Un simple tweet du commissaire de la FDA<\/a>, le Dr Marty Makary annonce que la nouvelle orientation de l\u2019agence am\u00e9ricaine<\/strong> sur l\u2019usage de \u00a0statistiques bay\u00e9siennes cr\u00e9ait un v\u00e9ritable buzz. \u00ab L\u2019importance de cette orientation ne peut \u00eatre surestim\u00e9e. Elle souligne l\u2019engagement de la FDA \u00e0 moderniser la recherche clinique et \u00e0 promouvoir l\u2019utilisation des m\u00e9thodes bay\u00e9siennes dans les essais cliniques<\/em> \u00bb, \u00e9crivait-il en renvoyant \u00e0 l\u2019article de perspective publi\u00e9 dans JAMA le 23 mars 2026<\/a>.<\/p>\n Ce n\u2019est pas une annonce technique r\u00e9serv\u00e9e aux sp\u00e9cialistes. C\u2019est un changement majeur qui va toucher la fa\u00e7on dont les nouveaux m\u00e9dicaments seront test\u00e9s et approuv\u00e9s \u00e0 l\u2019avenir.<\/p>\n \u00a0<\/p>\n Pour bien comprendre pourquoi c\u2019est important, imaginons la question la plus simple que tout patient se pose : \u00ab Est-ce que ce m\u00e9dicament marche vraiment pour moi ?<\/em> \u00bb<\/p>\n Depuis plus d\u2019un si\u00e8cle, la m\u00e9decine utilise principalement une m\u00e9thode appel\u00e9e \u00ab <\/strong>fr\u00e9quentiste<\/strong><\/em> \u00bb<\/strong>. En mots tr\u00e8s simples : cette m\u00e9thode ne r\u00e9pond pas directement \u00e0 la question du patient. Elle pose plut\u00f4t une question d\u00e9tourn\u00e9e : \u00ab Si le m\u00e9dicament ne marche absolument pas, quelle est la probabilit\u00e9 que l\u2019on observe ces r\u00e9sultats par pur hasard ?<\/em> \u00bb Cette probabilit\u00e9 s\u2019appelle la p-value (valeur p). Quand elle est tr\u00e8s faible (g\u00e9n\u00e9ralement inf\u00e9rieure \u00e0 5 %), on d\u00e9clare le r\u00e9sultat \u00ab statistiquement significatif<\/em> \u00bb et on approuve souvent le m\u00e9dicament<\/strong>. C\u2019est comme si on disait : \u00ab Ce n\u2019est probablement pas le hasard\u2026 donc le traitement doit marcher<\/em>. \u00bb Mais cela reste indirect et parfois difficile \u00e0 interpr\u00e9ter dans la vraie vie.<\/p>\n \u00a0<\/p>\n Les m\u00e9thodes bay\u00e9siennes,<\/strong> elles, sont un outil math\u00e9matique plus performant et plus intuitif. En mots tr\u00e8s simples : elles r\u00e9pondent directement \u00e0 la vraie question : \u00ab Quelle est la probabilit\u00e9 r\u00e9elle que ce traitement fonctionne, en tenant compte de tout ce que l\u2019on savait d\u00e9j\u00e0 avant l\u2019essai ET des nouvelles donn\u00e9es que l\u2019on vient de recueillir ?<\/em> \u00bb<\/p>\n Exemple concret pour bien visualiser :<\/p>\n C\u2019est exactement ce que font les mod\u00e8les d\u2019intelligence artificielle aujourd\u2019hui pour g\u00e9n\u00e9rer des r\u00e9ponses coh\u00e9rentes.<\/p>\n La m\u00e9thode bay\u00e9sienne<\/strong> repose sur les probabilit\u00e9s conditionnelles – le c\u0153ur m\u00eame du th\u00e9or\u00e8me de Bayes – ils partent d\u2019un \u00ab prior \u00bb (ce que l\u2019on savait d\u00e9j\u00e0 ou \u00ab\u00a0a priori\u00a0\u00bb, d’o\u00f9 l’usage du terme prior) et le mettent \u00e0 jour en continu en fonction des nouvelles donn\u00e9es. Si ces techniques, qui ne datent pas d\u2019aujourd\u2019hui, sont jug\u00e9es assez robustes pour piloter l\u2019IA qui r\u00e9volutionne le monde, pourquoi ne pas les appliquer en m\u00e9decine, o\u00f9 les d\u00e9cisions engagent des vies humaines ?