Brainscape's Knowledge GenomeTM

Browse over 1 million classes created by top students, professors, publishers, and experts.


See full index

Final SBP3021 > 14-Considérations statistiques + devis adaptatif > Flashcards

14-Considérations statistiques + devis adaptatif Flashcards

1
Q

Types de variables quantitatives:

A

Continue
Discrète

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
2
Q

Types de variables qualitatives:

A

Nominale (pas d’ordre)
Ordinale (ordre)

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
3
Q

Types d’inférences pour une variable quantitative

A
  1. Inférence sur une moyenne (espérance) de la variable
  2. On peut supposer une loi paramétrique ou non
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
4
Q

Type d’inférence pour une variable qualitative

A

Inférence sur les effectifs ou proportions (ex: rapport de cote)

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
5
Q

Test de student

A

Pour comparer les moyennes de deux groupes différents

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
6
Q

Statistique de test

A

Une fonction qu’on va appliquer aux données (ex: la moyenne)

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
7
Q

plus on a de suppositions, plus on a de puissance MAIS

A

plus on a de chances de se tromper

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
8
Q

test T pour des variances non-égales

A

test de welch

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
9
Q

les tests paramétriques ont un gain de ___ et une sensibilité aux ___

A

puissance, suppositions

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
10
Q

l’équivalent du test t, mais non-paramétrique

A

Mann-Whitney-Wilcoxon

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
11
Q

quel test permet l’inclusion d’une variables indépendante

A

ANOVA

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
12
Q

test statistique pour ajustement pour des variables quantitatives (covariance)

A

ANCOVA

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
13
Q

test statistique pour plusieurs variables dépendantes (issue d’intéret) = multivariée

A

MANOVA

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
14
Q

But de la régression linéaire

A

minimiser la distance (carrée, pour les différences vers le haut et vers le bas) entre les points et la droite

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
15
Q

Pour une augmentation unitaire de X, Y augmente de

A

Beta

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
16
Q

Test d’hypothèse possible pour la regression linéaire

A

H0: Beta = 0, Beta étant la pente

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
17
Q

Que veux dire une régression linéaire multivariables

A

il y a plusieurs X

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
18
Q

Que veux dire une régression linéaire multivariée

A

il y a plusieurs y

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
19
Q

Definition du coefficient de détermination du modèle de regression linéaire (R2)

A

La fraction de la variance de la variable dépendante qui est expliquée par le modèle

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
20
Q

La régression linéaire suppose une:

A

proportionnalité: augmenter la variable d’une unité a toujours le même effet

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
21
Q

La régression linéaire est elle toujours linéaire?

A

Non, ex: on ajuste pour l’âge au carré

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
22
Q

Est ce que la régression linéaire est utile pour modéliser d’autres types de variables dépendantes?

A

Oui, ex: si l’issu est binaire = les modèles linéaires généralisés, permet d’accommoder différent types de variables dépendantes

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
23
Q

Quelle fonction permet d’accommoder différents types de variables dépendantes dans la régression linéaire?

A

La fonction g

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
24
Q

Modèle le plus populaire des modèles linéaires généralisés

A

La régression logistique

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
25
Q

Dans la régression logistique, un augmentation de X d’une unité est associé à une augmentation ___ de Beta

A

la ln cote de Y

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
26
Q

Interprétation habituelle pour la régression logistique

A

e^Beta est le rapport des cotes soit l’augmentation relative de la cote lorseque X augmente d’une unité

27
Q

Les modèles linéaires généralisés sont utilisés fréquemment en recherche pour

A

Ajuster pour des covariables

28
Q

3 applications des modèles linéaires généralisés dans des essais randomisés:

A
  1. Analyses post-hoc
  2. Ajustement pour imbalance statistique (analyse de covariables)
  3. Autres modèles similaires souvent utilisés comme analyse principale des essais ex: analyse de survie
29
Q

Quel test pour la comparaison de proportions

A

Khi deux

30
Q

Donner un exemple d’application pour un test khi deux

A

Comparer la proportion de femmes dans chaque groupe de traitement
Comparer le nombre d’AVC dans chaque groupe de traitement

31
Q

3 tests pour la comparaison de proportion (autre que le khi 2)

A
  1. Test exact de fisher (parfois recommandé lorseque les effectifs sont faibles)
  2. Cochran-Mantel-Henszel (comparer des proportions en contrôlant pour une variable catégorique)
  3. Regression logistique
32
Q

test d’équivalence

A

on veut montrer qu’un traitement expérimental ne diffère pas plus d’une marge prédéfinie (delta) d’un traitement de référence

33
Q

dans quel cas on peut rejetter l’hypothèse nulle dans un test d’équivalence

A

on fait deux test t unilatéraux et on rejette si elle est rejetté par les deux tests (two one sided tests, TOST)

34
Q

Un test statistique de non-infériorité seul n’est pas suffisant, on voudra mettre de l’avant aussi: (4)

A
  1. Innocuité
  2. Facilité d’utilisation
  3. Coût
  4. Pas d’ajustement de dose nécessaire
35
Q

la FDA penses qu’on devrais plus utiliser le test bilatéral ou unilatéral

A

bilatéral a moins qu’il y ait de fortes justifications pour s’attendre a une différence dans une seule direction

36
Q

erreur de type 1

A

faux positif (alpha)

37
Q

erreur de type 2

A

faux négatif (beta)

38
Q

H0 vraie - H0 rejetée

A

alpha erreur de type 1

39
Q

H1 vrai - H0 rejetée

A

1-beta (puissance)

40
Q

H0 vraie - H0 non-rejetée

A

1-alpha

41
Q

H1 vrai - H0 non rejetée

A

Beta erreur de type 2

42
Q

puissance statistique

A

capacité a rejeter H0 lorsequ’elle est fausse, paramètre essentiel dans la planification d’une étude
- avec les moyens qu’on a, quelle est la taille d’effet minimal qu’on peut détecter?

