Les conférenciés invités aux journées « Statistiques & Santé » 2018
Les 27 et 28 septembre 2018 se tiendront les journées du Groupement De Recherche (GDR) « Statistiques & Santé » et de la Société Française de Biométrie (SFB) à Nantes (IRSUN). Il s’agit d’une occasion d’échanges et de collaborations entre les nombreuses équipes françaises motivées par les développements et les applications de la statistique dans le domaine biomédical. Il est encore temps pour vous inscrire gratuitement en remplissant le formulaire disponible ici.
Voici les 4 conférenciers invités par le GDR et la SFB:
Sophie ANCELET (Institut de radioprotection et de sûreté nucléaire, Paris). Approche hiérarchique bayésienne pour la prise en compte d’erreurs de mesure d’exposition complexes dans les études de cohorte. Application en épidémiologie des rayonnements ionisants.
Résumé : Les erreurs de mesure d’exposition constituent l’une des sources d’incertitude les plus importantes en épidémiologie. Lorsqu’elles ne sont pas ou mal prises en compte, elles peuvent mener à des estimateurs de risque biaisés, à une perte de puissance statistique ainsi qu’à une déformation des relations exposition-risque. L’une des principales raisons pour lesquelles ces erreurs de mesure sont rarement prises en compte dans les estimations de risque est que les méthodes classiques de correction d’erreurs de mesure manquent souvent de flexibilité lorsqu’il s’agit de prendre en compte des erreurs de mesure de nature complexe. Dans les études de cohortes professionnelles, par exemple, le type et la magnitude des erreurs de mesure d’exposition peuvent changer au cours du temps en fonction des techniques utilisées pour évaluer l’exposition des travailleurs. Par ailleurs, certaines techniques d’estimation groupée de l’exposition peuvent donner lieu à des erreurs qui sont partagées entre plusieurs travailleurs ou partagées au cours de la période de suivi d’un même travailleur. Bien que l’impact des erreurs de mesure non-partagées soit désormais relativement bien établi en épidémiologie, celui des erreurs partagées reste très mal connu. Dans ce contexte, une étude par simulations a tout d’abord été menée afin de comparer les effets des erreurs partagées et non partagées sur l’estimation du risque et la forme de la courbe exposition-réponse dans deux classes de modèles de survie, classiquement utilisées en épidémiologie des rayonnements ionisants. Puis, des modèles hiérarchiques bayésiens, connus pour leur souplesse et leur pertinence pour la prise en compte de sources d’incertitude multiples et complexes, ont été proposés et inférés à l’aide d’algorithmes Monte Carlo par Chaînes de Markov spécifiques afin d’affiner l’estimation actuelle du risque de décès par cancer du poumon associé à une exposition chronique et à faibles doses au radon dans la cohorte française des mineurs d’uranium. Ces travaux soulignent l’importance d’une caractérisation détaillée des erreurs de mesure d’exposition – partagées et non partagées -potentiellement présentes dans une étude de cohorte lorsque l’objectif est de prendre en compte ces erreurs de mesure dans les estimations du risque.
Fabien LAROCHE (Institut national de recherche en sciences et technologies pour l’environnement et l’agriculture, Paris). Des modèles nuls aux modèles neutres: changer de référence pour l’analyse de données de biodiversité.
Résumé : L’écologie des communautés vise à comprendre comment les conditions environnementales et les interactions entre organismes génèrent la diversité des espèces que l’on observe dans les écosystèmes. Dans le cas d’écosystèmes en conditions non-contrôlées, une approche possible consiste en la mise en œuvre de tests statistiques sur des échantillonnages spatio-temporels d’individus, afin de détecter une contribution significative de facteurs environnementaux ou d’interactions ciblés. Dans cet exposé, je propose d’illustrer comment l’utilisation d’hypothèses nulles de test fondées sur la théorie neutre de la biodiversité – qui suppose une équivalence écologique des espèces – peut avantageusement compléter les méthodes plus classiques à base de permutation ou bootstrap.
Raphaël PORCHER (Centre de Recherche Épidémiologie et Statistique, UMR1153, Paris). Emulation d’essais contrôlés randomisés à partir de données observationnelles.
Résumé : Dans cet exposé, j’introduirai les principes de l’inférence causale à partir de données observationnelles, et décrirai les approches couramment utilisées en pratique pour l’analyse de données réelles. A travers un parallèle avec la planification et l’exécution d’un essai randomisé, je décrirai comment on peut émuler un tel essai à partir de données observationnelles, et quels sont les éléments importants à prendre en compte.
Vivian VIALLON (Centre international de recherche sur le cancer, Lyon). Introduction aux modèles causaux structuraux pour l’inférence causale.
Résumé : Dans cet exposé, je présenterai les modèles causaux structuraux qui reposent essentiellement sur deux outils, miroirs l’un de l’autre : les diagrammes causaux (généralement sous la forme de graphe dirigé acyclique, DAG en anglais) et les équations structurelles. Je montrerai comment ces modèles permettent la définition précise des effets causaux, à partir de l’opérateur do ou des variables contrefactuelles (ou résultats potentiels). Je montrerai également comment ces modèles permettent un traitement systématique des biais de confusion et de sélection et fournissent des conditions assurant la possibilité d’estimer des effets causaux à partir de données observationnelles (par opposition aux données interventionnelles disponibles dans les essais cliniques randomisés). Si le temps le permet, je montrerai finalement comment ces outils peuvent être utilisés pour décomposer l’effet causal total d’une exposition en un effet direct et un effet indirect en présence de médiateurs (analyse de médiation).