Un simple tweet du commissaire de la FDA, le Dr Marty Makary annonce que la nouvelle orientation de l’agence américaine sur l’usage de statistiques bayésiennes créait un véritable buzz. « L’importance de cette orientation ne peut être surestimée. Elle souligne l’engagement de la FDA à moderniser la recherche clinique et à promouvoir l’utilisation des méthodes bayésiennes dans les essais cliniques », écrivait-il en renvoyant à l’article de perspective publié dans JAMA le 23 mars 2026.
Ce n’est pas une annonce technique réservée aux spécialistes. C’est un changement majeur qui va toucher la façon dont les nouveaux médicaments seront testés et approuvés à l’avenir.
Mais qu’est-ce que cela change concrètement ?
Pour bien comprendre pourquoi c’est important, imaginons la question la plus simple que tout patient se pose : « Est-ce que ce médicament marche vraiment pour moi ? »
Depuis plus d’un siècle, la médecine utilise principalement une méthode appelée « fréquentiste ». En mots très simples : cette méthode ne répond pas directement à la question du patient. Elle pose plutôt une question détournée : « Si le médicament ne marche absolument pas, quelle est la probabilité que l’on observe ces résultats par pur hasard ? » Cette probabilité s’appelle la p-value (valeur p). Quand elle est très faible (généralement inférieure à 5 %), on déclare le résultat « statistiquement significatif » et on approuve souvent le médicament. C’est comme si on disait : « Ce n’est probablement pas le hasard… donc le traitement doit marcher. » Mais cela reste indirect et parfois difficile à interpréter dans la vraie vie.
Les méthodes bayésiennes, elles, sont un outil mathématique plus performant et plus intuitif. En mots très simples : elles répondent directement à la vraie question : « Quelle est la probabilité réelle que ce traitement fonctionne, en tenant compte de tout ce que l’on savait déjà avant l’essai ET des nouvelles données que l’on vient de recueillir ? »
Exemple concret pour bien visualiser :
- Méthode fréquentiste : vous faites un test de grossesse. Il est positif. La méthode dit : « Si vous n’étiez pas enceinte, ce résultat serait très improbable → on rejette l’hypothèse “pas enceinte”. »
- Méthode bayésienne : elle intègre aussi la probabilité de base (par exemple 1 % de femmes de 30 ans sont enceintes) et calcule : « Avec ce test positif, la probabilité réelle que vous soyez enceinte est désormais d’environ 50 % (ou plus selon le contexte). » C’est comme un GPS qui recalcule votre itinéraire en temps réel à chaque nouvelle information (traffic en temps réel par exemple).
C’est exactement ce que font les modèles d’intelligence artificielle aujourd’hui pour générer des réponses cohérentes.
La méthode bayésienne repose sur les probabilités conditionnelles – le cœur même du théorème de Bayes – ils partent d’un « prior » (ce que l’on savait déjà ou « a priori », d’où l’usage du terme prior) et le mettent à jour en continu en fonction des nouvelles données. Si ces techniques, qui ne datent pas d’aujourd’hui, sont jugées assez robustes pour piloter l’IA qui révolutionne le monde, pourquoi ne pas les appliquer en médecine, où les décisions engagent des vies humaines ?
L’orientation de la FDA répond enfin à cette question par l’affirmative.
Pour la première fois, les centres qui régulent les médicaments et les produits biologiques (CDER et CBER de la FDA) , ont publié une « draft guidance » (orientation préliminaire) officielle qui reconnaît ces outils mathématiques comme une option rigoureuse, efficace et souvent supérieure aux approches traditionnelles basées sur les p-values. Un article publié dans JAMA, signé par des experts de renom comme J. Jack Lee (MD Anderson Cancer Center), Frank Harrell (Vanderbilt), Lisa LaVange (UNC Chapel Hill) et David Spiegelhalter (Cambridge), salue cette orientation tant attendue qui balaie définitivement le mythe selon lequel la FDA s’opposait aux bayésiens.
Elle permet surtout de prendre des décisions en situation d’information incomplète et évolutive, ce qui est la norme en recherche clinique comme dans la vie réelle. Au lieu de figer une hypothèse nulle et d’attendre une preuve « statistiquement significative », le bayésien quantifie explicitement l’incertitude et met à jour les « croyances » au fur et à mesure des données disponibles.
Le Dr Steven Quay l’a rappelé avec force : « La première utilisation gouvernementale du bayésien que je connaisse était une analyse top-secret (TS) au sein de la CIA pendant la guerre du Vietnam. Il s’agissait d’estimer la probabilité d’une offensive nord-vietnamienne au printemps. Des analystes ont utilisé le théorème de Bayes pour combiner des renseignements partiels, des rapports de terrain et des données historiques, en calculant des probabilités conditionnelles actualisées à chaque nouvelle information. »
Les résultats ont été impressionnants : l’analyse a permis d’anticiper avec une précision remarquable certaines mouvements ennemis, bien au-delà des méthodes traditionnelles. Des documents déclassifiés de la CIA (notamment le Handbook of Bayesian Analysis for Intelligence, 1975) montrent que ces modèles, souvent combinés à la méthode Delphi, ont aidé à évaluer la probabilité d’offensives majeures comme celle du Têt.
