{"id":15356,"date":"2021-10-07T15:15:37","date_gmt":"2021-10-07T13:15:37","guid":{"rendered":"https:\/\/convergences.online\/hemato\/?page_id=15356"},"modified":"2024-12-11T22:26:18","modified_gmt":"2024-12-11T21:26:18","slug":"glossaire","status":"publish","type":"page","link":"https:\/\/www.hematostat.net\/en\/glossaire\/","title":{"rendered":"Glossaire"},"content":{"rendered":"

<\/h2>\n
\n

A<\/a> B<\/a> C<\/a> D<\/a> E<\/a> F<\/a> G<\/a> H<\/a> I<\/a> J<\/a> K<\/a> L<\/a> M<\/a> N<\/a> O<\/a> P<\/a> Q<\/a> R<\/a> S<\/a> T<\/a> U<\/a> V<\/a> W<\/a> X<\/a> Y<\/a> Z<\/a><\/h2>\n
\n

A<\/h3>\n
\n

Analyse ddPCR<\/b> : technique de PCR de type “droplets digital<\/i>“, analysant de petits \u00e9chantillons.<\/p>\n<\/div>\n

Analyse par landmark<\/i> :<\/strong> m\u00e9thode d\u2019analyse utilis\u00e9e pour prendre en compte les variables d\u2019exposition d\u00e9pendantes du temps.<\/p>\n

Analyse multivari\u00e9e\/analyse ajust\u00e9e :<\/strong> analyse o\u00f9 sont \u00e9valu\u00e9s simultan\u00e9ment les effets de plusieurs variables explicatives sur une variable r\u00e9ponse, en g\u00e9n\u00e9ral par l\u2019utilisation d\u2019un mod\u00e8le de r\u00e9gression, dont le choix d\u00e9pend de la nature de la variable r\u00e9ponse.<\/p>\n

Analyse post-hoc :<\/strong> analyse des donn\u00e9es (ou d\u2019une partie des donn\u00e9es) d\u2019une \u00e9tude, non pr\u00e9vue au protocole de l\u2019\u00e9tude et r\u00e9alis\u00e9e a posteriori<\/i>.<\/p>\n

Appariement (matching<\/em>) :<\/strong> proc\u00e9dure utilis\u00e9e dans les \u00e9tudes comparatives visant \u00e0 apparier les sujets entre les groupes sur des variables pr\u00e9-identifi\u00e9es (\u00e2ge par exemple) dans le but de rendre les groupes comparables.<\/p>\n

B<\/h3>\n

BATTing s\u00e9quentiel<\/b><\/span> : m\u00e9thode r\u00e9cente de classification mis au point sp\u00e9cifiquement sur l\u2019\u00e9tude de la survie en fonction de la pr\u00e9sence ou non de mutations.<\/span><\/p>\n

Biais d\u2019attribution :<\/strong> estimation fauss\u00e9e de l’association entre une intervention et la survenue d\u2019un \u00e9v\u00e8nement, du fait que l\u2019intervention a \u00e9t\u00e9 prescrite principalement \u00e0 des patients au pronostic diff\u00e9rent.<\/p>\n

Biais de s\u00e9lection :<\/strong> sur ou sous-estimation d\u2019un r\u00e9sultat d\u00e9coulant d\u2019un \u00e9chantillon non repr\u00e9sentatif de la population cible. Ce biais intervient \u00e0 la conception de l\u2019\u00e9tude.<\/p>\n

B<\/em><\/strong>oxplot<\/strong> <\/em>: ces graphiques sont tr\u00e8s courants pour afficher des distributions de valeurs, ils se font appeler aussi “bo\u00eetes \u00e0 moustache”. Ces “bo\u00eetes” sont form\u00e9es de 3 barres, l’inf\u00e9rieure le 1er<\/sup> quartile, la centrale la m\u00e9diane et la sup\u00e9rieure le 3e quartile, et entour\u00e9e de traits verticaux repr\u00e9sentant la dispersion des valeurs autour de cette m\u00e9diane.<\/p>\n

C<\/h3>\n

Calcul d\u2019effectif :<\/strong> calcul fait au moment de la planification d\u2019un essai afin de d\u00e9terminer, en faisant certaines hypoth\u00e8ses sur l\u2019effet attendu du traitement, le nombre n\u00e9cessaire de patients \u00e0 inclure pour obtenir la puissance voulue (c\u2019est-\u00e0-dire la probabilit\u00e9 de mettre en \u00e9vidence l\u2019effet du traitement si les hypoth\u00e8ses sont exactes).<\/p>\n

Calibration d\u2019un mod\u00e8le :<\/strong> capacit\u00e9 du mod\u00e8le \u00e0 pr\u00e9dire le niveau de risque d\u2019un \u00e9v\u00e8nement proche du niveau de risque r\u00e9el. La calibration est une des composantes de la performance de pr\u00e9diction d\u2019un mod\u00e8le.<\/p>\n

Cause-specific hazard<\/i><\/b> : fonction de risque instantan\u00e9e d\u2019un \u00e9v\u00e8nement particulier dans le cadre des \u00e9v\u00e8nements en comp\u00e9tition.<\/p>\n

Censure :<\/strong> terme utilis\u00e9 dans le cadre de donn\u00e9es de survie (cf.<\/i> survival data<\/i>). La censure est un \u00e9v\u00e8nement qui interrompt le suivi d\u2019un patient, autre que l\u2019\u00e9v\u00e8nement d\u2019int\u00e9r\u00eat qui constitue le crit\u00e8re de jugement. Si le crit\u00e8re de jugement est la survie globale, l\u2019\u00e9v\u00e8nement d\u2019int\u00e9r\u00eat est le d\u00e9c\u00e8s, et la censure peut correspondre soit \u00e0 un patient perdu de vue ou bien \u00e0 l\u2019arr\u00eat du suivi car fin de l\u2019\u00e9tude (censure administrative).<\/p>\n