<\/p>\n \u00a0<\/strong><\/p>\n Pour la premi\u00e8re fois, les centres qui r\u00e9gulent les m\u00e9dicaments et les produits biologiques (<\/strong>CDER et CBER de la FDA) , ont publi\u00e9 une \u00ab\u00a0draft guidance\u00a0\u00bb (orientation pr\u00e9liminaire) officielle qui reconna\u00eet ces outils math\u00e9matiques comme une option rigoureuse, efficace et souvent sup\u00e9rieure aux approches traditionnelles bas\u00e9es sur les p-values<\/strong>. Un article publi\u00e9 dans JAMA, sign\u00e9 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 d\u00e9finitivement le mythe selon lequel la FDA s\u2019opposait aux bay\u00e9siens.<\/p>\n Elle permet surtout de prendre des d\u00e9cisions en situation d\u2019information incompl\u00e8te<\/strong> et \u00e9volutive, ce qui est la norme en recherche clinique comme dans la vie r\u00e9elle. Au lieu de figer une hypoth\u00e8se nulle et d\u2019attendre une preuve<\/strong> \u00ab statistiquement significative<\/em> \u00bb, le bay\u00e9sien quantifie explicitement l\u2019incertitude<\/strong> et met \u00e0 jour les \u00ab croyances<\/em> \u00bb au fur et \u00e0 mesure des donn\u00e9es disponibles.<\/p>\n \u00a0<\/p>\n Le Dr Steven Quay<\/a> l\u2019a rappel\u00e9 avec force : \u00ab La premi\u00e8re utilisation gouvernementale <\/strong>du bay\u00e9sien que je connaisse \u00e9tait une analyse top-secret <\/strong>(TS) au sein de la CIA pendant la guerre du Vietnam. Il s\u2019agissait d\u2019estimer la probabilit\u00e9 d\u2019une offensive nord-vietnamienne au printemps. Des analystes ont utilis\u00e9 le th\u00e9or\u00e8me de Bayes pour combiner des renseignements partiels, des rapports de terrain et des donn\u00e9es historiques, en calculant des probabilit\u00e9s conditionnelles actualis\u00e9es \u00e0 chaque nouvelle information<\/em>. \u00bb\u00a0<\/p>\n<\/blockquote>\n Les r\u00e9sultats ont \u00e9t\u00e9 impressionnants : l\u2019analyse a permis d\u2019anticiper avec une pr\u00e9cision remarquable certaines mouvements ennemis, bien au-del\u00e0 des m\u00e9thodes traditionnelles. Des documents d\u00e9classifi\u00e9s de la CIA (notamment le Handbook of Bayesian Analysis for Intelligence, 1975) montrent que ces mod\u00e8les, souvent combin\u00e9s \u00e0 la m\u00e9thode Delphi, ont aid\u00e9 \u00e0 \u00e9valuer la probabilit\u00e9 d\u2019offensives majeures comme celle du T\u00eat.<\/p>\n On peut l\u00e9gitimement s\u2019interroger : ces m\u00eames approches ont-elles \u00e9t\u00e9 utilis\u00e9es pour mod\u00e9liser l\u2019op\u00e9ration r\u00e9cente en Iran ?<\/strong> Des mod\u00e8les d\u2019IA ont certainement \u00e9t\u00e9 mobilis\u00e9s, mais si les priors \u00e9taient mal calibr\u00e9s ou si l\u2019information incompl\u00e8te n\u2019\u00e9tait pas trait\u00e9e avec suffisamment de prudence bay\u00e9sienne, les cons\u00e9quences pourraient \u00eatre dramatiques. Cela rappelle que la qualit\u00e9 du prior et la rigueur de la mise \u00e0 jour conditionnelle sont tout.