{"id":4490,"date":"2026-10-14T18:01:15","date_gmt":"2026-10-14T18:01:15","guid":{"rendered":"http:\/\/french.arabpsychology.com\/statistics\/quest-ce-qui-est-considere-comme-un-bon-score-auc\/"},"modified":"2026-10-14T18:01:15","modified_gmt":"2026-10-14T18:01:15","slug":"quest-ce-qui-est-considere-comme-un-bon-score-auc","status":"publish","type":"psych_stat","link":"https:\/\/french.arabpsychology.com\/?psych_stat=quest-ce-qui-est-considere-comme-un-bon-score-auc","title":{"rendered":"Qu’est-ce qui est consid\u00e9r\u00e9 comme un bon score AUC ?"},"content":{"rendered":"

Dans le paysage contemporain de la psychom\u00e9trie, de l’\u00e9pid\u00e9miologie clinique et de la mod\u00e9lisation statistique avanc\u00e9e, l’\u00e9valuation des capacit\u00e9s pr\u00e9dictives d’un test constitue une \u00e9tape fondamentale de la recherche translationnelle. Qu’il s’agisse d’identifier un \u00e9pisode d\u00e9pressif caract\u00e9ris\u00e9 \u00e0 l’aide d’un auto-questionnaire, de rep\u00e9rer les signes pr\u00e9curseurs d’une d\u00e9mence neurod\u00e9g\u00e9n\u00e9rative via une batterie neuropsychologique ou d’anticiper un comportement \u00e0 haut risque par le biais d’un algorithme actuariel, les chercheurs sont constamment confront\u00e9s \u00e0 un dilemme m\u00e9thodologique : comment r\u00e9sumer fid\u00e8lement, en un indice synth\u00e9tique et robuste, l’aptitude d’un instrument continu \u00e0 discriminer deux \u00e9tats de la nature clinique ? C’est \u00e0 la confluence de la psychophysique exp\u00e9rimentale et du traitement du signal qu’\u00e9merge l’une des m\u00e9triques les plus c\u00e9l\u00e9br\u00e9es et pourtant r\u00e9guli\u00e8rement mal interpr\u00e9t\u00e9e : l’aire sous la courbe caract\u00e9ristique d’efficacit\u00e9 du r\u00e9cepteur, universellement d\u00e9sign\u00e9e sous l’acronyme AUC-ROC<\/a> (Area Under the Receiver Operating Characteristic Curve<\/em>).<\/p>\n

Cependant, une interrogation lancinante traverse l’ensemble de la litt\u00e9rature acad\u00e9mique et clinique : qu’est-ce qui constitue v\u00e9ritablement un \u00ab bon \u00bb score AUC ? En pratique, les chercheurs comme les praticiens oscillent trop souvent entre une adh\u00e9sion dogmatique \u00e0 des bar\u00e8mes universels pr\u00e9con\u00e7us \u2014 tels que la c\u00e9l\u00e8bre grille de Hosmer et Lemeshow \u2014 et une tentation relativiste affirmant que toute valeur sup\u00e9rieure au hasard pur (0,5) apporte une valeur ajout\u00e9e substantielle. Cette dichotomie simpliste occulte la r\u00e9alit\u00e9 \u00e9pist\u00e9mologique et pragmatique de la mesure en sciences comportementales. La d\u00e9sirabilit\u00e9 d’une valeur d’AUC ne peut s’appr\u00e9hender en vase clos ; elle d\u00e9pend intrins\u00e8quement de l’architecture du construit psychologique sous-jacent, des asym\u00e9tries de co\u00fbts entre erreurs diagnostiques, de la pr\u00e9valence du trouble au sein de la population cible, ainsi que de la fid\u00e9lit\u00e9 intrins\u00e8que des instruments de mesure mobilis\u00e9s.<\/p>\n