43
Q

la variance d’une variable avec une distribution bernouilli(p) est

A

p(1-p)

44
Q

comment on fait pour calculer la valeur de n pour la puissance si les groupes sont de taille inagale

A
  1. calculer la valeur de “n” nécessaire pour des groupes de tailles égales
  2. Appliquer le ratio nC/nE=k
45
Q

formule pour le nombre effectif en tenant compte de l’attrition

A

N’=N/(1-L)
L=taux anticipé de sortie de l’étude
ex: L=0.1=taux d’attrition de 10%

46
Q

Facteurs influençant l’atteinte de la taille de l’échantillon

A
  1. Winners curse = efficacité d’une nouvelle intervention est souvent surestimée (souvent quand on decouvre qqch c’est de la chance)
  2. les sujets inclus dans le groupe contrôle répondent souvent davantage que prévu (meilleur suivi que en pratique courante)
  3. critères d’inclusion/d’exclusion peuvent exclure des gens à haut risque d’avoir l’événement utilisé comme critère d’efficacité
  4. sous-estimation de la perte au suivi ou mauvaise adhérence
47
Q

comment remédier aux facteurs influençant l’atteinte de la taille de l’échantillon

A
  1. repenser les critères d’inclusion/d’exclusion
  2. élargir la définition de l’issu
  3. recherche un paramètre substitut pour que l’efficacité soit estimée correctement
  4. allonger la durée de l’étude
  5. études multi-centriques: remplacer les centres à faible recrutement
48
Q

si on ne fais rien pour tenir compte du nombre de tests (test dans plusieurs sous-groupes, tester plusieurs issues/critères d’évaluation) on peut parler de

A

inflation du risque alpha

49
Q

3 méthodes pour la planification d’analyses intérimaires

A
  1. Pocock
  2. O’Brien-Flemming
  3. Peto-Haybittle
    - elles spécifient différents seuils de significativité pour les analyses intérimaires
50
Q

quelle méthode d’analyse intérimaire est plus conservatrice que Pocock

A

O’Brien-Fleming: il garde ses dépenses de alpha plus pour la fin de l’étude

51
Q

deux solutions pour éviter l’inflation du risque alpha

A
  1. Peto-Haybittle
  2. Analyse dans l’estimation de l’effet
52
Q

Peto-Haybittle

A

On choisit des très petits alpha pour les analyses intérimaires et on conserve le seuil habituel pour l’analyse finale
On suppose que la dépense du risque est négligeable

53
Q

avantage de peto-haybittle (3)

A
  1. évite les calculs de seuil (on fait juste utiliser un petit alpha)
  2. interprétabilité facile car le seuil à la fin de l’étude est alpha
  3. arrêt de l’étude seulement si résultats très significatif
54
Q

désavantages de peto-haybittle (2)

A
  1. innaplicable si trop d’analyses intérimaires
  2. approximatif, pas de garantie du seuil alpha
55
Q

analyse intérimaire sans estimation de l’effet (sans test statistique)

A
  • ajustement de la taille d’échantillon ciblée
  • augmenter la durée de l’étude
  • modifier les critères d’inclusion et d’exclusion
    On peut regarder la variance ou le risque de base du critère d’efficacité
56
Q

devis adaptatif et objectif

A

modification au devis de l’étude permise en fonction du résultat de l’analyse intérimaire
aide a la planification des essais cliniques dans des domaines ou les conditions expérimentales sont difficiles

57
Q

genres de modifications du devis adaptatif

A
  • taille de l’échantillon
  • arrêt prématuré (efficacité ou futilité)
  • mod des critères d’inclusion/d’exclusion
  • mod de dose
  • mod de durée de traitement
58
Q

exigences particulières des devis adaptatifs

A
  • analyse intérimaires et types de mod doivent être décrites et justifiées
  • l’erreur de type 1 doit être contrôlée
59
Q

Avantages des devis adaptatifs (3)

A
  • économique (peut augmenter l’efficacité)
  • éthique (peut nécessiter moins de patients donc moins d’exposition au placebo)
  • devrais améliorer les fondements scientifiques pour la prise de décision
60
Q

Désavantages des devis adaptatifs (2)

A
  • danger d’introduire un biais si analyses intérimaires sans insu
  • contrôle de l’erreur de type 1
61
Q

types d’adaptation du devis adaptatif (5)

A
  1. taille d’échantillon
  2. population de patient
  3. sélection du bras de traitement
  4. allocation des participants
  5. sélection du critère de jugement
62
Q

devis adaptatif: changement du N cible sans estimation de l’effet

A
  • on ne connait pas la variance dont on a besoin pour bien calculer la puissance, on l’estime en analyse intérimaire pour guider la sélection de N
  • on a besoin de p0 la probabilité de l’évènement dans le bras contrôle pour estimer la puissance
  • assez inoffensif, mais danger si on a besoin de connaître l’assignation du traitement (briser l’insu, danger de maintien de l’intégrité)
63
Q
A

Final SBP3021 (4 decks)

Brainscape helps you reach your goals faster, through stronger study habits.
© 2024 Bold Learning Solutions. Terms and Conditions