Cohorte :<\/strong> tr\u00e8s g\u00e9n\u00e9ralement une cohorte est un ensemble de sujets. Dans une \u00e9tude dite de cohorte les sujets sont r\u00e9partis en groupes en fonction de leur exposition et l\u2019\u00e9v\u00e8nement n\u2019est pas survenu au moment o\u00f9 cette r\u00e9partition est faite. La comparaison du taux de survenue de l\u2019\u00e9v\u00e8nement entre les diff\u00e9rentes sous-cohortes, d\u00e9finies par l\u2019exposition permettra de mesurer l\u2019association entre exposition et \u00e9v\u00e8nement.<\/p>\n

\n

Conditional inference trees<\/i><\/b> (CIT) : outil de machine learning<\/i> proche du ‘random forest’<\/i> permettant \u00e9galement d’effectuer des classifications selon un arbre de d\u00e9cision mais avec un algorithme de type r\u00e9cursif et consid\u00e9r\u00e9 comme plus puissant que son homologue en for\u00eat al\u00e9atoire.<\/p>\n<\/div>\n

\n

Correction de Firth<\/b> : m\u00e9thode de correction pouvant \u00eatre utilis\u00e9e pour des r\u00e9gressions logistique et de Cox lorsqu’il y a peu d’\u00e9v\u00e9nements \u00e0 \u00e9tudier.<\/p>\n<\/div>\n

Courbe ROC :<\/strong> outil statistique graphique permettant d’\u00e9tudier la performance diagnostic d’une variable quantitative (num\u00e9rique) sur une variable r\u00e9ponse binaire (pr\u00e9sence ou absence d’une maladie ou d’un \u00e9v\u00e9nement) gr\u00e2ce au calcul de l’aire sous la courbe, avec en abscisse l’inverse de la sp\u00e9cificit\u00e9 (le taux de faux positifs) et en ordonn\u00e9e la sensibilit\u00e9 (le taux de vrai positifs). Cet outil est utile pour la d\u00e9termination de seuil (ou “cut-off<\/em>“) d’une variable diagnostic afin de discriminer au mieux la variable r\u00e9ponse \u00e9tudi\u00e9e.<\/p>\n

Crit\u00e8re composite :<\/strong> crit\u00e8re de jugement comportant plusieurs \u00e9v\u00e8nements, pouvant relever de l\u2019efficacit\u00e9 et\/ou de la tol\u00e9rance de l\u2019intervention \u00e9tudi\u00e9e (par exemple, d\u00e9c\u00e8s de cause cardiovasculaire ou hospitalisation pour insuffisance cardiaque).<\/p>\n

Cross-validation :<\/strong> ou validation crois\u00e9e. Nom d’un processus de machine learning<\/i> visant \u00e0 analyser les performances d’un mod\u00e8le issu d’une cohorte d’apprentissage par une cohorte de validation.<\/p>\n

Cut-off : <\/em><\/strong>valeur seuil permettant de dichotomiser une variable num\u00e9rique (i.e. continue ou qualitative).<\/p>\n

D<\/h3>\n

Degr\u00e9 de signification \/ p-value<\/i> (p) :<\/strong> probabilit\u00e9 d\u2019observer sous l\u2019hypoth\u00e8se nulle (en g\u00e9n\u00e9ral hypoth\u00e8se d\u2019absence de diff\u00e9rence) une diff\u00e9rence au moins aussi grande que celle observ\u00e9e dans l\u2019\u00e9tude. Lorsqu\u2019il est inf\u00e9rieur au risque de premi\u00e8re esp\u00e8ce (fix\u00e9 en g\u00e9n\u00e9ral \u00e0 0,05), on conclut \u00e0 une diff\u00e9rence statistiquement significative. Le degr\u00e9 de signification quantifie la force de notre conviction : plus il est faible, moins on pense que la diff\u00e9rence observ\u00e9e dans l\u2019\u00e9tude puisse \u00eatre li\u00e9e au hasard.<\/p>\n

Discrimination d\u2019un mod\u00e8le :<\/strong> capacit\u00e9 du mod\u00e8le \u00e0 diff\u00e9rencier les patients \u00e0 haut risque des patients \u00e0 bas risque de d\u00e9velopper un \u00e9v\u00e8nement. La discrimination est une des composantes de la performance de pr\u00e9diction d\u2019un mod\u00e8le.<\/p>\n

Doplot<\/em> :<\/strong> ou diagramme en points, cette repr\u00e9sentation permet de comptabiliser le nombre d’\u00e9l\u00e9ments appartenant \u00e0 une cat\u00e9gorie (comme pour un histogramme).<\/p>\n

E<\/h3>\n

\u00c9chantillon :<\/strong> sous-ensemble d’une population s\u00e9lectionn\u00e9e pour les besoins d’une \u00e9tude.<\/p>\n

Endpoint <\/strong><\/em>ou<\/strong> Outcome<\/strong><\/em> : crit\u00e8re de jugement clinique permettant d’\u00e9valuer l’impact d’un ou plusieurs param\u00e8tres (aucun effet, am\u00e9lioration ou d\u00e9t\u00e9rioration), param\u00e8tre(s) pouvant \u00eatre une donn\u00e9e biologique, un traitement, etc.<\/p>\n

\u00c9tude cas-t\u00e9moin (case control study<\/i>) <\/strong>: \u00e9tude r\u00e9trospective observationnelle dans le but d\u2019\u00e9valuer l\u2019association entre des facteurs de risques (exposition) et une maladie.<\/p>\n

\u00c9tude pang\u00e9nomique :<\/strong> \u00e9tude \u00e9valuant l\u2019association entre des polymorphismes g\u00e9n\u00e9tiques et une maladie.<\/p>\n

\u00c9tude prospective :<\/strong> \u00e9tude dans laquelle l\u2019exposition est mesur\u00e9e avant la survenue de l\u2019\u00e9v\u00e8nement \u00e9tudi\u00e9.<\/p>\n