Le pr\u00e9sent article propose une analyse approfondie et sans concession de la m\u00e9trique AUC au sein des sciences psychologiques, psychiatriques et cognitives. En parcourant ses fondements historiques issus de la th\u00e9orie de la d\u00e9tection du signal, ses propri\u00e9t\u00e9s probabilistes et sa formulation non param\u00e9trique, cet expos\u00e9 examine minutieusement les seuils conventionnels d’\u00e9valuation tout en d\u00e9construisant les pi\u00e8ges m\u00e9thodologiques contemporains \u2014 du surapprentissage \u00e0 l’illusion d’invariance face au d\u00e9s\u00e9quilibre de classe. \u00c0 travers des \u00e9tudes de cas cliniques diversifi\u00e9es et l’examen comparatif d’indices concurrents tels que le score de Brier ou l’aire sous la courbe Pr\u00e9cision-Rappel (PR-AUC), nous \u00e9tablirons les jalons d’une pratique d’\u00e9valuation exigeante, transparente et contextuelle, conforme aux standards internationaux de reporting tels que les d\u00e9clarations STARD et TRIPOD.<\/p>\n

1. Fondements th\u00e9oriques de la courbe ROC et de la m\u00e9trique AUC en psychologie quantitative<\/h2>\n

1.1 Origine et transposition de la th\u00e9orie de d\u00e9tection du signal<\/h3>\n

L’histoire de la courbe ROC prend racine durant la Seconde Guerre mondiale, au c\u0153ur des laboratoires britanniques et am\u00e9ricains d’ing\u00e9nierie radar. \u00c0 la suite des bombardements intenses de la bataille d’Angleterre, les techniciens militaires \u00e9taient confront\u00e9s \u00e0 un probl\u00e8me fondamental de transmission d’information : comment distinguer l’\u00e9cho radar produit par une escadrille de bombardiers ennemis de celui g\u00e9n\u00e9r\u00e9 par un vol d’oiseaux marins ou par des perturbations atmosph\u00e9riques al\u00e9atoires ? Cette probl\u00e9matique d’ing\u00e9nierie a conduit \u00e0 la formalisation de la capacit\u00e9 op\u00e9rationnelle du r\u00e9cepteur \u2014 le Receiver Operating Characteristic<\/em> \u2014 visant \u00e0 quantifier la propension du dispositif (et de son op\u00e9rateur humain) \u00e0 maximiser les d\u00e9tections effectives tout en minorant les d\u00e9clenchements d’alarmes injustifi\u00e9es.<\/p>\n

Au d\u00e9but des ann\u00e9es 1960, des psychologues visionnaires tels que David Green et John Swets ont identifi\u00e9 le potentiel r\u00e9volutionnaire de ce paradigme pour la psychophysique et la psychologie quantitative exp\u00e9rimentale. Dans leur ouvrage princeps de 1966, Signal Detection Theory and Psychophysics<\/a>, ils d\u00e9montrent avec brio que la perception sensorielle humaine n’est jamais un processus m\u00e9canique de seuil absolu, mais un acte d’inf\u00e9rence probabiliste plong\u00e9 dans l’incertitude. L’adoption de la th\u00e9orie de d\u00e9tection du signal (TDS) a permis de r\u00e9soudre un biais majeur de la psychom\u00e9trie classique : la confusion structurelle entre la sensibilit\u00e9 perceptive intrins\u00e8que d’un sujet (sa capacit\u00e9 neuro-cognitive r\u00e9elle \u00e0 discerner un stimulus) et son biais de r\u00e9ponse ou crit\u00e8re de d\u00e9cision (sa propension lib\u00e9rale ou conservatrice \u00e0 affirmer qu’un signal est pr\u00e9sent).<\/p>\n

