Évaluation médico-économique du dépistage du cancer du sein par stratification des risques.

Par Cancer Rose, 10 août 2026

https://link.springer.com/article/10.1007/s40258-026-01029-3
Auteurs : Max Lelie, Bo VandenBulcke, Nick Verhaeghe, Lieven Annemans, Steven Simoens, Karin Putman ; dans Applied Health Economics and Health Policy, Vol. 24, n° 3, p. 627–635
DOI10.1007/s40258-026-01029-3
Vrije Universiteit Brussel (VUB), I-CHER (Interdisciplinary Centre for Health Economics and Research)

L’objet de cette étude que nous allons présenter ici est de « fournir un outil permettant aux décideurs politiques de simuler eux-mêmes en toute sécurité différents scénarios (pour un dépistage du cancer du sein stratifié selon le risque NDLR) à l’aide de chiffres actualisés », explique le Dr Lelie, auteur principal de l’étude.

Nous allons synthétiser les résultats de l’étude, en examiner les limites, la complémentarité avec l’essai clinique européen pour un dépistage individualisé (MyPEBS), et les limites du modèle propres à la France.

Tout d’abord, de quoi s’agit-il?

Qu’est-ce que cette étude apporte de plus, quelle était la situation jusqu’à présent ?

Les chercheurs ont constaté que lorsqu’un décideur politique souhaitait améliorer l’accès au dépistage en ajoutant un critère de risque de cancer du sein (p.ex la densité mammaire, ou encore des critères de risque génétique), afin de permettre une entrée plus rapide de femmes à risque dans un groupe dit « à haut risque », alors le modèle informatique interprétait à tort cette reclassification administrative comme une variation à la hausse du nombre de personnes développant réellement un cancer.
Autrement dit : dans les modèles économiques classiques, la modification des critères de définition des risques pour le cancer du sein, et ainsi la modification des proportions dans les groupes de risque, entraînait un artéfact mathématique qui déformait l’incidence globale du cancer du sein( c’est-à-dire le nombre de nouveaux cas de cancer).

La nouvelle méthode développée dans l’étude de Lelie et collaborateurs, dite « méthode de modélisation dynamique de Markov », rend la probabilité globale de développer un cancer indépendante des critères utilisés pour classer les patientes selon leur niveau de risque. En d’autres termes, la méthode distingue clairement d’un côté le risque réel et global de cancer dans la population (mesuré par le registre du cancer flamand), et de l’autre la répartition des femmes au sein des catégories de risque.
Ainsi, en dissociant l’incidence globale (taux des nouveaux cas) observée dans la population de la classification individuelle par niveau de risque, la nouvelle méthode de Lelie préserve la cohérence des données épidémiologiques pour un pays donné.

Attention, Le Dr Lelie et son équipe n’ont pas inventé le modèle de Markov, ils en ont corrigé une faille majeure lorsqu’on l’applique au dépistage stratifié par niveau de risque. Le problème avant Lelie : Lorsqu’on utilisait un modèle de Markov classique pour évaluer un dépistage personnalisé, le simple fait de changer la façon de classer les femmes dans des groupes de risque créait des erreurs de calcul (un biais mathématique où le modèle « inventait » ou « faisait disparaître » des cancers virtuels).
L’apport de Lelie : Il a développé une nouvelle formulation mathématique (une méthode d’ajustement) intégrée au modèle de Markov. Cette amélioration permet de conserver une stricte cohérence avec les données réelles du Registre du Cancer, quel que soit le nombre de sous-groupes de risque créés.

Il s’agit donc d’une amélioration méthodologique ciblée apportée à un outil mathématique existant depuis plus d’un siècle.

L’avantage de la flexibilité de la méthode

Dans le modèle utilisé dans l’étude par l’université de Bruxelles, l’âge et le stade du cancer indiquent à quel moment la maladie survient et à quel point elle a progressé. Ce sont les « variables d’état ».
L’âge et le stade du cancer ne constituent pas des critères de définition du risque individuel.

Le modèle va donc distinguer ces variables d’état des critères de stratification du risque qui représentent les caractéristiques individuelles permettant d’affecter une femme à une catégorie donnée (ex. risque faible, moyen, élevé).