\u00c9tude randomis\u00e9e :<\/strong> \u00e9tude dans laquelle l\u2019attribution du traitement a \u00e9t\u00e9 tir\u00e9e au sort. Le tirage au sort garantit l\u2019\u00e9quilibre, en moyenne, de tous les facteurs pronostiques connus et inconnus entre les groupes de traitement. Dans une \u00e9tude randomis\u00e9e id\u00e9ale on peut estimer que les patients trait\u00e9s par A et B sont \u00e9changeables ce qui permet l\u2019affirmation du lien de causalit\u00e9 entre diff\u00e9rence de devenir des deux populations et traitement.<\/p>\n

\u00c9tude r\u00e9trospective :<\/strong> \u00e9tude dans laquelle l\u2019exposition est mesur\u00e9e apr\u00e8s la survenue de l\u2019\u00e9v\u00e8nement \u00e9tudi\u00e9.<\/p>\n

Event free s<\/b><\/em>urvival<\/em> (EFS) \/ survie sans \u00e9v\u00e8nement <\/strong>: analyse de survie o\u00f9 l\u2019on s\u2019int\u00e9resse au d\u00e9lai de survenue d\u2019un \u00e9v\u00e8nement composite regroupant le d\u00e9c\u00e8s et la survenue d\u2019un \u00e9v\u00e8nement (rechute, complication, en fonction de la d\u00e9finition choisie). En pratique on s\u2019int\u00e9ressera au d\u00e9lai du plus pr\u00e9coce de ces diff\u00e9rents \u00e9v\u00e8nements.<\/p>\n

F<\/h3>\n

Facteur de confusion :<\/strong> facteur ou variable li\u00e9 \u00e0 la fois \u00e0 la variable \u00e0 expliquer (crit\u00e8re de jugement par exemple) et la variable explicative (traitement). Peut \u00eatre responsable d\u2019un biais de confusion pour l\u2019analyse de l\u2019association entre la variable explicative et la variable \u00e0 expliquer.<\/p>\n

Facteurs de risque :<\/strong> variable associ\u00e9e \u00e0 la survenue d\u2019une maladie.<\/p>\n

Facteur pronostique :<\/strong> variable associ\u00e9e \u00e0 l\u2019\u00e9volution (d\u00e9c\u00e8s, survenue d\u2019une complication) d\u2019une maladie. <\/span><\/p>\n

False discovery rate<\/em> :<\/strong> probabilit\u00e9 d’avoir obtenu par erreur un r\u00e9sultat avec une p-value<\/em> consid\u00e9r\u00e9e comme significative.<\/p>\n

Flowchart<\/em> \/ diagramme de flux :<\/strong> organigramme d\u00e9crivant le recrutement, la randomisation, et le suivi de l\u2019ensemble des patients lors de l\u2019\u00e9tude.<\/p>\n

Fonction de O’Brien-Fleming. <\/strong>: m\u00e9thode d’allocation du risque alpha qui consiste \u00e0 d\u00e9terminer des seuils de p-values<\/em> pour les objectifs \u00e0 \u00e9tudier en pr\u00e9vision d’analyses int\u00e9rimaires (ou analyses s\u00e9quentielles).<\/p>\n

Forest plo<\/em>t<\/i> :<\/strong> type de repr\u00e9sentation graphique illustrant des r\u00e9sultats de mod\u00e9lisations univari\u00e9es ou multivari\u00e9es, ou bien la synth\u00e8se d’analyses en sous-groupes. On retrouve en abscisse la valeur du coefficient ou ratio (odds-ratio, hazard-ratio, risque relatif,…) avec son intervalle de confiance, et en ordonn\u00e9e variables ou sous-groupes.<\/p>\n

Funnel plot :<\/strong><\/em> dit aussi graphique \u00ab en entonnoir \u00bb, cette repr\u00e9sentation graphique affiche des valeurs estim\u00e9es (pr\u00e9valences, risques, odds-ratios, etc.) en fonction de la taille de l\u2019\u00e9chantillon d\u2019une \u00e9tude ou population, l\u2019entonnoir \u00e9tant dessin\u00e9 par l\u2019intervalles de confiance de 95% en fonction de l\u2019effectif. Ainsi on peut observer si certaines \u00e9tudes ou populations n\u2019ont pas de biais importants si celles-ci sont \u00e0 l\u2019int\u00e9rieur de cet intervalle ou \u00ab entonnoir \u00bb.<\/p>\n

G<\/h3>\n

Gold standard<\/em> : <\/strong>ou “\u00e9talon-or”, il s’agit de la m\u00e9thode de r\u00e9f\u00e9rence qui permet la meilleure qualit\u00e9 de r\u00e9sultats.<\/p>\n

H<\/h3>\n

Hazard Ratio<\/b> : rapport des risques instantan\u00e9s, mesure d\u2019effet utilis\u00e9e dans les mod\u00e8les de r\u00e9gression pour donn\u00e9es de survie.<\/p>\n

Heatmap<\/em> <\/strong>: traduit en fran\u00e7ais par “carte thermique”, cette repr\u00e9sentation graphique se constitue de mosa\u00efques de couleurs utilisant g\u00e9n\u00e9ralement des couleurs chaudes (jaune au rouge) ou froides (violet au bleu) suivant l’augmentation ou la diminution de valeurs.<\/p>\n

I<\/h3>\n

Incidence :<\/strong> nombre de nouveaux cas observ\u00e9s dans une population donn\u00e9e, divis\u00e9 par la taille de cette population et la dur\u00e9e de la p\u00e9riode d\u2019observation, \u00e0 ne pas confondre avec la pr\u00e9valence.<\/p>\n

Index C (Harrell) :<\/strong> mesure de concordance permettant d\u2019\u00e9valuer la discrimination d\u2019un mod\u00e8le ou d\u2019un marqueur.<\/p>\n