On peut légitimement s’interroger : ces mêmes approches ont-elles été utilisées pour modéliser l’opération récente en Iran ? Des modèles d’IA ont certainement été mobilisés, mais si les priors étaient mal calibrés ou si l’information incomplète n’était pas traitée avec suffisamment de prudence bayésienne, les conséquences pourraient être dramatiques. Cela rappelle que la qualité du prior et la rigueur de la mise à jour conditionnelle sont tout.
Analogie éclairante avec le monde de la finance : dans les salles de trading, les probabilités bayésiennes aident à actualiser en temps réel les « croyances » sur la valeur d’un actif. Elles évitent le piège classique de l’« escalade d’engagement » (jeter du bon argent après du mauvais) en forçant les traders à reconsidérer leurs priors face à de nouvelles données négatives. Des profils à risque comme Jérôme Kerviel ou Nick Leeson auraient pu être détectés plus tôt : un modèle bayésien aurait pu signaler que la probabilité de fraude ou de perte massive augmentait de façon anormale au fur et à mesure des positions qui s’additionnent les unes aux autres ou se chevauchent dans de multiples dimensions rendant l’analyse à l’œil nu impossible. De même, l’affaire Madoff aurait été plus difficile à masquer : les rendements « trop réguliers » auraient fait exploser les probabilités conditionnelles d’escroquerie, bien avant que les autorités ne réagissent.
Le Dr Tim Sawyer, médecin très suivi sur X, résume parfaitement l’approche bayésienne en cinq points simples. Pour estimer la probabilité qu’un événement soit vrai :
- Commencez par évaluer la fréquence d’apparition naturelle de l’événement.
- Ajustez cette probabilité à la hausse ou à la baisse en fonction des données.
- Restez ouvert d’esprit.
- Continuez d’ajuster votre estimation à mesure que de nouvelles données apparaissent.
- Considérez toujours vos convictions comme des hypothèses à tester, et non comme des vérités intouchables.
Cette orientation n’est pas une « mode » statistique.
Elle met en avant quatre avantages concrets qui transforment la pratique. Elle permet d’emprunter des informations du passé (par exemple en intégrant des données d’adultes pour estimer l’efficacité chez les enfants), d’effectuer un apprentissage continu avec des analyses intérim qui rendent les essais naturellement adaptatifs, d’utiliser des priors sceptiques ou optimistes de manière transparente, et surtout d’évaluer directement la probabilité d’un bénéfice cliniquement significatif plutôt que de s’acharner sur une p-value magique à 0,05.
Cette approche ne remet-elle pas en cause la hiérarchie traditionnelle des preuves en médecine, qui place les méta-analyses au sommet de la pyramide et les essais cliniques randomisés juste en dessous ? En réalité, elle la complète et la fait évoluer. Les méta-analyses vont devoir devenir dynamiques et ne plus contenter d’une pondération fixe basée sur la taille des études ou le risque de biais. Elles vont devoir intégrer d’autres métriques (chronologie, homogénéité des populations, données du monde réel) et devenir ainsi des modèles bayésiens cumulatifs qui se mettent à jour en temps réel avec l’avènement des connaissances. Cela exigera vraisemblablement un réel travail scientifique de rigueur et d’intégrité statistique et mathématique, avec des simulations de sensibilité et une justification explicite des priors.
Les conséquences sont déjà visibles dans le domaine du COVID-19.
L’essai britannique RECOVERY, souvent présenté comme « gold standard » a conclu que l’HCQ était inefficace… mais avec des biais majeurs dénoncés dès juin 2020 par France-Soir comme un « scandale mortel ». Avec l’usage de doses toxiques (2 400 mg le premier jour, jusqu’à 9 600 mg au total – quatre fois la dose recommandée), des patients hospitalisés en phase tardive (en moyenne 9 jours après les premiers symptômes, donc au stade inflammatoire où l’effet antiviral n’opère plus), et une mortalité dans le bras soins standards (SOC) extrêmement élevée : 23,5 % à 28 jours (25,7 % dans le bras HCQ ; HR 1,11, p=0,10).
Dans un cadre bayésien, un prior sceptique (recommandé par la FDA pour les thérapies non curatives) aurait imposé une analyse détaillée des causes de décès (COVID direct, cardiaque, iatrogène, infections secondaires…) et l’emprunt d’informations externes sur l’HCQ à faible dose en ambulatoire. Au lieu d’une p-value unique concluant « pas d’effet », on aurait vraisemblablement eu une probabilité postérieure claire : « Pas de bénéfice (voire risque) en tardif + haute dose », sans condamner toute la classe thérapeutique.
À l’inverse, les méta-analyses adaptatives en temps réel de c19early.org (mises à jour mars 2026) montrent une efficacité claire en traitement précoce : 66 % de réduction du risque avec l’hydroxychloroquine et 61 % avec l’ivermectine. C’est précisément l’« apprentissage continu » que la FDA encourage désormais.
En conclusion, cette décision de la FDA va profondément modifier de nombreuses pratiques médicales et réglementaires. Elle évitera des biais décisionnels systémiques en empêchant la capture des preuves par les grands essais randomisés financés par l’industrie, comme RECOVERY, dont les biais (doses toxiques, timing tardif, absence d’analyse des causes de décès) sont trop souvent omis dans les décisions. En imposant rigueur, transparence et mise à jour continue des probabilités, elle rendra la science plus humble face à l’incertitude et plus protectrice des patients. L’ère des p-values rigides et des essais monstrueux touche à sa fin.
Bienvenue dans l’ère bayésienne : plus intelligente, plus éthique et enfin adaptée au monde réel.
Résumé vidéo de l’article :