| Semaine |
Contenu du cours |
Exercice avec R |
|
01 : Introduction du cours
(7 janvier 2025)
|
- Introduction à l'épidémiologie
- Concepts de base d'analyse de régression
- Introduction au langage R
|
- Résumer les variables clés et effectuer une analyse exploratoire initiale du jeu des données « Framingham Heart Study »
|
|
02 : Régression linéaire multiple
(14 janvier 2025)
|
- Ajustement des modèles de régression linéaire multiple
- Interprétation des coefficients et la valeur R2
- Hypothèses sous-jacentes à la régression linéaire
|
- Ajuster un modèle de régression linéaire multiple en utilisant le jeu de données « Framingham Heart Study » pour prédire la pression artérielle systolique
- Évaluer les hypothèses du modèle
- Interpréter les résultats
|
|
03 : Régression logistique
(21 janvier 2025)
|
- Fondement de la régression logistique pour les données à issue binaire
- Fonction logit et rapport de cotes
- Interprétation des coefficients et la performance des modèles
|
- Ajuster un modèle de régression logistique pour prédire la prévalence de la maladie coronarienne en utilisant le jeu de données « Framingham Heart Study »
- Interpréter les coefficients
|
|
04 : Confondants et modificateurs d'effet
(28 janvier 2025)
|
- Définition et identification des confondants et des modificateurs d'effet
- Méthodes de contrôle des confondants
- Termes d'interaction dans les modèles de régression
- Exemples d'études en épidémiologie
|
- Identifier les confondants potentiels dans le jeu de données de « Framingham Heart Study »
- Ajuster les confondants dans le modèle de régression logistique de la semaine 3
- Explorer les modificateurs d'effet et inclure des termes d'interaction dans le modèle
|
|
05 : Diagnostics de modèles
(4 février 2025)
|
- Évaluation de l'ajustement du modèle
- Analyse des résidus, des valeurs aberrantes et diagnostics d'influence
|
- Effectuer des contrôles diagnostics sur les modèles de régression logistique de la semaine 4
|
|
06 : Présentation des mini-projets et rétroactions
(11 février 2025)
|
- Temps consacré pour le mini-projet
|
- Présentation du mini-projet, en se concentrant sur l’analyse de régression logistique et la gestion des confondants et des modificateurs d’effet
- Revue par les pairs
- Discussion sur les défis communs et les solutions
|
|
07 : Extensions des modèles de régression logistiques
(18 février 2025)
|
- Régression logistique multinomiale et ordinale pour les résultats multicatégoriels
- Interprétation des coefficients dans les modèles de régression logistique multinomiale et ordinale
|
- Appliquer la régression logistique aux différents niveaux d'hypertension dans le jeu de données de « Framingham Heart Study »
- Interpréter les résultats du modèle.
|
|
08 : Modèles linéaires généralisés (GLM)
(25 février 2025)
|
- Fonctions de lien et applications de GLM
- Types courants de GLM en biostatistique et en épidémiologie
- Ajustement de GLM en utilisant R
|
- Ajuster un modèle de régression de Poisson aux données de comptage, par ex. nombre d'angines de poitrine ou d'infarctus du myocarde dans le jeu de données de « Framingham Heart Study »
- Interpréter les résultats du modèle
|
|
09 : Analyse de survie et Régression de Cox
(11 mars 2025)
|
- Principes de l'analyse de suivie et applications en recherche médicale
- Estimation de Kaplan-Meier et courbes de survie
- Modèle des hasards proportionnels de Cox
|
- Ajuster un modèle des hasards proportionnels de Cox pour étudier le temps jusqu'à un événement cardiovasculaire dans le jeu de données de « Framingham Heart Study »
- Interpréter les résultats du modèle
|
|
10 : Modèle à effets mixtes
(18 mars 2025)
|
- Intercepte aléatoire et pentes aléatoires
- Ajustement des modèles à effets mixtes en utilisant R
- Interprétation des coefficients du modèle à effets mixtes
- Applications dans l'analyse de données longitudinales
|
- Ajuster un modèle à effets mixtes aux données longitudinales du jeu de données de « Framingham Heart Study » en prédisant un résultat binaire d'AVC tout en tenant compte des mesures répétées de la pression artérielle systolique
- Interpréter les coefficients du modèle
|
|
11 : Régression Ridge et Lasso
(25 mars 2025)
|
- Données à haute dimension
- Techniques de régularisation et formulation mathématique de la régression Ridge et Lasso
- Implémentation et interpétation la régression Ridge et Lasso en R
|
- Appliquer la régression Ride et Lasso au jeu de données de « Framingham Heart Study » à haute dimension, sur le modèle développé en semaine 10
- Comparer les résultats et discuter des avantages de la régularisation
|
|
12 : Travaux pratiques
(1er avril 2025)
|
- Temps alloué pour le travail sur le projet final et les consultations
|
- Travail sur le projet final, en appliquant les techniques de régression apprises tout au long du cours à un jeu de données externe autre que l'étude présentée dans le cours
|
|
13 : Présentations du projet final et rétroaction
(8 avril 2025)
|
- Réflexion sur les apprentissages du cours et les orientations futures
|
- Présentation du projet final, en se concentrant sur l'application des techniques de régression avancées
- Revue par les pairs
- Discussion sur les méthodologies et les résultats
|