\n

Imputation multiple<\/b> : technique bas\u00e9e sur diff\u00e9rents algorithmes permettant de remplacer des donn\u00e9es manquantes dans une base de donn\u00e9es.<\/p>\n

IPTW <\/b>: m\u00e9thode de pond\u00e9ration d\u2019une r\u00e9gression par l\u2019inverse du score de propension (voir focus statistique d\u00e9di\u00e9).<\/p>\n<\/div>\n

J<\/h3>\n

K<\/h3>\n

Kaplan-Meier (m\u00e9thode) :<\/strong> estimation non param\u00e9trique de la fonction de survie (S(t)= probabilit\u00e9 d\u2019\u00eatre encore en vie au temps t) qui permet de tenir compte de la censure, c\u2019est-\u00e0-dire de l\u2019interruption du suivi de certains patients avant la survenue de leur d\u00e9c\u00e8s. La repr\u00e9sentation de la survie au cours du temps est appel\u00e9e courbe de Kaplan-Meier.<\/p>\n

L<\/h3>\n

Leave-one out<\/i><\/b> : batterie d\u2019analyses en s\u00e9rie o\u00f9 pour chaque analyse, une sous-partie diff\u00e9rente de la population analys\u00e9e est soustraite (une fraction choisie al\u00e9atoirement comme un sous-groupe de patients, une cohorte sp\u00e9cifique).<\/p>\n

M<\/h3>\n

Machine learning<\/strong><\/em> : ou “apprentissage machine” en fran\u00e7ais, est un aspect de la science des donn\u00e9es utilisant des algorithmes d’intelligence artificielle.<\/p>\n

M\u00e9diane de suivi :<\/strong> d\u00e9lai au-del\u00e0 duquel moins de 50 % des patients sont encore suivis.<\/p>\n

M\u00e9diane PFS :<\/strong> d\u00e9lai au-del\u00e0 duquel 50 % des patients sont d\u00e9c\u00e9d\u00e9s ou ont vu leur maladie progresser.<\/p>\n

M\u00e9thode ATT :<\/strong> pour ‘Average Treatment effect in the Treated’<\/em>. Dans le cadre d’une \u00e9tude r\u00e9trospective, au cours de laquelle on souhaite \u00e9tudier l’effet d’un traitement, il arrive qu’on ait recours au proc\u00e9d\u00e9 de pond\u00e9ration inverse en faisant une r\u00e9gression, afin de limiter l’effet des variables confondantes li\u00e9es au choix du traitement. La m\u00e9thode ATT est celle utilis\u00e9e dans le cas o\u00f9 les variables confondantes peuvent potentiellement influer sur le choix du traitement et se calcule comme suit : Traitement (variable cod\u00e9e A=0\/B=1)\u2009+\u2009SP x (1\u2212Traitement)\/(1\u2212SP), o\u00f9 SP est le score de propension d’avoir pr\u00e9f\u00e9rentiellement le traitement B par rapport \u00e0 A.<\/p>\n

M\u00e9thode de Bonferroni :<\/strong> technique post hoc<\/i> tr\u00e8s conservatrice de correction de p-values dans le cadre de tests multiples qui consiste \u00e0 multiplier la valeur brute des p-values par le nombre de tests effectu\u00e9s.<\/p>\n

M\u00e9thode de Clopper-Pearson :<\/strong> m\u00e9thode de calcul d’intervalles de confiance autour de la fr\u00e9quence d’un \u00e9v\u00e9nement.<\/p>\n

M\u00e9thode de Lan-Demets<\/strong> : m\u00e9thode d\u00e9riv\u00e9e de la fonction de O’Brien-Fleming qui est plus flexible et ne tient pas forc\u00e9ment du compte du moment o\u00f9 l’analyse int\u00e9rimaire se produit ni de l’effectif total \u00e0 inclure. Elle peut d\u00e8s lors \u00eatre utile quand lorsqu’on stoppe les inclusions sans l’avoir pr\u00e9vu au d\u00e9part.<\/p>\n

M\u00e9thode de pond\u00e9ration :<\/strong> m\u00e9thode qui consiste \u00e0 donner un ‘poids’ \u00e0 un \u00e9v\u00e9nement ou une mesure dans une r\u00e9gression.<\/p>\n

M\u00e9thode des moindres carr\u00e9s pond\u00e9r\u00e9s<\/b> (weighted least squares ou WLS<\/i>) : m\u00e9thode commun\u00e9ment employ\u00e9e dans le cadre de m\u00e9ta-analyses visant \u00e0 \u00e9valuer l\u2019impact et\/ou la corr\u00e9lation entre un param\u00e8tre et un crit\u00e8re d\u2019\u00e9tude \u00e0 l\u2019\u00e9chelle des \u00e9tudes compil\u00e9es, o\u00f9 l\u2019importance d\u2019une \u00e9tude est pond\u00e9r\u00e9e en fonction de son effectif par rapport aux autres \u00e9tudes. <\/p>\n

\n

M\u00e9thode XG Boost<\/i><\/b> : algorithme de machine learning<\/i> dit d’amplification de gradients utilisant diff\u00e9rentes m\u00e9thodes d’optimisation, et dont le r\u00e9sultat se traduit par des arbres de d\u00e9cision.<\/p>\n<\/div>\n

Mod\u00e8le de Cox :<\/strong> ou r\u00e9gression de Cox. Cette mod\u00e9lisation, partant du principe que les risques sont proportionnels, vise \u00e0 estimer le hazard-ratio d’une variable continue ou de la cat\u00e9gorie par rapport \u00e0 une autre d’une variable qualitative dans le cadre d’analyses de survie principalement. <\/span><\/p>\n

