Thread by @ISlovan

Imaginez.
Vous êtes une équipe de chercheurs qui fait une étude sur le covid. Pour cela, vous prenez 26823 personnes et leur faites passer un test sérologique.
Ce test a une sensibilité de 87% et une spécificité de 97,5%.
La spécificité, c'est la probabilité d'avoir un test
[1/5

négatif chez un non infecté.
Combien étaient atteints selon l'étude elle-même ? Environ 4%.
Soit 1073 personnes sur les 26823.
Comme la sensibilité est de 87%, 933 auront une sérologie positive. Les autres, 140, sont des "faux-négatifs".
En tant qu'auteurs, avisés,
[2/5]

vous remarquez que les faux-négatifs ne représentent que 1% du total des sérologies négatives. 👍
Selon la valeur de spécificité, chez un non-infecté, donc chez environ 26823 - 1073 = 25750 personnes, 2,5% ne seront pas négatifs alors qu'ils auraient dû l'être.
Mais 2,5% de
[3/5]

25750, ça fait tout de même 644 personnes, hein.

Donc dans votre étude, dans les personnes qui ont une sérologie positive, il y a plus de personnes chez qui cette sérologie est un faux-positif (643), que de personnes (447) chez qui cette sérologie est un vrai positif !!!
[4/5]

Imaginez que, sans remarquer cet énorme problème de faux-positifs plus nombreux que les vrais, votre étude passe le peer-reviewing et soit publiée dans JAMA.
Imaginez. 👇
[5/5]
jamanetwork.com/journals/jamai…

Je reprends ci-dessus des éléments de F. Perry Wilson @fperrywilson, professeur de médecine agrégé de l'Université de Yale, qui a confirmé mon intuition qu'il y avait un "sophisme du procureur" sur cette étude. Et qui en a fait un très bon article :
methodsmanmd.medium.com/is-long-covid-…

cc @Barbusceptique @grafffio @pascale_santi @le_science4all @apresj20 @LUppsala @DocArnica @elisaperego78 @Food_reward @DrGomi @Jerome_Larche @achilledamu @random_poisson @phl43 @Locuste_ @AlizeeRenault @Am3liePerrier @SamuelBonneau @AlexSamTG @DorvilleNicolas @BallouxFrancois