Search

Principal Stratification Designs to Estimate Input Data Missing Due to Death Nous nous intéressons à des études portant sur des cohortes d'individus après la survenue d'un événement critique, comme une blessure, et ayant les caractéristiques suivantes. Premièrement, les études sont conçues pour mesurer des variables d'“input”, qui décrivent la période avant l'événement critique, et pour caractériser la distribution des variables d'“input” dans la cohorte. Deuxièmement, les études sont conçues pour mesurer des variables d'“output”, principalement la mortalité après l'événement critique et pour caractériser la distribution prédictive (conditionnelle) de la mortalité connaissant les variables d'“input” dans la cohorte. De telles études présentent souvent la complication que les données d'“input” manquent pour ceux qui meurent peu après l'événement critique car le recueil des données est réalisé après l'événement. Les méthodes standard de prise en compte des “inputs” manquants, telles que les méthodes d'imputation ou de pondération basées sur l'hypothèse que l'on peut ignorer le processus de données manquantes, sont connues comme étant en général non valides quand le processus de données manquantes ne peut être ignoré, c'est à dire quand la distribution des “inputs” est différente chez ceux qui meurent et ceux qui survivent. Pour répondre à ce problème, nous proposons un nouveau schéma qui recueille et utilise l'information sur une autre variable importante—un traitement ou une variable sous contrôle externe, qui, si elle avait étéà son niveau optimal aurait pu empêcher le décès de ceux qui sont morts. Nous montrons que ce nouveau schéma peut être utilisé pour faire des inférences valides pour la distribution marginale des “inputs” dans la cohorte entière et pour la distribution conditionnelle de la mortalité connaissant les “inputs”, également dans la cohorte entière, même si le processus de données manquante ne peut être ignoré. Le contexte crucial que nous utilisons est la stratification principale basée sur les “outputs” potentiels, comme ici la mortalité après les deux niveaux de traitement. Nous montrons aussi à l'aide de données préliminaires sur des blessures, que notre approche peut donner des résultats qui sont plus raisonnables que les résultats obtenus par les méthodes standard, et ceci de façon relativement dramatique. Ainsi notre approche suggère que le recueil en routine de données sur des variables qui pourraient être utilisées comme traitement possible dans de telles études d'“inputs” et de mortalité devrait être fait en routine. [ABSTRACT FROM AUTHOR]

664 Les plans adaptatifs permettent, en cours d'étude, de modifier le plan d'expérience initial de façon importante. La taille de l'échantillon, en particulier, peut être réévaluée au vu de données intermédiaires ou d'informations extérieures à l'essai. Dans les plans adaptatifs standard, on associe ces modifications à un test pondéré qui garantit le contrôle de l'erreur de première espèce. Cette méthode, cependant, viole des principes de base de la statistique inférentielle. C'est ainsi que, dans un exemple portant sur des données indépendantes issues de la loi normale N(μ, 1), un test adaptatif peut rejeter l'hypothèse nulle μ≤ 0, alors même que la moyenne des observations est négative. Nous en concluons que les plans adaptatifs, au moins dans leur forme la plus générale où l'on recourt à un test pondéré, ne sont pas valides. Nous discutons plusieurs modifications possibles de cette méthodologie des plans adaptatifs, en nous concentrant sur la recherche de solutions satisfaisantes quant aux tests d'hypothèses. [ABSTRACT FROM AUTHOR]

645 La biologie informatique est un domaine d'évolution rapide, dans lequel les méthodologies provenant de l'informatique, des mathématiques et des statistiques sont appliquées pour traiter les problèmes fondamentaux de la biologie. L'étude de l'information de régulation des gènes est un problème au centre de l'informatique biologique. Cet article rassemble les développements récents de méthodes statistiques liées à ce thème. Partant de la sélection de puces génétiques, nous examinons les méthodes de recherche des éléments de liaison et des modules cis-régulés des facteurs de transcription dans les gènes co-régulés, ainsi que les méthodes pour l'utilisation de l'information des comparaisons croisant les espèces et des expériences ChIP-chip. La meilleure compréhension de la logique de cis-régulation dans le génôme des mammifères peut nécessiter l'information provenant de ces étapes. 691 Les modèles de capture-recapture ont été développés pour estimer la survie à partir de données provenant du marquage et de la surveillance d'animaux sauvages dans le temps. Les différences de survie peuvent être expliquées en incluant des covariables appropriées. Nous proposons des méthodes de régression non-paramétrique et semi-paramétrique pour estimer la survie dans les modèles de capture-recapture. Une approche totalement bayésienne utilisant des simulations MCMC est utilisée pour estimer les paramètres du modèle. Ce travail est illustré par une étude de Pétrels des neiges, dans laquelle les probabilités de survie sont exprimées comme fonctions non-linéaires d'une covariable de climat, en utilisant des données d'une étude de 40 ans d'observation sur des animaux marqués, nichant sur l'île des Pétrels en Terre Adélie. [ABSTRACT FROM AUTHOR]

R. L. Prentice, M. Pettinger, and G. L. Anderson 899 Statistical Issues Arising in the Women's Health Initiative Nous proposons un bref panorama du plan de l’essai clinique et de l’étude observationnelle de la WHI, ainsi qu’un résumé des résultats obtenus à partir de la partie de l’essai clinique dévolue à la thérapeutique hormonale post-ménopause. Depuis son démarrage en 1992, la WHI a été confrontée à plusieurs questions de nature statistique pour lesquelles de plus amples développements méthodologiques étaient nécessaires. Parmi ceux-ci, la modélisation des erreurs de mesure, et des méthodes d’analyse pour l’évaluation de la diététique et de l’activité physique; des méthodes de surveillance d’essai clinique lorsque les traitements peuvent concerner plusieurs champs cliniques aussi bien en bénéfice qu’en réaction adverse; le plan d’étude et les procédures d’analyse pour des données génomiques et protéiques de dimension élevée; et aussi des procédures d’analyse de données de durée lorsque les rapports de risque dépendent du temps. Ce dernier point apparaît important pour comprendre les différences entre les résultats de l’essai clinique et ceux de l’étude observationnelle en ce qui concerne le traitement hormonal postménopause et la pathologie cardio-vasculaire. [ABSTRACT FROM AUTHOR]