Mod\u00e9lisation de Cox : <\/strong>type de r\u00e9gression utilis\u00e9e pour l’estimation de l’effet d’une ou plusieurs variables dans le cadre d’analyses de survie par le calcul de hazard-ratio. Comme pour la m\u00e9thode de Kaplan-Meier, cette r\u00e9gression a pour variable r\u00e9ponse la survenue d’un \u00e9v\u00e9nement observ\u00e9 au cours du temps (bien souvent le d\u00e9c\u00e8s, seul ou avec autre \u00e9v\u00e9nement choisi dans le cadre de crit\u00e8res composites) avec possibilit\u00e9 de censure (le fait que l’\u00e9v\u00e9nement ne soit pas observ\u00e9 dans le temps), le temps \u00e9tant d\u00e9fini comme la dur\u00e9e entre le date de d\u00e9but du suivi (randomisation, diagnostic, greffe, traitement, etc.) jusqu’\u00e0 la date de dernier suivi ou celle de l’\u00e9v\u00e9nement observ\u00e9. En d’autres termes, il s’agit d’une forme de r\u00e9gression logistique \u00e9tudiant sur la survenue d’un \u00e9v\u00e9nement mais qui tient compte de la temporalit\u00e9 de cet \u00e9v\u00e9nement.<\/p>\n

Mod\u00e9lisation de Fine&Gray : <\/strong>type de r\u00e9gression utilis\u00e9e dans le cadre d’analyse d’incidence cumulative d’un \u00e9v\u00e9nement donn\u00e9 dans le temps (rechute par exemple), comme pour les mod\u00e9lisations de Cox mais qui int\u00e8gre en plus l’impact d’un ou plusieurs risques comp\u00e9titifs (le d\u00e9c\u00e8s sans rechute dans notre exemple). Elle permet l’estimation de l’effet d’une variable sur cet \u00e9v\u00e9nement par le calcul d’un hazard-ratio de sous-distribution.<\/p>\n

\n

Mod\u00e8le IRMMa<\/b> : mod\u00e8le pr\u00e9dictif bas\u00e9 sur des outils d’intelligence artificielle permettant d’\u00e9valuer le risque individuel de d\u00e9c\u00e8s chez des patients atteints de my\u00e9lome multiple selon ses caract\u00e9ristiques, celle de la maladie et sa g\u00e9n\u00e9tique.<\/p>\n

\n

Mod\u00e8le multi-\u00e9tat<\/b> : mod\u00e8le complexe bas\u00e9 g\u00e9n\u00e9ralement sur des r\u00e9gressions de Cox, tenant compte de diff\u00e9rentes phases du patient tout au long de son suivi. G\u00e9n\u00e9ralement, il est \u00e9tudi\u00e9 la survie, la rechute, etc., de mani\u00e8re s\u00e9par\u00e9e, ce type de mod\u00e9lisation permet d’\u00e9tudier les diff\u00e9rentes phases de la vie d’un patient, comme le passage entre la rechute et le d\u00e9c\u00e8s, ou bien la gu\u00e9rison apr\u00e8s une rechute, ce tout \u00e0 la fois.<\/p>\n<\/div>\n<\/div>\n

Mod\u00e8le de Royston&Pamar :<\/strong> mod\u00e8le permettant d’estimer la variation d’un hazard-ratio d’une variable au cours du temps dans le cas o\u00f9 l’hypoth\u00e8se de proportionnalit\u00e9 d’un effet n’est pas respect\u00e9e.<\/p>\n

Mod\u00e8le lin\u00e9aire mixte :<\/strong> un mod\u00e8le pour lequel le mod\u00e8le comprend \u00e0 la fois des effets fixes et des effets al\u00e9atoires.<\/p>\n

Multiple-multivariate-imputation-by-chained-equations<\/strong> <\/em>: abr\u00e9g\u00e9 par MICE, cette m\u00e9thode d’imputation multiple (pouvant \u00eatre utilis\u00e9e pour remplacer des donn\u00e9es manquantes) se base sur des pr\u00e9dictions en fonction des donn\u00e9es et variables en pr\u00e9sence dans la base.<\/p>\n

N<\/h3>\n

O<\/h3>\n

Odds-ratio :<\/strong> rapport de risques calcul\u00e9 par une r\u00e9gression logistique permettant d’\u00e9valuer l’effet d’un facteur ou d’un groupe sur une r\u00e9ponse ou \u00e9v\u00e9nement de type binaire (pr\u00e9sence\/absence, oui\/non). L’hypoth\u00e8se nulle stipulant l’absence d’effet se traduit par un odds-ratio \u00e9gal \u00e0 1; s’il est sup\u00e9rieur \u00e0 1 c’est que le risque que l’\u00e9v\u00e9nement ou r\u00e9ponse se produise plus souvent, et inversement s’il est inf\u00e9rieur \u00e0 1.<\/p>\n

P<\/h3>\n

Patients-reported outcomes <\/em>(ou PRO)<\/strong> : se traduit par \u00ab r\u00e9sultats apport\u00e9s par le patient \u00bb. Il s\u2019agit d\u2019un outil de reporting o\u00f9 le patient lui-m\u00eame, de son propre point de vue, rapporte son \u00e9tat et non le m\u00e9decin. On peut assimiler les questionnaires de qualit\u00e9 de vie du PRO.<\/p>\n

P\u00e9nalisation LASSO<\/b> : outil permettant de s\u00e9lectionner des variables parmi un ensemble de param\u00e8tres par une contraction des coefficients de r\u00e9gression, dont le niveau de p\u00e9nalisation est d\u00e9cid\u00e9 par l\u2019utilisateur.<\/p>\n

Placebo <\/strong>: pr\u00e9paration d\u00e9pourvue de tout principe actif.<\/p>\n