L’avantage majeur de cette méthode, c’est qu’elle fonctionne avec n’importe quels critères de risque. Peu importe les facteurs choisis (génétique, antécédents, densité mammaire, etc.), le modèle s’y adapte sans problème.
Parmi les critères qui pourraient être intégrés par exemple, on reconnaît en général les éléments suivants (qui sont p.ex. retenus dans les grands essais cliniques sur la stratification des risques pour un dépistage individualisé, comme MyPEBS ou Wisdom) :

• Génétique : Présence de mutations prédisposantes (ex. BRCA1/2, PALB2) ou calcul d’un score de risque polygénique (Polygenic Risk Score – PRS).
• Historique familial : Antécédents de cancer du sein ou de l’ovaire chez des parentes du premier ou du deuxième degré.
• Imagerie : Densité mammaire (un facteur de risque indépendant et un facteur masquant en mammographie).
• Historique gynéco-obstétrique : Âge des premières règles, âge à la première grossesse menée à terme, statut ménopausique, prise de traitement hormonal substitutif (THS).
• Antécédents médicaux personnels : Biopsies antérieures ayant révélé des lésions atypiques (ex. hyperplasie canalaire atypique).

Résultats clés

1. Élimination des biais et distorsions modèles :
   Comme on l’a vu plus haut, dans les modèles médico-économiques classiques, modifier les critères de définition, ou la proportion des groupes à risque entraînait un artéfact mathématique qui déformait l’incidence globale observée du cancer. La méthode mise au point par l’équipe du Dr Lelie résout ce problème en garantissant une cohérence épidémiologique constante permettant une évaluation globale du dispositif de dépistage pour la population générale, indépendamment du nombre ou de la composition des groupes de risque définis.
   
2. Reproduction fidèle des données réelles du terrain :
   Grâce aux données réelles du registre flamand du cancer, le modèle imite parfaitement la réalité de la maladie (selon l’âge et la gravité), sans avoir besoin de corriger artificiellement les chiffres.
   
3. Outil d’aide à la décision plus fiable pour les politiques publiques :
   Grâce à cette stabilité mathématique, les décideurs politiques peuvent désormais tester de manière transparente et réaliste différents scénarios politiques (modification des bornes d’âge ou de la fréquence du dépistage en fonction du niveau de risque).
   Cela permettrait une évaluation plus réaliste des bénéfices/coûts pour la collectivité en évitant certains biais. On évaluerait le risque réel et global de cancer dans la population (mesuré par le registre du cancer flamand), et on pourrait répartir des femmes au sein de catégories de risque et analyser ces sous-groupes indépendamment.
   

Complémentarité avec MyPEBS

Il s’agit d’un essai clinique international, dont la Belgique fait partie, qui a pour but d’évaluer la pertinence d’une dépistage basé sur le risque individuel de développer un cancer du sein. Nous en avons fait une analyse très critique ici.
Dans cet essai MyPEBS, l’évaluation du risque individuel de chaque femme repose sur un score combinant précis :

• Génétique : un score de risque polygénique analysant plus d’une centaine de variations génétiques.
• Antécédents familiaux : historique de cancer du sein dans la famille proche.
• Densité mammaire : mesurée sur la mammographie initiale (facteur sujet à controverse).
• Facteurs hormonaux et cliniques : âge, antécédents de biopsies, etc.
  

Comment l’étude du Dr Lelie s’applique-t-elle à ces critères ?

En appliquant la grille de calcul du risque issue de MyPEBS pour simuler ce qui se passerait à l’échelle d’une population entière dans un pays donné, la simple modification des seuils ou des critères de risque déformera artificiellement le nombre total de cancers simulés.

La contribution de l’étude du Dr Lelie est d’avoir créé un modèle où l’on peut « brancher » les critères et les seuils de risque issus de MyPEBS (ou de tout autre algorithme), sans fausser les prédictions épidémiologiques globales de la population.
La modélisation dynamique de Markov développée par le Dr Max Lelie permettra de moduler, voire de contester la transférabilité des conclusions globales de MyPEBS d’un pays à un autre.

En effet 8 pays européens différents sont inclus dans l’étude. La modulation pays par pays est indispensable pour la décision publique.
L’essai clinique MyPEBS apportera des données cliniques brutes (les objectifs sont la capacité de la stratification du risque à réduire les cancers d’intervalle ou à diminuer les faux positifs).