Math\u00e9matiquement, le mod\u00e8le assume l’existence de deux distributions de probabilit\u00e9 latentes continues s’\u00e9talant sur un continuum sensoriel ou d\u00e9cisionnel. D’une part, la distribution du bruit pur, d\u00e9sign\u00e9e sous la forme N<\/em> (pour Noise<\/em>), caract\u00e9rise les activations physiologiques basales, l’al\u00e9a contextuel et les stimuli parasites. D’autre part, la distribution du signal plus bruit, not\u00e9e S + N<\/em> (pour Signal plus Noise<\/em>), translate cette densit\u00e9 vers la droite sur l’axe des intensit\u00e9s perceptives d’une distance correspondant au param\u00e8tre discriminatif de sensibilit\u00e9, traditionnellement not\u00e9 d’<\/em> (d-prime). D\u00e8s lors, lorsque l’observateur pose un seuil d\u00e9cisionnel lambda arbitraire, toute valeur observ\u00e9e sup\u00e9rieure \u00e0 ce crit\u00e8re engendre une r\u00e9ponse positive (\u00ab signal d\u00e9tect\u00e9 \u00bb), tandis que toute valeur inf\u00e9rieure entra\u00eene un rejet. La transposition de ce mod\u00e8le \u00e0 la psychopathologie clinique devient \u00e9vidente : le bruit correspond \u00e0 la population saine ou t\u00e9moin pr\u00e9sentant des variations \u00e9motionnelles non pathologiques, tandis que la distribution signal plus bruit incarne la population manifestant une affection clinique av\u00e9r\u00e9e.<\/p>\n

1.2 Principes fondamentaux de la r\u00e9gression logistique binaire<\/h3>\n

Dans l’arsenal m\u00e9thodologique du chercheur en sciences sociales, la r\u00e9gression logistique binaire constitue le v\u00e9hicule d’inf\u00e9rence privil\u00e9gi\u00e9 pour mod\u00e9liser des variables cibles dichotomiques. Qu’il s’agisse de pr\u00e9dire l’apparition d’un comportement suicidaire (pr\u00e9sence versus absence), la r\u00e9ussite \u00e0 un programme de r\u00e9habilitation psychosociale ou l’obtention d’un diagnostic d’\u00e9tat de stress post-traumatique, les mod\u00e8les lin\u00e9aires ordinaires par moindres carr\u00e9s \u00e9chouent en raison de la non-normalit\u00e9 des r\u00e9sidus et de la violation de la condition d’homosc\u00e9dasticit\u00e9, sans omettre le risque d’estimer des probabilit\u00e9s aberrantes situ\u00e9es en dehors de l’intervalle unitaire [0, 1].<\/p>\n

La transformation logit r\u00e9sout \u00e9l\u00e9gamment cette impasse math\u00e9matique en appliquant le logarithme naturel du rapport de cotes (l’odds ratio<\/em>) associ\u00e9 \u00e0 l’\u00e9v\u00e9nement \u00e9tudi\u00e9 :<\/p>\n

logit(p) = ln(p \/ (1 – p)) = beta_0 + beta_1 * X_1 + … + beta_k * X_k<\/em><\/p>\n

Gr\u00e2ce \u00e0 cette formulation, la combinaison lin\u00e9aire des pr\u00e9dicteurs psychom\u00e9triques et sociod\u00e9mographiques est mise en correspondance avec une probabilit\u00e9 a posteriori strictement born\u00e9e entre 0 et 1 via la fonction sigmo\u00efde logistique standard. Cependant, l’estimation des param\u00e8tres par la m\u00e9thode du maximum de vraisemblance ne r\u00e9sout pas la question de l’\u00e9valuation globale de la pr\u00e9cision du mod\u00e8le. Les chercheurs ont longtemps commis l’erreur d’\u00e9valuer ces mod\u00e8les par le truchement de la seule exactitude brute (l’accuracy<\/em>), qui calcule simplement la proportion de pr\u00e9dictions correctes sur l’ensemble de l’\u00e9chantillon.<\/p>\n