Plackett copula<\/b> : m\u00e9thode complexe et tr\u00e8s pointue d\u2019analyse de corr\u00e9lation utilis\u00e9e dans le cadre de m\u00e9ta-analyses dont l\u2019objectif est d\u2019\u00e9tudier le caract\u00e8re pronostic d\u2019un ou plusieurs param\u00e8tres. L\u2019int\u00e9r\u00eat de cette m\u00e9thode est qu\u2019elle \u00e9tudie la corr\u00e9lation \u00e0 l\u2019\u00e9chelle individuelle et non pas de l\u2019essai\/d\u2019une cohorte.<\/p>\n

Plan de Simon : <\/strong>souvent utilis\u00e9 dans des essais de phase 2, le plan de Simon permet d’inclure des patients en plusieurs \u00e9tapes \u00e0 partir d’un effectif initial, avec une prise de d\u00e9cision “stop ou encore” \u00e0 chaque \u00e9tape, le but \u00e9tant de gagner du temps si un essai s’av\u00e8re tr\u00e8s t\u00f4t efficace.<\/p>\n

Pr\u00e9valence <\/strong>: nombre de cas de maladies pr\u00e9sents \u00e0 un moment donn\u00e9 (que le diagnostic soit r\u00e9cent ou ancien) divis\u00e9 par taille de la population de l\u2019\u00e9tude. Correspond donc \u00e0 la proportion de sujets malades \u00e0 un instant donn\u00e9 dans la population.<\/p>\n

Progression free survival <\/em>(PFS) \/ survie sans progression <\/strong>: analyse de survie o\u00f9 l\u2019on s\u2019int\u00e9resse au d\u00e9lai de survenue d\u2019un \u00e9v\u00e8nement composite regroupant le d\u00e9c\u00e8s et la progression de la maladie (i.e.<\/i> au d\u00e9lai du plus pr\u00e9coce de ces deux \u00e9v\u00e8nements).<\/p>\n

Progression free survival 2 <\/b><\/em>(PFS2)<\/b>\/ survie sans progression 2 :<\/strong> crit\u00e8re de jugement o\u00f9 l\u2019on s\u2019int\u00e9resse au d\u00e9lai de survenue d\u2019un \u00e9v\u00e8nement composite regroupant le d\u00e9c\u00e8s et la progression de la maladie apr\u00e8s une deuxi\u00e8me ligne de traitement. La progression sous la 1re<\/sup> ligne de traitement n\u2019est pas donc pas consid\u00e9r\u00e9e comme un \u00e9v\u00e8nement avec ce crit\u00e8re.<\/p>\n

Puissance :<\/strong> dans le cadre d\u2019un test statistique, probabilit\u00e9 de mettre en \u00e9vidence une diff\u00e9rence entre deux populations, \u00e0 partir d\u2019une \u00e9tude sur \u00e9chantillons de patients, sachant qu\u2019il existe r\u00e9ellement une diff\u00e9rence.<\/p>\n

p-value<\/em> :<\/strong> probabilit\u00e9 d’obtenir les r\u00e9sultats observ\u00e9s en supposant H0 (hypoth\u00e8se nulle d’\u00e9galit\u00e9) \u00e0 l’issue d’un test statistique ou d’une r\u00e9gression. On consid\u00e8re en g\u00e9n\u00e9ral que si cette valeur de p-value est inf\u00e9rieure au risque alpha (fix\u00e9 habituellement \u00e0 5%), on rejette cette hypoth\u00e8se nulle car on a moins de 5% de chance que l’effet observ\u00e9 soit celui du hasard.<\/p>\n

Q<\/h3>\n

R<\/h3>\n

Randomisation :<\/strong> affectation al\u00e9atoire des participants dans les groupes de traitements. <\/span><\/p>\n

Random forest<\/strong><\/em> : outil de machine learning permettant de d\u00e9terminer \u00e0 partir de variables d’int\u00e9r\u00eat (qualitatives ou quantitatives) des profils significativement distincts d’un endpoin<\/em>t \u00e9tudi\u00e9 \u00e0 travers une illustration sous forme de diagramme en arbre.<\/p>\n

Random survival forest<\/em><\/strong> : sous-type de random forest<\/em> permettant de distinguer des profils d’individus suivant leur niveau de survie (en se basant sur la m\u00e9thode de Kaplan Meier).<\/p>\n

Rank Preserving Structural Failure Time<\/em> :<\/strong> m\u00e9thode nouvellement utilis\u00e9e afin d’estimer l’impact sur la survie (globale ou sans \u00e9v\u00e9nement) d’un traitement dans le cadre d’un essai o\u00f9 les cross-over<\/em> ou switching<\/em> sont permis. Elle permet d’estimer le gain (ou la perte) en terme de temps de survie d’un traitement donn\u00e9 depuis le switching<\/em>.<\/p>\n

Recommandations de PRISMA :<\/strong> dans le cadre de m\u00e9ta-analyses, ces recommandations visent \u00e0 encadrer et faire preuve de transparence vis-\u00e0-vis de la revue de la litt\u00e9rature et de la description des publications retenues dans ce type d\u2019\u00e9tude en suivant un certain nombre de crit\u00e8res.<\/p>\n

Recul :<\/strong> d\u00e9lai entre la date de d\u00e9but du suivi et la date de l\u2019analyse (ou date d\u2019arr\u00eat du recueil de donn\u00e9es de l\u2019\u00e9tude). Le recul est individuel, sp\u00e9cifique \u00e0 chaque patient.<\/p>\n

R\u00e9gression de Cox<\/strong> : mod\u00e9lisation utilis\u00e9e pour analyser l’effet de param\u00e8tres sur la survie au cours du temps en pr\u00e9sence de censures, en estimant des hazard-ratios.<\/p>\n

R\u00e9gression du Fine&Gray <\/strong>: \u00e9quivalent du mod\u00e8le de Cox pour l’analyse d’incidences cumul\u00e9es tenant compte de risques comp\u00e9titifs.<\/p>\n

Repr\u00e9sentations de Simon & Makuch :<\/strong> ce sont des courbes de Kaplan-Meier (courbes de survie) modifi\u00e9es utilis\u00e9es dans le cadre de variables temps-d\u00e9pendantes, comme une modification de traitement durant le suivi des patients.<\/p>\n