Cependant, ces données cliniques ne peuvent pas être transposées directement en politiques de santé nationales sans passer par le filtre d’une modélisation médico-économique locale (de type Markov), puisque chaque pays participant présente des caractéristiques distinctes. L’épidémiologie locale est variable, l’incidence du cancer du sein et la structure d’âge de la population varient d’un pays à l’autre (ex. données du Registre du Cancer flamand/belge/britannique) ; la structure des coûts de santé est variable d’un pays à l’autre comme par exemple le coût d’un test génétique (PRS), d’une mammographie, d’une IRM ou d’un traitement oncologique.

Grâce au modèle de Markov, chaque pays participant peut « injecter » les résultats cliniques internationaux de MyPEBS dans une simulation paramétrée avec ses propres coûts et son propre registre du cancer (lorsqu’il y en a un, comme en Belgique ou en Grande-Bretagne) pour déterminer si le dépistage stratifié est médico-économiquement viable, pertinent et productif en termes économiques à l’échelle nationale.

C’est à ce niveau qu’un pays peut remettre en question ou adapter la recommandation globale, car une stratégie peut devenir non ‘coût-efficace’ localement : si le modèle de Markov montre que le surcoût de la stratification (génotypage de toutes les femmes + examens plus fréquents pour le groupe à haut risque) génère un gain d’années de vie en bonne santé (QALY) trop faible par rapport à son coût dans le système de santé, le pays peut rejeter la généralisation de la stratégie MyPEBS telle quelle, même si l’essai clinique mondial est jugé « positif ».( ce qui sera le cas puisque MyPEBS est designée pour une conclusion positive ; cf l’analyse critique de l’étude que nous avons faite).

L’apport spécifique des travaux du Dr Lelie est d’empêcher les biais d’estimation, en éliminant des artefacts de calcul entraînant une impression de meilleure détection de cancers alors qu’il s’agit de biais inhérents à la classification dans les groupes de risque.
Plutôt que d’adopter un seuil unique européen (p.ex. définir le « haut risque » au même niveau partout), chaque pays disposant d’un registre du cancer fiable peut utiliser le modèle de Markov pour recalculer ses propres seuils d’intervention optimaux, plus tôt ou plus tard selon le rapport coût/bénéfice local.

En résumé

La modélisation de Markov permet à chaque pays de réévaluer l’intérêt réel du dépistage personnalisé chez lui, et d’invalider d’éventuelles généralisations hâtives qui ne tiendraient pas compte des réalités économiques et épidémiologiques locales.

Limites propres à la France

L’absence de registre national exhaustif du cancer — comme c’est le cas en France où le réseau FRANCIM ne couvre qu’environ 24 % de la population à travers des registres départementaux ou régionaux — constitue un défi pour les études médico-économiques.

En France, les données nationales d’incidence ne sont pas obtenues par comptage brut, mais par modélisation statistique. Santé publique France, le réseau FRANCIM, les Hospices Civils de Lyon et l’Institut National du Cancer (INCa) croisent les données des registres existants (24 % de la population) avec les données de mortalité nationale (CépiDc / Inserm) et la structure démographique du pays.

Au lieu d’utiliser un registre brut à 100 % (comme en Flandre ou dans les pays nordiques), et à défaut de registre national correct, les chercheurs utilisent l’incidence nationale estimée produite par Santé publique France. La France dispose d’un outil médico-administratif , à savoir le SNDS, ou Système national des données de santé (SNDS), qui inclut le PMSI (Programme de médicalisation des systèmes d’Information, outil français de description standardisée de l’activité médicale hospitalière), les ALD/Affections de Longue Durée, et l’Assurance Maladie).
Le SNDS lui, couvre plus de 99 % de la population résidant en France. Il permet de suivre la consommation réelle de soins, la fréquence des mammographies, le coût des traitements et le taux d’entrée en ALD pour cancer du sein.

En combinant la précision locale des registres FRANCIM (pour le stade du cancer et la biologie) avec la couverture exhaustive du SNDS (pour les coûts, le parcours de soins et le taux de participation au dépistage), l’évaluation de dispositifs de santé publique comme le dépistage mammographique peut être faite à l’échelle de la France.

Comme les registres régionaux français peuvent présenter des biais (ex. surreprésentation de départements ruraux ou urbains spécifiques), l’application du modèle de Markov utilise des analyses de sensibilité probabilistes : les chercheurs testent plusieurs scénarios d’incidence (borne haute, borne basse) selon la région ou le niveau socio-économique. Le modèle selon Lelie pourrait théoriquement permettre de vérifier si une stratégie de dépistage personnalisée reste coût-efficace même si l’incidence réelle varie plus ou moins par rapport à l’estimation nationale.

