BIOSTAT

Au cours des cinq dernières années, l’équipe a travaillé sur deux sujets principaux : les modèles multivariés pour les données dépendant du temps et l’estimation basée sur un modèle des indicateurs de santé publique. Notre principal domaine de recherche se concentre sur le développement de modèles dynamiques multivariés pour l’analyse des événements censurés et/ou des mesures répétées de données longitudinales prenant en compte des schémas d’observation complexes.

Ces travaux sont motivés par l’étude de l’histoire naturelle de maladies chroniques telles que la maladie d’Alzheimer ou l’atrophie multisystémique, l’investigation de l’impact d’expositions dépendant du temps, ou la validation de marqueurs de substitution pour les essais cliniques dans la recherche sur le cancer.

Les procédures d’estimation paramétriques et semi-paramétriques des modèles de fragilité pour les temps d’événements corrélés, les données groupées et/ou les événements récurrents ainsi que les modèles conjoints pour les temps d’événements et les marqueurs longitudinaux ont été implémentés dans le paquet R Frailtypack. Un autre domaine de recherche concerne l’extension des modèles mixtes utilisant des classes latentes et/ou des processus latents pour l’analyse de résultats longitudinaux multiples avec des distributions non standard dans des populations hétérogènes.

=> Retrouvez toutes les informations sur le congrès SAM 2026

=> Consultez les anciens séminaires de l’équipe

Nous avons proposé le paquetage R LCMM qui permet l’estimation de modèles mixtes de classes latentes, de modèles mixtes de classes latentes conjointes et de modèles mixtes pour des résultats longitudinaux univariés ou multivariés curvilignes. Ces modèles ont été motivés par l’analyse du déclin cognitif dans les études de cohorte.

Ils tiennent compte de l’hétérogénéité de la population et des problèmes soulevés par les propriétés métrologiques des outils de mesure de la cognition et de l’autonomie (forte corrélation entre les marqueurs mesurant un ou plusieurs processus sous-jacents, données ordinales, distributions asymétriques non standard avec effets plancher et/ou plafond et sensibilité inégale aux changements).

Nous avons également développé des méthodes d’estimation du modèle Maladie-Décès tenant compte de la censure par intervalle (Package SmoothHazard). Des outils de calcul de la prédiction individuelle et d’évaluation des capacités de prédiction de ces modèles sont également mis en œuvre.

En s’appuyant sur la méthodologie multi-états, nous avons proposé plusieurs approches pour prévoir la charge future des maladies neurologiques et évaluer l’impact attendu des scénarios d’intervention ciblant leurs facteurs de risque modifiables.

En fonction de la complexité des scénarios étudiés, les indicateurs de la charge future de la maladie sont calculés analytiquement ou à l’aide de micro-simulations.

Nos projets actuels se concentrent particulièrement sur les questions de causalité et les problèmes de big data dans le cadre de modèles dynamiques. D’une part, les questions causales sont liées à nos recherches sur le mécanisme qui sous-tend les processus pathologiques des maladies chroniques, le rôle de certaines expositions à long terme et l’impact des inégalités sociales en matière de santé.

Nous étudierons l’interprétation causale des modèles multivariés que nous développons et nous proposerons de nouvelles méthodes pour étudier la causalité pour les événements censurés dans le temps et/ou les facteurs de risque dépendant du temps. D’autre part, comme les progrès technologiques permettent de collecter une très grande quantité de données (génétique, biologie, imagerie, données IoT), nous étudions de nouvelles approches qui abordent les questions de haute dimensionnalité en ce qui concerne le nombre de prédicteurs, de marqueurs et de résultats dépendants du temps.