Risque alpha \/ risque de premi\u00e8re esp\u00e8ce :<\/strong> probabilit\u00e9 de rejeter \u00e0 tort l\u2019hypoth\u00e8se nulle (en g\u00e9n\u00e9ral hypoth\u00e8se d\u2019absence de diff\u00e9rence) alors qu\u2019elle est vraie. Ce seuil est de mani\u00e8re consensuelle fix\u00e9 dans la litt\u00e9rature biom\u00e9dicale \u00e0 5 %. Si le degr\u00e9 de signification (p-value) du test est inf\u00e9rieur au risque alpha, on rejette l\u2019hypoth\u00e8se nulle et conclut \u00e0 une diff\u00e9rence significative. <\/span><\/p>\n

Risques comp\u00e9titifs ou en comp\u00e9tition (Competing risks)<\/em> :<\/strong> situation d\u2019analyse de survie o\u00f9 le patient peut \u00eatre expos\u00e9 simultan\u00e9ment \u00e0 la survenue de plusieurs \u00e9v\u00e8nements, la survenue de l\u2019un annulant ou modifiant la probabilit\u00e9 de survenue des autres.<\/p>\n

S<\/h3>\n

Score IPI : <\/strong>l’International Prognostic Index<\/em> est score pronostic de la survie con\u00e7u sp\u00e9cialement pour les \u00e9tudes sur les cohortes de patients atteints de lymphomes non-hodgkiniens.<\/p>\n

Score pr\u00e9dictif<\/strong> : il s’agit d’une valeur num\u00e9rique composite calcul\u00e9e \u00e0 partir de variables pr\u00e9-existantes (facteurs de risque par exemple) et coefficients (estim\u00e9s \u00e0 partir d’un mod\u00e8le pr\u00e9dictif) pouvant d\u00e9terminer la propension d’un patient \u00e0 avoir un risque accru sur un endpoin<\/em>t d’int\u00e9r\u00eat (survie, survie sans progression, etc.).<\/p>\n

Score pronostique<\/strong> : score permettant d\u2019estimer le pronostic d\u2019une personne. Il est \u00e9tabli selon plusieurs facteurs pronostiques.<\/p>\n

Score de propension :<\/strong> probabilit\u00e9 de recevoir un traitement, issue d\u2019un mod\u00e8le de r\u00e9gression sur les caract\u00e9ristiques initiales. Ce score permet de neutraliser le biais d\u2019attribution dans les \u00e9tudes observationnelles.<\/p>\n

Standards de Cochrane :<\/strong> Outils m\u00e9thodologiques et statistiques requis pour mener une m\u00e9ta-analyse en bonne et due forme.<\/p>\n

Standard of care <\/strong><\/em>:<\/strong> traitement(s) et\/ou prise en charge pr\u00e9conis\u00e9s actuellement en routine.<\/p>\n

Statistique R\u00b2<\/strong> : appel\u00e9e aussi coefficient de d\u00e9termination, est une valeur comprise en entre 0 et 1 apportant une indication sur l’ad\u00e9quation du mod\u00e8le de r\u00e9gression lin\u00e9aire par rapport \u00e0 la variable r\u00e9ponse \u00e9tudi\u00e9e.<\/p>\n

Stratification :<\/strong> terme employ\u00e9 pour indiquer la prise en compte d\u2019un facteur de confusion. S\u2019emploie soit dans le cadre du design d\u2019un essai randomis\u00e9 (randomisation stratifi\u00e9e) soit au moment de l\u2019analyse statistique des donn\u00e9es.<\/p>\n

Survie m\u00e9diane :<\/strong> d\u00e9lai au-del\u00e0 duquel 50 %, des patients de l\u2019\u00e9tude sont d\u00e9c\u00e9d\u00e9s (ou ont exp\u00e9riment\u00e9 l\u2019\u00e9v\u00e8nement d\u2019int\u00e9r\u00eat si l\u2019outcome<\/i> n\u2019est pas le d\u00e9c\u00e8s).<\/p>\n

Survival data \/ Time to event data \/ Time to failure data<\/b><\/em> : donn\u00e9es pour lesquelles la variable d\u2019int\u00e9r\u00eat est un d\u00e9lai d\u2019\u00e9v\u00e8nement (event<\/i>\/failure<\/i>) : d\u00e9lai jusqu\u2019au d\u00e9c\u00e8s pour la survie, ou d\u00e9lai jusqu\u2019\u00e0 un \u00e9v\u00e8nement d\u2019int\u00e9r\u00eat ou jusqu\u2019au premier de plusieurs \u00e9v\u00e8nement d\u2019int\u00e9r\u00eat en fonction des d\u00e9finitions choisies (EFS, PFS). <\/span>Le fait que les d\u00e9lais d\u2019\u00e9v\u00e8nement aient une distribution asym\u00e9trique et qu\u2019une partie des donn\u00e9es soit censur\u00e9e (l\u2019\u00e9v\u00e8nement n\u2019est pas observ\u00e9 pour la totalit\u00e9 des patients de l\u2019\u00e9tude) impose d\u2019utiliser des m\u00e9thodes d\u2019analyse sp\u00e9cifiques.<\/p>\n

Swimmer plots<\/em> :<\/strong> repr\u00e9sentations graphiques semblables \u00e0 des histogrammes verticaux ou frises, d\u00e9crivant l’\u00e9volution dans le temps (en abscisse) des patients (plac\u00e9s en ordonn\u00e9es). Ces graphiques d\u00e9taillent par exemple les \u00e9volutions de niveaux de r\u00e9ponses \u00e0 un traitement ainsi que des \u00e9v\u00e9nements divers survenus au cours de son suivi (sortie d’\u00e9tude, d\u00e9c\u00e8s, progression de la maladie, greffe,… au choix). Ces repr\u00e9sentations sont souvent utilis\u00e9es dans le cadre d’essai cliniques de phase I\/II sur de petits \u00e9chantillons.<\/p>\n