L’exactitude brute pr\u00e9sente une vuln\u00e9rabilit\u00e9 critique : elle d\u00e9pend de mani\u00e8re captive d’un seuil de classification d\u00e9cisionnel a priori, le plus souvent fix\u00e9 par d\u00e9faut \u00e0 p = 0,5<\/em> par les logiciels statistiques conventionnels (tels que SPSS ou R). Or, ce seuil m\u00e9dian est totalement inadapt\u00e9 lorsque la r\u00e9alit\u00e9 clinique sous-jacente est asym\u00e9trique ou lorsque les distributions de risques observ\u00e9es ne se superposent pas sym\u00e9triquement autour de 0,5. En outre, face \u00e0 un d\u00e9s\u00e9quilibre prononc\u00e9 des classes, un mod\u00e8le attribuant aveugl\u00e9ment tous les cas \u00e0 la classe majoritaire atteindrait un taux d’exactitude facticement \u00e9lev\u00e9, tout en \u00e9tant d\u00e9nu\u00e9 de la moindre pertinence diagnostique. Il devenait imp\u00e9ratif de disposer d’un indicateur qui d\u00e9solidarise l’\u00e9valuation des capacit\u00e9s d’ordonnancement d’un mod\u00e8le du choix arbitraire d’une valeur seuil op\u00e9rationnelle.<\/p>\n

1.3 D\u00e9finition structurelle de l’aire sous la courbe (AUC)<\/h3>\n

La courbe ROC est une repr\u00e9sentation g\u00e9om\u00e9trique bidimensionnelle fondamentale qui cartographie de fa\u00e7on continue les performances d’un syst\u00e8me de d\u00e9cision diagnostique \u00e0 travers l’infinit\u00e9 des seuils de coupure possibles. Sur l’axe des ordonn\u00e9es est port\u00e9 le taux de vrais positifs, rigoureusement synonyme de la sensibilit\u00e9 clinique. Sur l’axe des abscisses est projet\u00e9 le taux de faux positifs, qui \u00e9quivaut math\u00e9matiquement au compl\u00e9mentaire de la sp\u00e9cificit\u00e9, c’est-\u00e0-dire l’expression 1 – sp\u00e9cificit\u00e9<\/em>. Chaque point discret composant le trac\u00e9 de la courbe illustre la paire empirique {1 – sp\u00e9cificit\u00e9 ; sensibilit\u00e9} obtenue en appliquant un seuil d\u00e9cisionnel particulier le long de l’\u00e9chelle de mesure continue ou ordinale test\u00e9e.<\/p>\n

L’aire sous la courbe, commun\u00e9ment abr\u00e9g\u00e9e en AUC<\/a>, repr\u00e9sente la surface totale d’int\u00e9gration g\u00e9om\u00e9trique d\u00e9limit\u00e9e sous cette trajectoire, comprise dans les fronti\u00e8res du carr\u00e9 unitaire [0, 1] x [0, 1]. Par d\u00e9finition, l’espace d’\u00e9valuation poss\u00e8de une superficie maximale \u00e9gale \u00e0 1,0. La diagonale d’invariance reliant les coordonn\u00e9es (0, 0) aux coordonn\u00e9es (1, 1) d\u00e9coupe cet espace en deux moiti\u00e9s exactes et mat\u00e9rialise le comportement d’un instrument pr\u00e9dictif rigoureusement inop\u00e9rant : un test dont la d\u00e9cision \u00e9quivaudrait \u00e0 un tirage au sort probabiliste pur d\u00e9nu\u00e9 d’information, conf\u00e9rant une aire \u00e9gale \u00e0 0,5.<\/p>\n

L’int\u00e9r\u00eat structural majeur de l’AUC r\u00e9side dans son ind\u00e9pendance absolue vis-\u00e0-vis d’un quelconque seuil d\u00e9cisionnel unique. Au lieu d’\u00e9valuer les propri\u00e9t\u00e9s m\u00e9trologiques d’un instrument \u00e0 un seuil contingent (qui peut fluctuer selon la politique de d\u00e9pistage d’une institution hospitali\u00e8re ou d’un centre d’\u00e9valuation psychologique), l’AUC agr\u00e8ge, int\u00e8gre et synth\u00e9tise l’efficacit\u00e9 discriminante sur l’\u00e9ventail complet des sensibilit\u00e9s et sp\u00e9cificit\u00e9s possibles. Elle offre ainsi une \u00e9chelle de mesure standardis\u00e9e et universelle, born\u00e9e strictement entre 0 et 1, permettant de comparer \u00e9quitablement des batteries de tests aux formats de notation h\u00e9t\u00e9rog\u00e8nes, des biomarqueurs salivaires de cortisol jusqu’aux inventaires psychom\u00e9triques comptant des dizaines d’items de type Likert.<\/p>\n