Mais on voit bien que ces ajustements et l’absence de registre national créent des difficultés spécifiques. D’abord, la participation au dépistage n’est pas uniforme dans tout le pays. Ensuite, le SNDS indique qu’une femme est traitée pour un cancer, mais ne contient pas le stade exact de la tumeur (TNM / in situ ou cancer invasif avancé). Le modèle doit donc utiliser la répartition par stade observée dans les registres FRANCIM et supposer qu’elle est représentative de tout le pays.
C’est justement pour lever toutes ces incertitudes d’évaluation scientifique et médico-économique que l’Académie nationale de médecine et plusieurs rapports parlementaires en France plaident régulièrement pour la création d’un registre national centralisé des cancers.

Les limites du modèle Markov

Comme avec tout outil de modélisation mathématique, même si la méthode de l’université de Bruxelles résout un biais structurel majeur (la distorsion de l’incidence globale lors du changement de groupes de risque), elle reste dépendante des données qu’on lui fournit et de certaines hypothèses de départ.

Plusieurs biais sont possibles :

1. Le biais de données d’entrée (Garbage in, garbage out, c’est à dire que si on introduit des données de base corrompues, les données en sortie le seront aussi)

Un modèle, quel qu’il soit, ne fait que reproduire ce qu’on lui « injecte ». Si les données réelles du Registre du Cancer utilisées au départ comportent des sous-déclarations, un surdiagnostic historique (nous reviendrons sur ce point) ou des erreurs de sous-populations (par exemple des inégalités d’accès au dépistage non identifiées), le modèle perpétuera et masquera ces biais sous une apparence de précision mathématique.

2 Erreur dans le calcul des risques selon les groupes

Même si le nombre total de cancers reste juste pour toute la population, le modèle peut mal répartir les cas entre les groupes. Cela arrive si les études médicales se trompent sur un niveau de risque d’un groupe précis (par exemple, le risque lié à la densité mammaire est fort discuté et non unanime dans la littérature scientifique).
On peut omettre également la portée de certains facteurs de risque insuffisamment pris en compte (obésité, habitudes hygiéno-diététiques etc…)

3. Le biais d’hypothèse sur l’histoire naturelle du cancer

Les modèles de Markov simplifient la biologie en découpant la maladie en grandes étapes fixes (par exemple : pas de cancer ==> cancer non détecté ==> cancer détecté).
Or la vitesse d’évolution d’une tumeur varie énormément d’une femme à l’autre. Si le modèle utilise des vitesses de progression moyennes trop rigides, il peut surévaluer l’efficacité des dépistages fréquents pour certains types de tumeurs, et favoriser un système plus fréquent de dépistage générateur de surdiagnostics, ou à l’inverse passer à côté de cancers d’intervalle très agressifs (ce que fait de toute façon le dépistage actuel, les cancers très agressifs peuvent se développer en quelques mois, voire quelques semaines, qu’aucun dépistage ne pourra anticiper).

4. Le biais de transférabilité (géographique ou temporelle)

Un modèle calé sur les données d’un pays à un instant T (exemple ici : la Flandre) peut devenir biaisé si on l’applique à un autre pays sans adapter finement les paramètres épidémiologiques de base. Les comportements de santé ou les facteurs de risque de la population évoluent rapidement dans le temps (ex. modification des prises de traitements hormonaux substitutifs, hausse de l’obésité etc…).

5. Le point aveugle du surdiagnostic

Le surdiagnostic (la détection par dépistage de tumeurs indolentes qui n’auraient jamais provoqué de symptômes ni entraîné le décès au cours de la vie de la patiente) est le « point aveugle » le plus redouté dans les modèles médico-économiques.

Si le surdiagnostic est sous-estimé ou mal modélisé, un modèle de Markov risque effectivement d’analyser un surdiagnostic comme un « succès » (un cancer pris à temps) plutôt que comme un préjudice (un surtraitement inutile avec perte de qualité de vie et surcoût).

