Comprendre le but d’une étude (ex : équivalence, différence), l’importance de sa planification, des actions permettant d’éviter les biais et du calcul de la bonne taille des échantillons.
Identifier la nature du plan d’expériences (ex : parallel group, crossover, factorial, block design) et celle de la réponse à étudier (quantitative, qualitative, données indépendantes ou appariées). Identifier la présence éventuelle de covariables.
Déduire le type d’analyse statistique à effectuer. Analyser les résultats à l’aide du logiciel R, après avoir jauger le niveau d’expertise nécessaire, en fonction de la complexité du plan d’expériences et/ou du modèle statistique à utiliser. Pouvoir synthétiser les résultats de façon claire.
Pouvoir dialoguer avec un statisticien et prévoir les informations qui lui sont nécessaires, notamment lors de la planification d’une étude et de l’analyse de résultats.
La formation vise à aborder les méthodes statistiques fréquemment rencontrées dans le cadre des essais cliniques et pré-cliniques. Elle se veut avant tout pratique et axée sur l’échange. Au terme de la formation, les étudiants doivent pouvoir effectuer des analyses usuelles et porter un œil critique quant à la planification des expériences et à l’analyse des données.
La formation s’articule autour de quatre modules :
M1 – Introduction. Pose les principes fondamentaux et le vocabulaire associé aux statistiques appliquées. Permet de comprendre le rôle du statisticien. Détaille les étapes de la planification d’expériences puis celles de l’analyse des données. Présente la loi de Gauss, les paramètres de position et de dispersion, le théorème central limite, les intervalles statistiques, les graphiques utiles à la description des données univariées.
M2 – Comparaison des moyennes. Associe méthodes statistiques et dispositifs expérimentaux. Présente le test-t puis l’analyse de la variance dans le cas de groupes indépendants (dispositif complétement aléatoire) ou appariés (dispositif en blocs aléatoires complets). Présente les tests de comparaison multiples. Distingue les tests de différence des tests d’équivalence en ce qui concerne les objectifs de l’étude et les règles de décision.
M3 – Analyse par régression. Présente la régression linéaire simple et les indicateurs permettant de juger de sa validité. Etend les notions d’intervalles de confiance et de prédiction (vues lors des modules précédents) à l’analyse des données bivariées. Associe modèles polynomiaux (degrés 1 et 2) et dispositifs expérimentaux (ex : plan composite centré).
M4 – Comparaison de proportions. Porte sur les tests statistiques associés aux tables de contingence 2 x 2. Introduit la loi binomiale, la comparaison de deux proportions moyennes, le calcul d’intervalle de confiance d’une proportion et son approximation normale. Présente les indicateurs statistiques fréquents en clinique (ex : sensibilité, spécificité).
La formation comporte de nombreux exercices qui sont traités à l’aide du logiciel R. Elèves et enseignant répondent aux questions posées en temps réel lors des travaux pratiques sur ordinateurs. Les élèves effectuent également des exercices complémentaires en dehors des heures d’enseignement. Les réponses attendues sont accessibles via WebCampus.
L’enseignant indique aux étudiants à quel moment de la formation les différentes sections des modules doivent être lues. Lors des heures de cours, l’enseignant s’appuie sur un cinquième module qui reprend les notions les plus importantes et les illustrent à l’aide de cas concrets et d’exercices. Elèves et enseignant répondent aux questions posées et effectuent les analyses statistiques nécessaires à l’aide du logiciel R.
L’évaluation prévoit un examen écrit de deux heures. Il comporte en général un questionnaire à choix multiples (QCM, 4 points) et trois exercices (16 points). Les notes de cours sont autorisées, sauf pour le QCM.
Les modalités exactes de l’évaluation sont susceptibles d’être modifiées lors de l’élaboration des horaires d’examens, en fonction des contraintes pratiques auxquelles l’administration facultaire peut être confrontée, ou en cas de maladie/cas de force majeure/empiètement avec un stage, ou encore à cause de la situation sanitaire liée au coronavirus.
Le cours et les codes R associés aux exercices sont disponibles sur WebCampus.
R Development Core Team (2005). R: A language and environment for statistical computing. R Foundation for Statistical Computing, Vienna, Austria. ISBN 3-900051-07-0, URL: http://www.R-project.org
Livres cités aux étudiants :
Dagnelie P. [2013]. Statistique théorique et appliquée. Tome 1. Statistique descriptive et bases de l'inférence statistique. Bruxelles, De Boeck, 517 p. ISBN 978-2-8041-7560-3
Dagnelie P. [2011]. Statistique théorique et appliquée. Tome 2. Inférence statistique à une et à deux dimensions. Bruxelles, De Boeck, 736 p. ISBN 978-2-8041-6336-5
| Formation | Programme d’études | Bloc | Crédits | Obligatoire |
|---|---|---|---|---|
| Master 60 en sciences biomédicales | Standard | 0 | 4 | |
| Master 120 en sciences biomédicales à finalité spécialisée en recherche préclinique | Standard | 0 | 4 | |
| Master 120 en sciences biomédicales à finalité spécialisée en recherche clinique | Standard | 0 | 4 | |
| Master 120 en sciences biomédicales à finalité spécialisée en recherche préclinique | Standard | 1 | 4 | |
| Master 120 en sciences biomédicales à finalité spécialisée en recherche clinique | Standard | 1 | 4 | |
| Master 60 en sciences biomédicales | Standard | 1 | 4 |