans un champ vert, avec des arbres et des collines en arrière-plan.
En entendant des sabots, pensez d'abord à des chevaux : le dicton résume le taux de base. Crédit : Izvora, domaine public, via Wikimedia Commons (page du fichier).

Ce que les médecins font de la prévalence

Les internes utilisent ce qu'ils pensent de la prévalence

Dans une étude menée auprès d'internes en médecine interne, chaque participant a jugé la probabilité de plusieurs hypothèses dans des cas ambigus, puis a estimé la prévalence de ces maladies dans le service (Rottman et al., 2016). Ceux qui estimaient une maladie plus prévalente tendaient à la juger plus probable dans les cas, signe que la prévalence entrait dans le raisonnement (Rottman et al., 2016). Au fil des trois années d'internat, les estimations de prévalence sont devenues plus cohérentes, mais pas plus exactes (Rottman et al., 2016).

Les hypothèses suivent l'incidence et les cas mémorisés

Dans une expérience classique, des médecins ont généré des hypothèses pour des histoires cliniques où deux maladies étaient plausibles, l'une plus courante et moins grave, l'autre plus rare et plus grave (Weber et al., 1993). L'ordre et la fréquence des hypothèses suivaient l'incidence des maladies, avec peu de preuves de négligence du taux de base (Weber et al., 1993). Avoir déjà diagnostiqué un cas similaire faisait apparaître l'hypothèse plus tôt, et l'expérience agissait surtout par cette voie (Weber et al., 1993).

La lecture conjointe est encourageante : le médecin expérimenté utilise la prévalence, en grande partie parce qu'il a déjà vu beaucoup de cas courants. L'étudiant n'a pas encore ce répertoire, et c'est pourquoi il doit se rappeler du taux de base volontairement.

Le même examen dans des populations différentes

Dans une étude avec des médecins de famille et des étudiants en administration, chaque participant a estimé la probabilité de cancer après une mammographie anormale chez deux femmes : l'une avec symptômes et l'autre asymptomatique, dans le cadre du dépistage (Austin, 2019). Parmi les médecins, 88 % ont pris en compte le taux de base et ont estimé une valeur prédictive plus élevée pour la femme avec symptômes (Austin, 2019). En moyenne, cependant, les médecins ont estimé une différence de 27 points, alors que la différence réelle était de 55 points ou plus (Austin, 2019).

Autrement dit, la direction était bonne et l'ampleur ne l'était pas. Le guide de probabilité pré-test montre le calcul qui mène du taux de base à la valeur prédictive.

Groupe de zèbres debout dans des hautes herbes vertes, avec des arbres en arrière-plan, dans une savane.
Dans la savane, les zèbres sont le commun : le taux de base dépend de l'endroit où vous êtes. Crédit : Sandra Aceng, CC BY-SA 4.0 (licence), via Wikimedia Commons (page du fichier).

Fréquences naturelles : l'outil qui aide

Compter des personnes, et non des pourcentages

La fréquence naturelle consiste à écrire le problème comme un comptage de personnes, par exemple « sur mille personnes, dix ont la maladie », au lieu de pourcentages conditionnels. Dans une étude avec 577 étudiants en médecine, le taux de réussite à une tâche bayésienne était de 34 % avec des probabilités conditionnelles et de 68 % avec des fréquences naturelles, sans entraînement (Feufel et al., 2023). Après un entraînement court, le taux de réussite a atteint 89 % lorsque les données étaient présentées en fréquences naturelles (Feufel et al., 2023).

L'arbre de fréquences

Dans une étude avec 111 étudiants en médecine, la version avec arbre de fréquences a eu le temps médian le plus court jusqu'à une réponse correcte, de 2 minutes et 55 secondes, contre 9 minutes et 59 secondes dans le texte avec probabilités (Binder et al., 2021). Les auteurs concluent que l'arbre de fréquences permet des jugements plus justes et plus rapides (Binder et al., 2021).

Comment entraîner la pensée en prévalence

Demandez « où suis-je ? » avant « qu'est-ce que c'est ? »

Avant la première hypothèse, situez le patient : consultation externe ou urgences, enfant ou personne âgée, ville ou région endémique. La même douleur thoracique a une autre liste probable en consultation externe chez un jeune et aux urgences chez une personne âgée.

Classez la liste par fréquence et par gravité

Écrivez deux colonnes : les hypothèses les plus courantes pour ce contexte et les graves qui ne peuvent pas passer inaperçues. Explorez les graves, mais ne les placez pas en tête de probabilité sans donnée qui les soutienne. Le guide de diagnostic différentiel montre comment construire cette liste.

Étudiez la fréquence avec le tableau

Lorsque vous révisez une maladie, notez sa fréquence dans le contexte où vous allez exercer. Une ligne suffit.

Utilisez des fréquences naturelles

Face à un examen, réécrivez les chiffres comme un comptage de personnes. Le calcul devient visible et l'erreur d'échelle diminue (Feufel et al., 2023).

