Cet article est un résumé en français d’un cours de Philippe Tadger, dispensé en espagnol (vidéo intégrée en fin d’article). Il présente une approche probabiliste du diagnostic différentiel en kinésithérapie musculo-squelettique — comment transformer l’histoire d’un patient en une liste d’hypothèses hiérarchisées, et comment actualiser ce classement à mesure que les résultats des tests arrivent.
Pourquoi raisonner en probabilités ?
Le raisonnement clinique en kinésithérapie est rarement binaire. Un patient arrive avec une histoire, quelques symptômes et plusieurs signes — et le clinicien doit peser simultanément plusieurs conditions possibles. Un modèle probabiliste rend cette pondération explicite : chaque hypothèse possède une probabilité pré-test, chaque résultat de test la fait monter ou descendre, et la décision de traiter, référer ou rassurer découle directement du chiffre mis à jour.
Tous les modèles sont faux, mais certains sont utiles.
George Box, Science and Statistics (1976)
Guion du patient vs guion de la maladie — le mur de briques semi-perméable
Le cours part du modèle du mur de briques semi-perméable de Maitland, qui sépare le raisonnement clinique en deux compartiments :
- Le côté du clinicien — anatomie, physiologie, biomécanique, connaissance de la dysfonction et de la pathologie, métacognition (penser sa propre pensée), compétences cliniques et preuves scientifiques actuelles. C’est ici que naissent les hypothèses.
- Le côté du patient — anamnèse, vécu subjectif, croyances et valeurs, symptômes et signes, évolution dans le temps, comorbidités, comportement, facteurs provocateurs et soulageants, traitements antérieurs et préférences. C’est la matière que le clinicien cherche à expliquer.
Le diagnostic devient un exercice de concordance : dans quelle mesure le guion du patient (tout ce que l’on sait de la personne en face) recoupe-t-il le guion de la maladie (la présentation typique d’une condition) ?
Le mapping corporel : transformer une histoire en données
Un bon mapping corporel capture chaque symptôme séparément — localisation, qualité (aigu, crampe, fatigue), intensité (0-10), fréquence (0-10, 10 = constant), facteurs provocateurs et soulageants. Au lieu d’une « lombalgie » indifférenciée, on obtient Symptôme 1 = douleur lombaire mécanique, 6/10, pire en position assise prolongée et Symptôme 2 = gêne viscérale sous-costale après repas gras. Les deux schémas peuvent très bien ne pas appartenir à la même condition — et c’est précisément le genre de distinction qu’un mapping rend visible.
Probabilité pré-test : quatre niveaux
Une fois guion du patient et guion de la maladie placés côte à côte, chaque hypothèse est classée dans l’un des quatre niveaux suivants :
- Très probable (> 67 %) — la maladie explique chaque élément, et toutes les caractéristiques de la maladie sont présentes chez le patient. Concordance presque parfaite.
- Probable (34–66 %) — la maladie explique certains éléments, pas de critères de rejet forts, concordance partielle.
- Peu probable (< 33 %) — peu de caractéristiques communes plus au moins un signe de rejet.
- Drapeau rouge — probabilité de base faible, mais conséquences d’un diagnostic manqué trop lourdes pour être acceptées. Fractures, cancer occulte, pathologie vasculaire, commotion : on les recherche activement avec des tests sensibles d’exclusion, même quand elles semblent improbables.
Actualiser la probabilité avec le nomogramme de Fagan
Les tests donnent rarement un oui/non. Ce qu’ils donnent — quand une étude sérieuse les étaye — c’est un rapport de vraisemblance (LR+ pour un résultat positif, LR– pour un résultat négatif). Le nomogramme de Fagan est un outil graphique simple qui transforme une probabilité pré-test et un LR en probabilité post-test. Quelques exemples du cours :
- Pré-test 40 % + LR proche de 1 → post-test ~46 %. Le test n’apporte rien : à abandonner.
- Pré-test 20 % + LR+ de 10 → post-test ~70 %. On passe de « probable » à « très probable » : on peut commencer le traitement.
- Pré-test 40 % + bon LR– → post-test ~7 %. La condition est effectivement écartée ; on passe aux autres hypothèses.
À retenir : un test avec un fort LR+ est utile pour confirmer un diagnostic suspecté, un test avec un fort LR– est utile pour exclure une condition dangereuse. Les tests dont les LR sont proches de 1 — sur lesquels on dépense tant de temps et d’argent — ne changent presque rien et méritent d’être remis en question.
Un cas cervical travaillé
Le cours déroule un cas : femme de 25 ans, cervicalgie chronique post coup de fouet, céphalées et dysesthésies du membre supérieur. Quatre hypothèses sont classées : dysfonction cervicale mécanique, radiculopathie cervicale, myélopathie cervicale et — en drapeau rouge — fracture de l’odontoïde avec rupture du ligament alaire. Pour chacune, le clinicien associe les tests les plus utiles à leurs LR publiés : Spurling et traction manuelle pour la radiculopathie (LR+ élevé, confirmatoires), tests de tension du membre supérieur pour l’exclusion, et le test de Sharp-Purser (LR+ ≈ 17) pour le ligament alaire. Un point subtil : le même test ne peut pas légitimement porter le même LR pour deux conditions différentes — si votre tableau le montre, c’est que les preuves ont été recopiées sans regard critique.
À retenir
- Écrivez le guion du patient et comparez-le à plusieurs guions de maladie avant de sortir les tests.
- Classez vos hypothèses en quatre niveaux, et gardez la catégorie drapeau rouge même quand la probabilité est faible.
- Choisissez des tests qui déplacent réellement la probabilité — fort LR+ pour confirmer, fort LR– pour exclure.
- Utilisez un outil simple (le nomogramme de Fagan) pour rendre la mise à jour explicite plutôt qu’implicite.
- Méfiez-vous des tableaux de preuves où le même test porte des LR identiques pour plusieurs conditions.
Regarder le cours original (espagnol)
Titre original : « Como hacer Diagnóstico Diferencial en Fisioterapia usando un Modelo Probabilístico » — Philippe Tadger, sur YouTube.