2. D\u00e9finition math\u00e9matique et interpr\u00e9tation probabiliste de l’AUC<\/h2>\n

2.1 Propri\u00e9t\u00e9s probabilistes fondamentales de la statistique C<\/h3>\n

Bien que l’AUC soit usuellement pr\u00e9sent\u00e9e sous un prisme graphique d’int\u00e9gration g\u00e9om\u00e9trique, sa nature math\u00e9matique la plus profonde est de nature purement probabiliste. Dans la litt\u00e9rature biom\u00e9dicale et biostatistique, l’AUC est rigoureusement \u00e9quivalente \u00e0 la statistique de concordance, ou statistique C<\/em>, initialement popularis\u00e9e pour l’\u00e9valuation des mod\u00e8les de survie et de r\u00e9gression multivari\u00e9e par Frank Harrell. Cette concordance formule une r\u00e8gle de comparaison par paires extr\u00eamement intuitive pour la psychologie diff\u00e9rentielle : l’AUC quantifie la probabilit\u00e9 exacte qu’un individu s\u00e9lectionn\u00e9 au hasard dans la population clinique (les cas positifs) obtienne un score de test plus \u00e9lev\u00e9 qu’un individu s\u00e9lectionn\u00e9 au hasard dans la population non clinique (les cas t\u00e9moins n\u00e9gatifs).<\/p>\n

Formellement, si l’on note X<\/em> la variable al\u00e9atoire repr\u00e9sentant le score attribu\u00e9 \u00e0 un sujet pathologique ou affect\u00e9, et Y<\/em> la variable al\u00e9atoire d\u00e9signant le score attribu\u00e9 \u00e0 un sujet sain ou non affect\u00e9, l’AUC exprime la probabilit\u00e9 :<\/p>\n

AUC = P(X > Y) + 0,5 * P(X = Y)<\/em><\/p>\n

Cette formulation probabiliste r\u00e9v\u00e8le un lien math\u00e9matique direct et imm\u00e9diat avec le test non param\u00e9trique de Wilcoxon-Mann-Whitney. L’estimateur non param\u00e9trique de l’AUC correspond exactement \u00e0 la statistique U<\/em> de Mann-Whitney normalis\u00e9e par le produit des effectifs des deux sous-groupes d’\u00e9chantillonnage :<\/p>\n

AUC = U \/ (n_1 * n_0)<\/em><\/p>\n

o\u00f9 n_1<\/em> repr\u00e9sente le volume de l’\u00e9chantillon des cas positifs et n_0<\/em> celui des cas t\u00e9moins. Cette \u00e9quivalence est d’une port\u00e9e m\u00e9thodologique consid\u00e9rable pour la psychologie quantitative. En effet, elle garantit que la m\u00e9trique de l’AUC est strictement invariante sous toute transformation monotone croissante des scores continus. Que les scores psychom\u00e9triques bruts subissent une normalisation logarithmique, une transformation racine carr\u00e9e ou soient conserv\u00e9s sous leur distribution originelle fortement asym\u00e9trique, la statistique C<\/em> demeure rigoureusement identique, illustrant une r\u00e9silience exemplaire face aux \u00e9carts de normalit\u00e9 couramment observ\u00e9s dans les inventaires de personnalit\u00e9 ou de d\u00e9tresse affective.<\/p>\n

