Biostatistique : innovation méthodologique 1

Biostatistique : innovation méthodologique 1 
Président: Caitlin Daly (McMaster University) 
[PDF]

YING WU, University of Waterloo
Modèle à deux phases pour les processus de la maladie chronique sous inspection intermittente [PDF]
 
Un modèle à deux phases est mis au point pour les maladies chroniques avec une phase indolente suivie d'une phase plus active de la maladie qui entraîne son évolution et des dommages. Des modèles paramétriques faibles avec des fonctions de risque de base et de taux constantes par morceaux sont précisés et un algorithme espérance-maximisation est décrit pour l'ajustement du modèle. Des études de simulation portant sur le modèle proposé en montrent la bonne performance sous une estimation par vraisemblance maximale et en deux étapes. Une application aux données tirées de l'étude de l'évolution de la polyarthrite psoriasique illustre la procédure et identifie de nouveaux antigènes des leucocytes humains associés à la durée de la phase indolente. 
 
WENYAN ZHONG, University of Calgary
Sélection de groupe dans le modèle des cotes proportionnelles pour les données censurées à droite  [PDF]
 
Nous soupesons le problème de la sélection des variables pour le modèle proportionnel de cotes pour les données censurées à droite. Ce dernier modèle est une importante solution de rechange au modèle de Cox lorsque l'hypothèse des risques proportionnels n'est pas satisfaite. Pour ajuster le modèle des cotes proportionnelles, nous proposons une estimation en minimisant un logarithme de vraisemblance partielle pondéré négativement et assujetti à une pénalité liée au groupe. Cette pénalité encourage les solutions à faible densité et sélectionne des groupes significatifs et, simultanément, des variables individuelles dans les groupes significatifs. Pour mettre en œuvre cette nouvelle méthode proposée, nous avons formulé un algorithme computationnel dont des études en simulation ont montré l'efficacité. Nous avons aussi présenté certaines propriétés théoriques de cette méthode.
 
STEVE FERREIRA GUERRA, Université de Montréal
Une procédure de sélection automatique pour la discrétisation optimale d'une ligne de temps continue pour l'application de méthodes longitudinales en inférence causale  [PDF]
 
En santé, les bases de données administratives sont amplement utilisées afin d'appliquer l'inférence causale aux effets de médicaments. Dans un contexte longitudinal, nous discrétisons généralement la ligne du temps et un biais peut survenir lorsque le raffinement du pas est arbitrairement choisi par le chercheur, biais partiellement attribuable à la perte d'information sur les variables de confusion dépendantes du temps. Utilisant une fonction de perte basée sur l'estimation par maximum de vraisemblance ciblée longitudinale, nous avons développé une méthode de validation croisée auto-sélective pour la discrétisation optimale d'une ligne de temps continue. Nous évaluons le compromis biais-variance de cette méthode par simulation. 
 
ZELALEM NEGERI, McMaster University
Modèles de meta-analyse bivariés à effets aléatoires pour les études sur l'exactitude des tests diagnostiques utilisant les transformations arc-sinus  [PDF]
 
Le modèle bivarié à effets aléatoires utilisant la transformation logit est souvent employé afin de synthétiser la sensibilité et la spécificité des études sur l'exactitude des tests diagnostiques. Nous proposons la racine carrée de l'arc-sinus et la transformation de Freeman-Tukey à double arc-sinus afin de surmonter certaines lacunes de la transformation logit. Nous avons évalué l'efficacité des trois transformations au moyen de simulations permettant d'évaluer le biais, l'erreur quadratique moyenne et la probabilité de couverture. Nous avons varié plusieurs paramètres, dont le nombre d'études et la taille de l'échantillon. Les transformations proposées ont surpassé la transformation logit concernant tous les critères d'efficacité. Nous avons également illustré les méthodes proposées à l'aide de jeux de données réelles. 
 
MAXIME TURGEON, McGill University
Composante principale de variance expliquée: une méthode de réduction dimensionnelle efficace et optimale pour les études d'association  [PDF]
 
L'ère génomique a entrainé une augmentation de la dimension des données. Dans ce contexte, les techniques de réduction dimensionnelle peuvent être utilisées pour réduire un signal multidimensionnel, et ensuite tester l'association avec des covariables d'intérêt. Nous revisitons une de ces méthodes, rebaptisée Composante Principale de Variance Expliquée. Cette méthode cherche la combinaison linéaire des variables réponses qui maximise la proportion de variance expliquée par les covariables. Nous proposons un cadre analytique général qui est conceptuellement simple et dépourvu de paramètres de réglage. Nous proposons aussi une stratégie computationnelle simple pour des variables réponses de grande dimension, accompagnée de procédures pour tests d'hypothèse. 
 
MARIE-HÉLÈNE TOUPIN, Université Laval
À propos de la famille de copules Khi-carré  [PDF]
 
La famille de copules Khi-carré qui a récemment fait son apparition dans la littérature est très attirante, car elle généralise la copule normale et permet la modélisation flexible de vecteurs aléatoires de grande dimension. Dans cette présentation, on explorera les propriétés théoriques et l'utilité pratique de cette classe de structures de dépendance. Une application de la copule Khi-carré sera également développée, à savoir l'estimation de paramètre.