Lors de nos visites de laboratoires de microbiologie, on voit rarement les résultats avec des incertitudes de mesure.
Pourtant, à chaque fois qu’on passe la tête dans le labo d’à côté… celui de chimie, tous les résultats peuvent être exprimés avec ces fameuses incertitudes.
Et notre sondage LinkedIn semble aller dans le même sens :

Seule une minorité de laboratoires de microbiologie communiquent leurs résultats avec des incertitudes de mesure.
Mais alors pourquoi la microbiologie ferait-elle exception ?
Peut-être parce qu’en microbiologie nous n’avons que des … certitudes ?! 😉
Pour percer ce mystère, nous avons interrogé plusieurs labos.
Et même si au début on traînait un peu des pieds à l’idée de parler maths et stats… on y a (presque) pris goût.
Et surtout, ça nous a permis de mieux comprendre beaucoup de choses en microbiologie.
Qu’est-ce qu’une incertitude de mesure en microbiologie ?
Lorsqu’on dénombre des bactéries dans un échantillon, la valeur qu’on obtient sur notre boîte de Petri comporte “naturellement” une erreur.
Cette erreur peut être modélisée par la loi de Poisson
Mais cette erreur ne doit pas nous faire oublier qu’en microbiologie les résultats peuvent également être influencés par plusieurs autres sources d’incertitude, notamment :
- la Méthode
- le Matériel
- la Main d’œuvre
- le Milieu (pas de culture !). Il s’agit de l’environnement de travail (laboratoire, incubateurs, etc…)
- la Matrice
On parle alors des 5 M.
C’est ce qu’on appelle l’incertitude de mesure.
Comment calcule-t-on l’incertitude de mesure en microbiologie ?
Maintenant qu’on sait à peu près ce qu’est une incertitude de mesure, passons à son calcul.
Pour cela, nous allons vous présenter les trois incertitudes les plus couramment utilisées en microbiologie des aliments.
L’incertitude de distribution
Il s’agit de l’incertitude minimale à prendre en compte.
Elle est modélisée par la fameuse loi de Poisson (ça vous dit quelque chose ?), qui permet de prendre en compte la distribution aléatoire des bactéries dans un échantillon.
Exemple : Vous avez un tube contenant 100 bactéries dans 10 ml d’un liquide.
Théoriquement, cela fait donc 10 bactéries par ml.
Sauf que si vous pipetez 10 fois 1 ml, vous n’obtiendrez pas toujours 10 colonies sur votre boîte de Petri.
Vous aurez : 7, 8, 9, 10, 11, 12 ou 13 colonies. Il s’agit de l’incertitude de distribution.
Grâce à la loi de Poisson, on peut appliquer une formule à nos résultats pour calculer cette incertitude de distribution.
Prenons un exemple concret. Si vous observez 25 colonies sur votre boîte de Petri, la loi de Poisson pourrait vous donner un résultat compris entre 15 et 35 cfu avec une probabilité de 95%.
Encore une fois, il s’agit de l’incertitude minimale à prendre en compte. Si on veut aller plus loin, on peut aussi calculer les autres incertitudes.
L’incertitude technique
Il existe plusieurs manières de calculer l’incertitude technique.
En pratique, on demande au laboratoire d’analyser au moins une dizaine d’échantillons après homogénéisation avec plusieurs répétitions, en faisant varier un maximum de paramètres.
Voici un exemple de paramètres à faire varier :
- 2 opérateurs
- 2 pipettes
- 2 incubateurs
- 2 lots de réactifs
- etc.
Avec les résultats obtenus, on peut calculer l’incertitude technique. Cette incertitude représente l’estimation de la reproductibilité intra laboratoire.
L’incertitude liée à la matrice
Cette incertitude provient du fait que l’homogénéisation des matrices est toujours imparfaite et varie selon les matrices.
L’homogénéisation d’une eau de source ne sera pas la même que celle d’un steak haché.
Chaque matrice aura donc sa propre incertitude. Nous reviendrons un peu plus loin dans l’article sur ce point.
Que disent les normes concernant les incertitudes de mesure ?
Les approches peuvent être différentes selon les référentiels et les domaines dans lesquels vous travaillez :
Est-ce que votre laboratoire est accrédité (17025) ou pas ?