2.2 Calcul de l’int\u00e9grale et m\u00e9thodes d’estimation empirique<\/h3>\n

La quantification effective de l’AUC repose historiquement sur deux grandes approches concurrentes : les formulations param\u00e9triques binormales et les approches non param\u00e9triques trap\u00e9zo\u00efdales. Le mod\u00e8le binormal classique postule que les distributions sous-jacentes des cas sains et des cas pathologiques peuvent \u00eatre ramen\u00e9es, par une transformation monotone latente, \u00e0 deux distributions gaussiennes de moyennes mu_0<\/em>, mu_1<\/em> et d’\u00e9carts-types sigma_0<\/em>, sigma_1<\/em>. Sous ces postulats param\u00e9triques continus, l’int\u00e9grale de la courbe ROC s’exprime analytiquement \u00e0 travers la fonction de r\u00e9partition normale cumulative :<\/p>\n

AUC = Phi( (mu_1 – mu_0) \/ sqrt(sigma_1^2 + sigma_0^2) )<\/em><\/p>\n

Toutefois, dans le domaine des sciences du comportement, l’estimation non param\u00e9trique empirique est quasi universellement privil\u00e9gi\u00e9e en raison de son absence de pr\u00e9suppos\u00e9s distributionnels rigides. Pour calculer la surface d’une courbe empirique sur un \u00e9chantillon fini, les logiciels d\u00e9composent la surface situ\u00e9e sous les paliers d’escalier form\u00e9s par chaque seuil d’observation via la m\u00e9thode trap\u00e9zo\u00efdale de Riemann. Chaque trap\u00e8ze successif est somm\u00e9 le long de la progression du taux de faux positifs, fournissant un estimateur sans biais de la statistique de concordance empirique.<\/p>\n

L’estimation ponctuelle d’une AUC est cependant insuffisante pour l’inf\u00e9rence scientifique ; la mod\u00e9lisation de sa variance asymptotique constitue un pr\u00e9requis incontournable pour \u00e9tablir des intervalles de confiance robustes. C’est ici qu’intervient la c\u00e9l\u00e8bre m\u00e9thode de DeLong, issue des travaux fondateurs de DeLong, DeLong et Clarke-Pearson (1988)<\/a>. Cette approche tire profit de la th\u00e9orie des statistiques d’\u00e9chantillonnage U<\/em> (U-statistics) pour d\u00e9river une estimation non param\u00e9trique exacte de la matrice de covariance sans recourir \u00e0 des proc\u00e9dures de r\u00e9\u00e9chantillonnage computationnellement lourdes. La formulation de DeLong calcule la variance en \u00e9tudiant les projections marginales des scores individuels dans chaque groupe :<\/p>\n

Var(AUC) = (1 \/ n_1) * S_10^2 + (1 \/ n_0) * S_01^2<\/em><\/p>\n

Ces variances marginales S_10^2<\/em> et S_01^2<\/em> capturent le degr\u00e9 de dispersion des paires discordantes au sein de chaque cohorte. Ce calcul matriciel \u00e9l\u00e9gant conf\u00e8re aux chercheurs le pouvoir de calculer des intervalles de confiance asymptotiques \u00e0 95 % et d’impl\u00e9menter des tests d’hypoth\u00e8ses formels visant \u00e0 comparer deux AUC mesur\u00e9es sur un \u00e9chantillon appari\u00e9.<\/p>\n

2.3 Comportement de l’AUC aux bornes th\u00e9oriques<\/h3>\n

L’analyse des valeurs limites de l’espace m\u00e9trique de l’AUC permet d’asseoir une compr\u00e9hension lucide de ses bornes d’interpr\u00e9tation. La valeur plancher op\u00e9rationnelle d’un syst\u00e8me de d\u00e9tection est conventionnellement fix\u00e9e \u00e0 AUC = 0,50<\/strong>. Cette valeur incarne une situation d’incomp\u00e9tence pr\u00e9dictive absolue : pour toute paire de sujets tir\u00e9s au hasard (l’un pathologique, l’autre sain), l’instrument a une probabilit\u00e9 rigoureusement \u00e9gale de 50 % d’attribuer un score plus \u00e9lev\u00e9 au sujet atteint qu’au sujet sain. La courbe ROC co\u00efncide alors parfaitement avec la bissectrice d’indiff\u00e9rence. Dans le cadre de la th\u00e9orie du signal, cela \u00e9quivaut \u00e0 un chevauchement int\u00e9gral des densit\u00e9s de probabilit\u00e9 f_0(x)<\/em> et f_1(x)<\/em> : le construit mesur\u00e9 est incapable d’extraire la moindre information discriminante.<\/p>\n