Changez le contexte et voyez la liste changer

Prenez un tableau, comme une fièvre chez un voyageur, et refaites la liste pour deux régions différentes. L'exercice montre comment le taux de base change l'ordre des hypothèses.

Scénarios épidémiologiques dans NEXO

Dans NEXO, le cas arrive en jusqu'à six indices, et à chaque hypothèse la proximité dans la CIM-10 en cinq niveaux montre dans quel chapitre, groupe ou catégorie l'hypothèse s'est située. Ainsi, on peut percevoir quand vous avez sauté vers une maladie rare d'un autre chapitre alors que le cas pointait vers quelque chose de courant.

Le mode Continents rassemble des cas par épidémiologie régionale, ce qui permet d'entraîner l'exercice de changer le contexte et de voir la liste des hypothèses changer avec lui. L'Archive, dans l'écran des Modes, rassemble les cas quotidiens précédents. La façon dont chaque mode est débloqué se trouve sur la page d'économie de NEXO.

Si vous coordonnez une faculté, une ligue ou un internat et que vous voulez discuter du taux de base avec le groupe à partir du même cas, découvrez NEXO Closer. Les chercheurs qui étudient le raisonnement bayésien peuvent proposer des études via NEXO Researcher. Les médecins qui révisent les cas de leur spécialité participent via NEXO Curator, et ceux qui créent du contenu de santé sur les réseaux peuvent participer via NEXO Creators.

Questions fréquentes

Qu'est-ce que la négligence du taux de base ?

C'est juger la probabilité d'une maladie par la ressemblance du tableau et oublier à quel point elle est courante. Dans une étude menée auprès d'étudiants, l'épidémiologie a été classée comme le composant le moins important du diagnostic (Clarkson et Paruk, 2026).

Les médecins expérimentés oublient-ils aussi le taux de base ?

Les études montrent un usage de la prévalence : les internes jugeaient plus probable ce qu'ils pensaient plus courant (Rottman et al., 2016), et les médecins généraient des hypothèses dans l'ordre de l'incidence (Weber et al., 1993).

Pourquoi le même examen vaut-il plus chez le patient avec des symptômes ?

Parce que la probabilité de maladie avant l'examen est plus élevée. Les médecins de famille ont saisi la direction de cette différence, mais en ont sous-estimé l'ampleur (Austin, 2019).

Quelle est la façon la plus simple de faire le calcul ?

Les fréquences naturelles. Avec elles, la réussite des étudiants à une tâche bayésienne a doublé par rapport aux probabilités conditionnelles (Feufel et al., 2023).

Comment NEXO aide-t-il à entraîner le taux de base ?

La proximité dans la CIM-10 montre où l'hypothèse s'est située, et Continents rassemble des cas par épidémiologie régionale. Pour découvrir le jeu, lisez qu'est-ce que NEXO.

Checklist du taux de base

  1. Situez le patient avant la première hypothèse.
  2. Listez les hypothèses courantes pour ce tableau.
  3. Listez à part les graves qui ne peuvent pas passer inaperçues.
  4. Demandez une donnée qui soutient l'hypothèse rare avant de la placer en tête.
  5. Notez la fréquence de chaque maladie que vous étudiez.
  6. Réécrivez les examens en fréquences naturelles.
  7. Refaites la liste dans un autre tableau de temps en temps.

Vous voulez vous entraîner avec des tableaux différents ? Jouez le cas du jour sur NEXO.

Références

  1. Clarkson RC, Paruk N. Medical student syndrome: a bayesian reasoning failure. BMC Med Educ. 2026. https://pubmed.ncbi.nlm.nih.gov/41840426/
  2. Rottman BM, Prochaska MT, Deaño RC. Bayesian reasoning in residents' preliminary diagnoses. Cogn Res Princ Implic. 2016. https://pubmed.ncbi.nlm.nih.gov/28180156/
  3. Weber EU, Böckenholt U, Hilton DJ, Wallace B. Determinants of diagnostic hypothesis generation: effects of information, base rates, and experience. J Exp Psychol Learn Mem Cogn. 1993. https://pubmed.ncbi.nlm.nih.gov/8409853/
  4. Austin LC. Physician and Nonphysician Estimates of Positive Predictive Value in Diagnostic v. Mass Screening Mammography: An Examination of Bayesian Reasoning. Med Decis Making. 2019. https://pubmed.ncbi.nlm.nih.gov/30678607/
  5. Feufel MA, Keller N, Kendel F, Spies CD. Boosting for insight and/or boosting for agency? How to maximize accurate test interpretation with natural frequencies. BMC Med Educ. 2023. https://pubmed.ncbi.nlm.nih.gov/36747214/
  6. Binder K, Krauss S, Schmidmaier R, Braun LT. Natural frequency trees improve diagnostic efficiency in Bayesian reasoning. Adv Health Sci Educ Theory Pract. 2021. https://pubmed.ncbi.nlm.nih.gov/33599875/

Retour au blog