Dans quel domaine travaillez-vous ? Pharma, cosméto, agro, eaux ?
Les incertitudes en agroalimentaire
En agro, on va se reporter à la norme ISO 19036 (Estimation de l’incertitude de mesure pour les déterminations quantitatives).
Cette norme propose d’estimer l’incertitude de mesure à partir de trois sources d’incertitude :
- l’incertitude technique (mesurée expérimentalement au laboratoire) : Utech
- l’incertitude liée à la matrice (pour certaines matrices bien connues, il existe des bases de données avec les incertitudes et ici ) : U matrix
- l’incertitude liée à la distribution (loi de Poisson) : U poisson
On intègre ensuite tous ces résultats dans une formule (un peu barbare… même si on a déjà vu pire !) :

L’évaluation des incertitudes doit évidemment être mise à jour régulièrement.
Les incertitudes dans l’industrie pharmaceutique
En pharmaceutique, c’est plus simple… pour une fois !
On ne calcule pas les incertitudes en fonction du laboratoire, de la méthode ou de la matrice.
Il existe une règle générale décrite à la fin du chapitre 2.6.12 de la Pharmacopée Européenne (Microbiological examination of non-sterile products : microbial enumeration tests).
Elle indique que :
“Lorsqu’un critère d’acceptation de la qualité microbiologique est défini, il est interprété comme suit :
- « 10 UFC : nombre maximal acceptable = 20
- 100 UFC : nombre maximal acceptable = 200
- 1000 UFC : nombre maximal acceptable = 2000, et ainsi de suite. »
En pharmaceutique, on n’applique donc pas l’incertitude au résultat, mais à la limite d’acceptation.
Cela peut conduire à des situations un peu surprenantes.
Par exemple : si une analyse a un critère d’acceptation à 100 cfu, et que vous observez 150 colonies sur votre boîte de Petri, le produit peut malgré tout être considéré conforme (il est en dessous des 200 cfu).
Exemple concret de calcul d’incertitude en microbiologie
On ne sait pas si c’est pareil pour vous, mais pour nous, sans exemple concret… c’est difficile à visualiser.
Prenons donc un exemple :
Analyse de germes totaux dans une matrice liquide simple, avec un critère d’acceptation à 100 cfu/ml.
Méthode : 1 ml ensemencé dans la masse sur gélose pour germes totaux.
Résultat sans incertitude : 90 colonies → 90 cfu/ml. Le résultat est inférieur au seuil de 100 cfu/ml : le produit est donc conforme.
Résultat avec incertitude : 90 cfu [71 ; 109] (arrondi).
Pour simplifier l’exemple, nous allons uniquement prendre en compte l’incertitude liée à la loi de Poisson (l’incertitude minimale).
Mais alors… quel résultat doit-on rendre ? 90, 71 ou 109 cfu ?
Et surtout est-ce que le seuil d’acceptation est dépassé ?
On peut imaginer trois approches :
- On ne prend pas en compte l’incertitude → résultat rendu : 90 cfu/ml – CONFORME
- On prend en compte le risque pour le consommateur (on ne souhaite pas prendre le risque de contaminer le consommateur) → résultat rendu : 109 cfu/ml – NON CONFORME
- On prend en compte le risque financier pour l’entreprise (on ne veut pas perdre un lot) → résultat rendu : 71 cfu/ml – CONFORME
Et vous, quelle approche adopteriez-vous ?
Les incertitudes dans la “vraie vie” des laboratoires
Pour écrire cet article, nous avons interrogé de nombreux laboratoires, accrédités, non accrédités, en pharma, dans les eaux et en agro.
La majorité nous ont avoué ne pas prendre en compte les incertitudes, car elles sont souvent très grandes et posent beaucoup de questions par rapport aux seuils.
Les laboratoires accrédités que nous avons interrogés disposent tous des informations concernant les incertitudes, mais ils ne les affichent généralement pas sur les certificats d’analyse.
En revanche, en cas de demande d’un client, ils sont capables de fournir rapidement les résultats en tenant compte de ces incertitudes.
En pharmaceutique, les laboratoires interrogés connaissent l’existence du “facteur 2”, mais la plupart nous ont dit ne jamais l’utiliser.