\u00c0 l’oppos\u00e9 du spectre, la valeur maximale th\u00e9orique de AUC = 1,00<\/strong> formalise une discrimination d’une perfection absolue. Graphiquement, la trajectoire ROC grimpe verticalement de l’origine (0, 0) jusqu’au sommet sup\u00e9rieur gauche (0, 1) \u2014 assurant une sensibilit\u00e9 de 100 % pour un taux de faux positifs nul \u2014 avant d’\u00e9voluer horizontalement vers les coordonn\u00e9es (1, 1). Sur le plan distributionnel, cela implique qu’il existe un seuil de coupure id\u00e9al pour lequel aucun chevauchement n’existe entre la queue sup\u00e9rieure des scores de la population saine et la queue inf\u00e9rieure des scores de la population clinique. En psychologie clinique, un tel score rel\u00e8ve quasiment du mythe m\u00e9thodologique compte tenu du flou nosologique inh\u00e9rent aux taxinomies psychiatriques et de l’in\u00e9vitable impr\u00e9cision de mesure inh\u00e9rente aux traits latents.<\/p>\n

Un ph\u00e9nom\u00e8ne math\u00e9matique particuli\u00e8rement instructif concerne l’interpr\u00e9tation des scores inf\u00e9rieurs \u00e0 la diagonale, c’est-\u00e0-dire les valeurs o\u00f9 AUC < 0,50<\/strong>. Un r\u00e9sultat empirique affichant par exemple une AUC de 0,20 ne signifie nullement que le test est d\u00e9nu\u00e9 de pertinence, mais plut\u00f4t qu’il fonctionne selon une logique diagnostique syst\u00e9matiquement invers\u00e9e. En inversant purement et simplement la r\u00e8gle de d\u00e9cision op\u00e9rationnelle (en posant que ce sont les scores les plus faibles qui d\u00e9signent la pathologie et non les scores les plus \u00e9lev\u00e9s), l’AUC r\u00e9sultante est transform\u00e9e en son compl\u00e9mentaire unitaire :<\/p>\n

AUC_corrig\u00e9e = 1 – AUC_observ\u00e9e = 1 – 0,20 = 0,80<\/em><\/p>\n

Ce basculement r\u00e9v\u00e8le que le mod\u00e8le capte une information discriminante substantielle mais selon une relation d’anti-corr\u00e9lation avec la variable d’int\u00e9r\u00eat. Enfin, il convient de noter la grande sensibilit\u00e9 du coefficient aux variations minimes dans les queues de distribution : lorsque deux densit\u00e9s de scores sont tr\u00e8s proches sur 90 % de leur \u00e9tendue mais divergent drastiquement dans leurs percentiles extr\u00eames, l’AUC peut demeurer mod\u00e9r\u00e9e alors m\u00eame que le test s’av\u00e8re d’une utilit\u00e9 capitale pour isoler les fractions les plus s\u00e9v\u00e8res d’une pathologie.<\/p>\n

3. Les seuils standards d’interpr\u00e9tation : Grille d’\u00e9valuation conventionnelle<\/h2>\n

3.1 La classification standard de Hosmer et Lemeshow<\/h3>\n

Afin de guider les statisticiens et les cliniciens dans l’interpr\u00e9tation intuitive de la statistique C<\/em>, David Hosmer et Stanley Lemeshow ont propos\u00e9, dans leur ouvrage de r\u00e9f\u00e9rence Applied Logistic Regression<\/a>, une taxonomie heuristique largement consacr\u00e9e au sein de la communaut\u00e9 biom\u00e9dicale. Cette \u00e9chelle cat\u00e9gorise la performance discriminante selon des intervalles pr\u00e9cis qui font office de convention par d\u00e9faut dans les rapports de recherche :<\/p>\n