Search

M. J. Faddy and D. M. Smith 1112 Modeling the Dependence between the Number of Trials and the Success Probability in Binary Trials Un modèle pour essais binaires reposant sur une généralisation bivariée du processus de Poisson pour le nombre de succès et le nombre d’essais avec des probabilités de transition dépendantes des nombres cumulés de succès et d’essais est utilisé pour ré-analyser des données récemment publiées de Zhu, Eickhoff et Kaiser (2003, Biometrics 59, 955–961). Cette modélisation admet des distributions différentes pour les nombres d’essais et les nombres de succès conditionnellement au nombre d’essais qui généralisent les distributions binomiales et de Poisson, sans certaines des restrictions apparentes dans le modèle mixte beta-binomial-Poisson de Zhu et coll. (2003). Quelques différences très marquées apparaissent entre les résultats de cette analyse et ceux décrits dans Zhu et coll. (2003). P. S. Albert and S. Hunsberger 1115 On Analyzing Circadian Rhythms Data Using Nonlinear Mixed Models with Harmonic Terms Wang et al. (2003, Biometrics 59, 804–812) ont développé une approche de lissage pour modéliser les rythmes circadiens avec effets aléatoires. Leur approche est flexible dans le sens où les covariables fixes et aléatoires peuvent influer à la fois l’amplitude et le décalage de phase d’une fonction périodique lissée non-paramétrique. Dans la motivation de leur approche, Wang et al. partent de l’insuffisance d’une simple fonction sinusoïdale. De plus, ils considèrent que ≪bien que l’addition d’harmoniques puisse améliorer l’ajustement, il est difficile de choisir le nombre d’harmoniques à introduire dans le modèle, et les résultats sont délicats à interpréter≫. Nous contestons l’idée que les modèles harmoniques ne soient pas un outil profitable pour la modélisation de données longitudinales à rythme circadien. Dans cette note, nous montrons comment les modèles mixtes non-linéaires permettent une alternative simple et flexible à l’approche de Wang et al. Nous montrons comment choisir le nombre d’harmoniques en utilisant la vraisemblance pénalisée pour obtenir un modèle flexible de rythme circadien et pour estimer l’effet des covariables sur les rythmes. Nous ajustons des modèles harmoniques aux données de rythme circadien du cortisol présentées par Wang et al. pour illustrer notre approche. Par ailleurs, nous évaluons les propriétés de notre procédure avec une petite étude de simulation. L’approche paramétrique proposée est une alternative à l’approche semi-paramétrique de Wang et al., et présente l’avantage supplémentaire de pouvoir être aisément implémentée sur la plupart des progiciels statistiques. I. Novikov, B. Oberman, and L. Freedman 1123 Modification of the Computational Procedure in Parker and Bregman's Method of Calculating Sample Size from Matched Case–Control Studies with a Dichotomous Exposure Plusieurs auteurs se sont intéressés au problème du calcul de la taille d’échantillon nécessaire pour une étude cas-témoin apparié dans le cas d’un facteur d’exposition binaire. L’approche de Parker et Bregman (1986) est à notre sens, l’une des plus satisfaisantes car elle s’appuie sur la spécification de grandeurs aisément accessibles à l’investigateur. Cependant l’implémentation qui en a été recommandée requiert une approximation de calcul. Nous montrons ici que cette approximation conduit à de mauvaises performances dans certaines situations extrêmes, et qu’elle peut être facilement remplacée par un calcul exact. [ABSTRACT FROM AUTHOR]

Quantifying the Effect of the Surrogate Marker by Information Gain La validation statistique d'un marqueur de substitution a étéétudiée depuis plus de dix ans. Récemment, Alonso et al. ( 2004, Biometrics, 60: 724–728) ont proposé une quantité appelée le facteur de réduction de vraisemblance (LRF) pour évaluer la validité d'un marqueur de substitution. Cependant, comme nous le montrons dans le présent article, le LRF peut ne pas valider correctement un marqueur de substitution. C'est pourquoi nous proposons une nouvelle grandeur, la proportion de gain d'information (PIG) qui utilise l'information de Kullback-Leibler. Des simulations montrent que sous certaines hypothèses de modélisation, le PIG reflète précisément le rôle d'un marqueur de substitution. [ABSTRACT FROM AUTHOR]

Lors d'une récente discussion sur les critères de Prentice (1989) concernant les variables de remplacement (surrogate endpoints) et le rôle joué dans ce contexte par les meta-analyses, Alonso et al. ( Biometrics 60, 724–728) développent quelques idées, parmi lesquelles une proposition de construire une mesure chiffrant la puissance d'une variable de remplacement par rapport aux critères de Prentice, quantifiés par la réduction de la vraisemblance. Quoique nouvelle ici on peut rencontrer la même idée ailleurs et la mesure d'Alonso et col, telle que présentée dans leur article, aura besoin de modification afin de pouvoir être utilisée en général. Sans cela la mesure est influencée par la censure même quand cette dernière reste indépendante du mécanisme de survie. Toutefois il existe une solution simple. La mesure d'Alonso et coll s'encadre facilement avec une théorie bien établie. Une fois modifiée alors pour la présence de censure la mesure peut être utilisée sans difficulté. Il est particulièrement intéressant de constater la grande disponibilité d'un logiciel, SAS, fournissant un coefficient qui, moyennant une transformation élémentaire, s'approche d'une valeur équivalente dans la population. [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]