<\/p>\n \u00a0<\/p>\n Analogie \u00e9clairante avec le monde de la finance\u00a0<\/strong>: dans les salles de trading, les probabilit\u00e9s bay\u00e9siennes aident \u00e0 actualiser en temps r\u00e9el les \u00ab\u00a0croyances\u00a0\u00bb \u00a0sur la valeur d\u2019un actif. Elles \u00e9vitent le pi\u00e8ge classique de l\u2019\u00ab escalade d\u2019engagement <\/em>\u00bb (jeter du bon argent apr\u00e8s du mauvais) en for\u00e7ant les traders \u00e0 reconsid\u00e9rer leurs priors face \u00e0 de nouvelles donn\u00e9es n\u00e9gatives. Des profils \u00e0 risque comme J\u00e9r\u00f4me Kerviel ou Nick Leeson auraient pu \u00eatre d\u00e9tect\u00e9s plus t\u00f4t : un mod\u00e8le bay\u00e9sien aurait pu signaler que la probabilit\u00e9 de fraude ou de perte massive augmentait de fa\u00e7on anormale au fur et \u00e0 mesure des positions qui s\u2019additionnent les unes aux autres ou se chevauchent dans de multiples dimensions rendant l’analyse \u00e0 l’\u0153il nu impossible. De m\u00eame, l\u2019affaire Madoff aurait \u00e9t\u00e9 plus difficile \u00e0 masquer : les rendements \u00ab trop r\u00e9guliers<\/em> \u00bb auraient fait exploser les probabilit\u00e9s conditionnelles d\u2019escroquerie<\/strong>, bien avant que les autorit\u00e9s ne r\u00e9agissent.<\/p>\n![\"Bayesien\"](\"https:\/\/www.francesoir.fr\/sites\/default\/files\/inline-images\/20260328FSFDA%20%282%29_0.png\"\/)
<\/p>\nMais qu\u2019est-ce que cela change concr\u00e8tement ?<\/strong><\/h5>\n
![\"Bayesien\"](\"https:\/\/www.francesoir.fr\/sites\/default\/files\/inline-images\/20260328FSFDA%20%283%29_0.png\"\/)
<\/p>\n![\"Bayesien\"](\"https:\/\/www.francesoir.fr\/sites\/default\/files\/inline-images\/20260328FSFDA%20%284%29_0.png\"\/)
<\/p>\n\n
![\"Bayesien\"](\"https:\/\/www.francesoir.fr\/sites\/default\/files\/inline-images\/20260328FSFDA%20%285%29_0.png\"\/)
<\/p>\nL\u2019orientation de la FDA r\u00e9pond enfin \u00e0 cette question par l\u2019affirmative.<\/strong><\/h5>\n
![\"Bayesien\"](\"https:\/\/www.francesoir.fr\/sites\/default\/files\/inline-images\/20260328FSFDA%20%286%29_0.png\"\/)
<\/p>\n\n
![\"Bayesien\"](\"https:\/\/www.francesoir.fr\/sites\/default\/files\/inline-images\/20260328FSFDA%20%288%29_0.png\"\/)
<\/p>\n![\"Bayesien\"](\"https:\/\/www.francesoir.fr\/sites\/default\/files\/inline-images\/20260328FSFDA%20%289%29_0.png\"\/)
<\/p>\n
![\"Bayesien\"](\"https:\/\/www.francesoir.fr\/sites\/default\/files\/inline-images\/20260328FSFDA%20%287%29_0.png\"\/)
<\/p>\n![\"Bayesien\"](\"https:\/\/www.francesoir.fr\/sites\/default\/files\/inline-images\/20260328FSFDA%20%2810%29_0.png\"\/)
<\/p>\n![\"Bayesien\"](\"https:\/\/www.francesoir.fr\/sites\/default\/files\/inline-images\/20260328FSFDA%20%2811%29_0.png\"\/)
<\/p>\n![\"Bayesien\"](\"https:\/\/www.francesoir.fr\/sites\/default\/files\/inline-images\/20260328FSFDA%20%2813%29.png\"\/)
<\/p>\n![\"Bayesien\"](\"https:\/\/www.francesoir.fr\/sites\/default\/files\/inline-images\/20260328FSFDA%20%2812%29_0.png\"\/)
<\/p>\n![\"Bayesien\"](\"https:\/\/www.francesoir.fr\/sites\/default\/files\/inline-images\/20260328FSFDA%20%2814%29_0.png\"\/)
<\/p>\n