Les études multifactorielles 149
en incluant, parmi les autres covariables, la transplantation. Si celle-ci
était retenue par le modèle dans l’analyse multi factorielle, il serait possible de la considérer comme liée à la survie. Le problème est qu’après
l’inclusion dans l’étude, des malades peuvent avoir une transplantation
dans des délais qui varient beaucoup d’un patient l’autre, notamment
pour des raisons de disponibilité de greffons, de biocompatibilité, etc.
Apprécier les covariables seulement au moment de la transplantation
elle-même risque d’introduire des biais. Par exemple, des malades
à risque élevé vont mourir avant de pouvoir être transplantés. Inversement, si un malade attend deux ans sa transplantation, ce délai ne
saurait être mis à l’actif de la transplantation. La meilleure façon de
répondre à la question posée est donc de prendre comme date d’origine
la date à laquelle l’indication de la transplantation est posée et de tenir
compte ensuite de covariables dépendantes du temps comme le délai
entre l’indication de la transplantation et sa réalisation.
L’analyse discriminante
L’analyse discriminante est une forme d’analyse multifactorielle
dont l’objectif diffère des méthodes précédentes. Comme son nom le
suggère, elle a pour but, au sein d’une population, de chercher à discriminer le mieux possible, à l’aide de covariables, deux sous-groupes A
et B que différencient la survenue ou l’absence de survenue de la
variable que l’on cherche à expliquer.
Si ces deux sous-groupes sont représentés par le contenu d’une ellipse,
il est possible de mesurer la distance qui sépare les deux centres de ces
deux ellipses (fig. 3). Plus cette distance D et son carré D², dénommé
coefficient de Mahalanobis [5] sont importants, mieux la combinaison
des covariables expliquantes discrimine les deux sous-groupes.
Fig. 3 – Schéma du principe de l’analyse discriminante. Plus la distance D (ou
son carré D², appelé coefficient de Mahalanobis) est importante, mieux le
modèle discrimine les deux sous-groupes, dans cet exemple, de patients décédés et survivants à un mois. Il est possible de calculer, pour une valeur donnée
de D², la sensibilité, la spécificité et les valeurs prédictives du modèle.
en incluant, parmi les autres covariables, la transplantation. Si celle-ci
était retenue par le modèle dans l’analyse multi factorielle, il serait possible de la considérer comme liée à la survie. Le problème est qu’après
l’inclusion dans l’étude, des malades peuvent avoir une transplantation
dans des délais qui varient beaucoup d’un patient l’autre, notamment
pour des raisons de disponibilité de greffons, de biocompatibilité, etc.
Apprécier les covariables seulement au moment de la transplantation
elle-même risque d’introduire des biais. Par exemple, des malades
à risque élevé vont mourir avant de pouvoir être transplantés. Inversement, si un malade attend deux ans sa transplantation, ce délai ne
saurait être mis à l’actif de la transplantation. La meilleure façon de
répondre à la question posée est donc de prendre comme date d’origine
la date à laquelle l’indication de la transplantation est posée et de tenir
compte ensuite de covariables dépendantes du temps comme le délai
entre l’indication de la transplantation et sa réalisation.
L’analyse discriminante
L’analyse discriminante est une forme d’analyse multifactorielle
dont l’objectif diffère des méthodes précédentes. Comme son nom le
suggère, elle a pour but, au sein d’une population, de chercher à discriminer le mieux possible, à l’aide de covariables, deux sous-groupes A
et B que différencient la survenue ou l’absence de survenue de la
variable que l’on cherche à expliquer.
Si ces deux sous-groupes sont représentés par le contenu d’une ellipse,
il est possible de mesurer la distance qui sépare les deux centres de ces
deux ellipses (fig. 3). Plus cette distance D et son carré D², dénommé
coefficient de Mahalanobis [5] sont importants, mieux la combinaison
des covariables expliquantes discrimine les deux sous-groupes.
Fig. 3 – Schéma du principe de l’analyse discriminante. Plus la distance D (ou
son carré D², appelé coefficient de Mahalanobis) est importante, mieux le
modèle discrimine les deux sous-groupes, dans cet exemple, de patients décédés et survivants à un mois. Il est possible de calculer, pour une valeur donnée
de D², la sensibilité, la spécificité et les valeurs prédictives du modèle.