Certains ne l’utilisent que dans des cas particuliers, par exemple lorsque les résultats microbio sont juste au-dessus du seuil et qu’il s’agit d’un produit “précieux” qu’on veut absolument “sauver”.
Conclusion sur les incertitudes de mesure en microbiologie
En microbiologie, comme en chimie, les incertitudes de mesure existent bel et bien !
La différence, c’est qu’en microbiologie les incertitudes sont beaucoup plus larges, ce qui rend très souvent difficile la décision concernant la conformité d’un lot.
C’est probablement pour cette raison qu’elles sont peu utilisées en pratique.
En tout cas, cela nous rappelle une chose importante :
En microbiologie, il faut toujours garder un regard critique sur les résultats. Il ne faut pas se fier “bêtement” au nombre de colonies observées sur une boîte de Petri pour prendre une décision.
Derrière chaque résultat, il y a une réflexion à mener (pas toujours simple)… Mais c’est ce qui rend cette science si passionnante !
Ici, on a parlé des incertitudes techniques, de l’incertitude de Poisson et de l’effet matrice… mais on a laissé de côté un paramètre super important : on travaille avec des microorganismes vivants.
Certains microorganismes vont pousser, d’autres non, parce qu’ils sont affaiblis ou stressés. Et surtout, il existe plein de microorganismes différents, qui ne se comportent pas tous de la même manière !
Et tout ça, ça ajoute encore plus d’incertitude.
On souhaite remercier Philippe Caillaud (expert en statistique AFNOR, CEFIRA, COFRAC), qui nous a grandement aidé à rédiger cet article et à rendre les statistiques un peu plus “sexy” à nos yeux 😉
Dire que la plupart des laboratoires n’utilisent pas les incertitudes est un raccourci qui occulte la réalité du travail en routine. Si l’on prend l’exemple des faibles effectifs en microbiologie, l’application de la règle N=4/Vd imposée par la NF EN ISO 7218 est, par essence, une réponse à la nature stochastique de la distribution des micro-organismes. Certes, il s’agit d’une convention de rendu, mais cette convention est une application directe de la théorie statistique appliquée à la limite de détection. Le laboratoire qui applique ce calcul reconnaît implicitement que la valeur brute est statistiquement non significative et qu’elle doit être corrigée par une borne supérieure issue d’un intervalle de confiance. Dire que ce n’est pas de la gestion d’incertitude, c’est ignorer que le choix du facteur 4 est le fruit d’une évaluation du risque de fausse interprétation liée à la précision de la méthode. (merci Gémini ^^)
Si m=30 et que le rendu est « <40 UFC/g mais présence du germe en petite quantité" à cause d'une colonie ,vous rendez quoi comme conclusion? Doute sur le critère x ?
Merci de l’article, mais intégrer l’incertitude dans l’interprétation d’un résultat revient à décider qui du « fournisseur » ou du « client » (au sens large producteur/consommateur irait aussi) doit supporter le risque associé à un résultat proche de la valeur limite définie.
J’ai 110 UFC/g pour une limite à 100 mais je considère que c’est probablement conforme : le producteur réduit son risque et le consommateur accroit le sien !
Le point important est donc de vérifier ce que dit la limite : stricte, limite « en moyenne » donc intégrant cette notion d’incertitude…
La bonne attitude est plutôt de contrôler davantage d’unités du lot « suspect » (puisque proche de la limite) afin d’avoir une meilleure idée du résultat « moyen ».
Il y a fort longtemps, l’arrêté du 21 décembre 1979 fixant les critères microbiologiques applicables aux aliments, précisait, en plus de la limite m, les notions de tolérance applicable avec n (nombre d’unités contrôlées), c (nombre d’unités au delà de m mais inférieures à 10m défini comme M) tolérables pour matcher avec la limite moyenne dans le lot. Ces approches sont largement reprises dans le Rgt 2073/2005.
Mais ces subtilités d’interprétation de statistiques pratiques ont largement été revues dans des textes réglementaires pour des contaminants chimiques : les pesticides par exemple peuvent bénéficier d’une tolérance de 50% sur le résultat, soit autant de risques supplémentaires pour le « client ».