Les deux biais générés par une mauvaise prise en compte du surdiagnostic :

La surestimation du bénéfice clinique : Le modèle suppose à tort que chaque petit cancer précoce détecté aurait fini par devenir un cancer mortel. Il attribue ainsi des années de vie sauvées virtuelles à la détection de lésions qui seraient restées inoffensives.
Le modèle estime le surdiagnostic surtout pour les tranches d’âge des femmes plus âgées. Le modèle de Markov intègre des tables de mortalité générale : si une femme a une probabilité élevée de mourir d’une autre cause (cardiaque, autre pathologie) dans les 10 ans, le gain lié à la détection d’un cancer du sein à évolution lente est considérablement diminué, voire négatif en termes de balance bénéfice/risque.
Mais le surdiagnostic existe aussi chez les femmes plus jeunes, or comme le système estime que celles-ci, selon les tables de mortalité, ont une probabilité faible de mourir d’autre chose, le surdiagnostic pour elles est sous-estimé, car on considèrera que la détection d’un cancer est forcément bénéfique pour elles.

La sous-estimation des coûts et des souffrances : Traiter un cancer surdiagnostiqué implique de la chirurgie, de la radiothérapie ou d’autres traitements lourds. Si ces coûts financiers et cette perte de qualité de vie (anxiété, séquelles) ne sont pas comptabilisés comme des dégâts inutiles, l’efficacité globale du dépistage est artificiellement gonflée.

L’apport (et la limite) de la méthode du Dr Lelie

• Ce qu’elle résout : Comme expliqué plus haut, dans les anciens modèles le simple fait de redéfinir les groupes de risque ou de modifier la fréquence des examens créait un artefact mathématique augmentant artificiellement l’incidence du cancer dans la simulation, créant en quelque sorte un « faux » surdiagnostic. La méthode de l’université de Bruxelles résout ce biais comme nous l’avons vu en forçant la simulation à respecter scrupuleusement l’incidence réelle du registre (cohérence épidémiologique).
• Ce qu’elle ne résout pas : Il s’agit d’une structure mathématique. Si le chiffre de départ qu’on injecte dans le modèle concernant le surdiagnostic est faux, ou volontairement donné à sa fourchette la plus basse (comme le fait systématiquement l’Institut National du cancer français), la simulation propagera cette erreur.
  

La solution : l’intégration de tumeurs « non progressives » :

Pour éviter de surévaluer l’intérêt du dépistage, les chercheurs intègrent désormais dans le modèle de Markov des catégories de tumeurs « non progressives » (ou indolentes) : des lésions qui n’évoluent jamais vers des stades avancés, ce qui permet de comptabiliser correctement le risque de surdiagnostic.

Pourquoi le problème du surdiagnostic est encore plus critique dans le dépistage stratifié (MyPEBS) ?

Le dépistage personnalisé par stratification du risque modifie profondément cette équation :

1. Groupe à haut risque : On augmente la fréquence des examens (ex. mammographie annuelle + IRM). La probabilité de détecter de petites lésions non évolutives augmente.
2. Groupe à bas risque : On espace le dépistage. On réduit le surdiagnostic, mais au risque de détecter un cancer plus tardivement.
   

C’est exactement là que le cadre mathématique du Dr Max Lelie pourra intervenir. En garantissant que la dynamique globale du modèle reste strictement conforme à l’incidence du Registre du Cancer, il empêche le modèle de générer des « cancers virtuels » qui viendraient fausser la proportion de tumeurs à croissance lente / tumeurs à croissance rapide lors du passage d’un groupe de risque à un autre.
Il élimine le « faux » surdiagnostic généré par les vieux modèles statistiques, et tient compte d’un surdiagnotic, même si cette évaluation dépendra du chiffre qui sera retenu dans chaque pays, et sous-évalue très certainement le surdiagnostic des femmes plus jeunes.

En conclusion

La méthode du Dr Lelie est une avancée méthodologique pour éliminer les erreurs de calcul internes au modèle, mais elle n’est pas magique : sa fiabilité dépend entièrement de la qualité des données épidémiologiques réelles qu’on lui fournit.

Le modèle de Markov ne cherche pas à savoir qui est surdiagnostiqué. Il attribue à chaque cancer dépisté une probabilité de faire partie des cancers indolents (en fonction de l’âge de la femme, de son espérance de vie et de la vitesse théorique de la tumeur). C’est ce calcul de probabilité qui permet de pénaliser la stratégie de dépistage sur le plan économique et de la qualité de vie, compensant ainsi le risque de surévaluation de son efficience.

🛈 Nous sommes un collectif de professionnels de la santé, rassemblés en association. Nous agissons et fonctionnons sans publicité, sans conflit d’intérêt, sans subvention. Merci de soutenir notre action sur HelloAsso.
🛈 We are an French non-profit organization of health care professionals. We act our activity without advertising, conflict of interest, subsidies. Thank you to support our activity on HelloAsso.