Journées de Biostatistique 2023

Session

Données longitudinales

Nov 16, 2023, 3:25 PM

Amphi Schwarz, 1R3 (Institut de Mathématiques de Toulouse)

19. Comparaison de deux méthodes d’estimation de l’incidence de l’infection à VIH

Mrs Julie MUZZOLON (Santé Publique France, Université Lyon 1)

11/16/23, 3:25 PM

Comparaison de deux méthodes d’estimation de l’incidence de l’infection à VIH

Julie Muzzolon1, 3, Amber Kunkel1, Françoise Cazein1, Florence Lot1, Ahmadou Alioum2
1. Unité VIH-hépatites B/C-IST, Direction des maladies infectieuses, Santé publique France
2. ISPED/Inserm U1219, Bordeaux Population Health, Université de Bordeaux
3. Master Mathématiques, Modélisation et Science des...

7. Analyse des pseudo-observations par la méthode des moments généralisée comme alternative à l’analyse de survie Bayésienne

Léa Orsini (CESP, INSERM U1018, Université Paris-Saclay, Villejuif, France)

11/16/23, 3:50 PM

En Bayésien, la formulation d’un modèle de survie à risques proportionnels nécessite généralement la modélisation de la fonction de risque de base. Elle peut être paramétrique et suppose alors des hypothèses fortes ou non paramétrique conduisant à une implémentation complexe. En fréquentiste, les pseudo-observations définies par Andersen sont devenues une alternative à l’analyse de survie par...

3. Robustesse aux données manquantes : comparaison entre modèle mixte et analyse en composantes principales fonctionnelles

Corentin Ségalas (Université de Bordeaux / Bordeaux Population Health)

11/16/23, 4:15 PM

En recherche médicale, la collecte de données longitudinales est très fréquente. L'analyse de ces données permet de décrire l'évolution temporelle d'un processus biologique tout en prenant en compte l'importante variabilité individuelle. Par exemple, les cohortes qui étudient l'évolution cognitive du sujet âgé intègrent les résultats des patients à différents tests psychométriques collectés...

16. Tipping point for survival analyses

Mr Clement Daniel (Servier)

11/16/23, 4:40 PM

Background: Traditionally, tipping point analysis explores the influence of missingness on the overall conclusion of the treatment difference by shifting the imputed missing values in the treatment group towards the reference group until the result becomes non-significant. Over the past years, tremendous efforts have been made to develop statistically rigorous methods for tipping point...