T<\/h3>\n

Test appari\u00e9 param\u00e9trique : <\/strong>ou test t appari\u00e9 (\u00e9quivalent d’un test one-way<\/em> comparant des diff\u00e9rences de valeur par rapport \u00e0 0).<\/p>\n

Test non-param\u00e9trique de Wilcoxon :<\/strong> \u00e9quivalent non-param\u00e9trique du test t de Student comparant 2 \u00e9chantillons, effectu\u00e9 sur les rangs.<\/p>\n

Test de Chi\u00b2 :<\/strong> \u00e9crit aussi Khi-deux ou \u03c7\u00b2, ce test permet d’analyser l’effectif observ\u00e9 d’une table par rapport un effectif th\u00e9orique. Il existe plusieurs sortes de test de Chi2 <\/sup>: d’ad\u00e9quation (\u00e0 une loi), d’homog\u00e9n\u00e9it\u00e9 et d’ind\u00e9pendance (dit de Pearson) qui s’applique aux donn\u00e9es cat\u00e9gorielles (ou variables qualitatives). <\/span><\/p>\n

Tests d’Egger et Begg <\/strong>: tests utilis\u00e9s dans le cadre de m\u00e9ta-analyses dont l\u2019hypoth\u00e8se nulle est qu\u2019il n\u2019y a pas de biais de publications.<\/p>\n

Test de Gray :<\/strong> test de comparaison des fonctions d\u2019incidence cumul\u00e9e. Equivalent du test de log-rank pour comparer des courbes d’incidences cumul\u00e9es (avec risque comp\u00e9titifs). <\/span><\/p>\n

Test du Logrank :<\/strong> test de comparaison des fonctions de survie. <\/span><\/p>\n

Test de Mann-Whitney :<\/strong> \u00e9quivalent non-param\u00e9trique de test t de Student, ce test statistique permet de comparer les distributions de 2 \u00e9chantillons en utilisant la somme des rangs des valeurs. Son int\u00e9r\u00eat qu’il permet \u00e9galement de comparer des \u00e9chantillons de petite taille.<\/p>\n

Test exact de Fisher :<\/strong> ce test de contingence est utilis\u00e9 couramment pour des tables de taille 2×2 afin d’\u00e9valuer l’association de deux variables qualitatives. Il est plus adapt\u00e9 que le test de Chi2 si des effectifs sont inf\u00e9rieurs \u00e0 5 et se base sur l’estimation de l’odds-ratio.<\/p>\n

Test non-param\u00e9trique de Kruskal-Wallis :<\/strong> \u00e9quivalent non-param\u00e9trique de l’ANOVA, ce test statistique permet de comparer les distributions de 3 \u00e9chantillons ou plus en utilisant la somme des rangs des valeurs. Son int\u00e9r\u00eat qu’il permet \u00e9galement de comparer des \u00e9chantillons de petite taille.<\/p>\n

\n

Tests s\u00e9quentiels<\/b> : ou analyse s\u00e9quentielle, tests effectu\u00e9s lorsque des analyses sont effectu\u00e9es avant la p\u00e9riode d’analyse finale ou avec une part des effectifs totaux pr\u00e9vus. Ces tests n\u00e9cessitent souvent des corrections de p-value<\/i> (ou r\u00e9\u00e9valuations de seuils de risque alpha).<\/p>\n<\/div>\n

U<\/h3>\n

V<\/h3>\n

Variables d’ajustement :<\/strong> lorsqu’on souhaite estimer l’effet d’un param\u00e8tre (traitement, facteur d\u00e9mographique, etc…) sur une r\u00e9ponse, il se peut que d’autres param\u00e8tres puisse biaiser ce r\u00e9sultat. Afin de rectifier cet effet, il convient de faire un mod\u00e8le multivari\u00e9 ajust\u00e9 sur ces param\u00e8tres, dites variables d’ajustement.<\/p>\n

W<\/h3>\n

X<\/h3>\n

Y<\/h3>\n

Z<\/strong><\/p>\n

<\/strong><\/p>\n<\/div><\/div><\/div><\/div><\/div>","protected":false},"excerpt":{"rendered":"","protected":false},"author":2,"featured_media":0,"parent":0,"menu_order":0,"comment_status":"closed","ping_status":"closed","template":"","meta":{"_monsterinsights_skip_tracking":false,"_monsterinsights_sitenote_active":false,"_monsterinsights_sitenote_note":"","_monsterinsights_sitenote_category":0,"_uf_show_specific_survey":0,"_uf_disable_surveys":false,"footnotes":""},"class_list":["post-15356","page","type-page","status-publish","hentry"],"aioseo_notices":[],"_links":{"self":[{"href":"https:\/\/www.hematostat.net\/en\/wp-json\/wp\/v2\/pages\/15356","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.hematostat.net\/en\/wp-json\/wp\/v2\/pages"}],"about":[{"href":"https:\/\/www.hematostat.net\/en\/wp-json\/wp\/v2\/types\/page"}],"author":[{"embeddable":true,"href":"https:\/\/www.hematostat.net\/en\/wp-json\/wp\/v2\/users\/2"}],"replies":[{"embeddable":true,"href":"https:\/\/www.hematostat.net\/en\/wp-json\/wp\/v2\/comments?post=15356"}],"version-history":[{"count":5,"href":"https:\/\/www.hematostat.net\/en\/wp-json\/wp\/v2\/pages\/15356\/revisions"}],"predecessor-version":[{"id":18320,"href":"https:\/\/www.hematostat.net\/en\/wp-json\/wp\/v2\/pages\/15356\/revisions\/18320"}],"wp:attachment":[{"href":"https:\/\/www.hematostat.net\/en\/wp-json\/wp\/v2\/media?parent=15356"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}