242 Biostatistiques pour le clinicien
Dans le même état d’esprit, un troisième intérêt des études pronostiques est de contribuer aux évaluations thérapeutiques par les
essais randomisés. En effet, la connaissance d’un facteur de pronostic déterminant doit amener à réaliser une stratification sur ce facteur
pronostique.
Enfin, la connaissance des facteurs pronostiques permet de réduire le
nombre d’examens complémentaires qui peuvent être réalisés dans
un but pronostique en ne prescrivant que ceux qui apportent une
information pertinente et non redondante avec celle d’autres examens.
Tableau I – Différents intérêts de l’évaluation d’un pronostic.
1. La prédiction individuelle chez un malade et la connaissance de l’évolution d’une
maladie.
2. L’adaptation d’un traitement à la gravité d’une maladie.
3. Dans l’élaboration du protocole d’un essai thérapeutique randomisé, la mise en
œuvre éventuelle d’une stratification.
4. La limitation de la prescription d’examens complémentaires à visée pronostique à
ceux qui sont nécessaires et suffisants.
L’évaluation d’un pronostic consiste à apprécier l’association entre,
d’une part, un ou des facteurs susceptibles d’avoir un lien avec ce
pronostic et appelés variables expliquantes ou covariables et, d’autre
part, celui qui est appelé variable expliquée ou variable dépendante.
Les variables expliquantes peuvent être des caractéristiques du sujet
(âge, sexe, etc.) ou des facteurs de comorbidité (obésité, diabète, cardiopathie, etc.), mais surtout des facteurs présumés être liés à la gravité de la maladie. Les variables expliquées sont souvent des variables
quantitatives ( survie à un mois après le début de la maladie), mais
plus souvent encore ce sont des données censurées (survie, apparition
d’une récidive, etc.).
Dans toutes ces évaluations, la qualité d’un travail se juge d’abord sur
la précision avec laquelle toutes ces variables ont été définies en privilégiant les critères objectifs d’appréciation sur les critères subjectifs.
Pour réaliser ces évaluations, les outils statistiques privilégiés sont
les analyses unifactorielles, première étape des analyses multifactorielles, c’est-à-dire selon la nature des variables étudiées, la régression multiple, la régression logistique, le modèle de Cox et l’analyse
discriminante (voir la deuxième partie de cet ouvrage).
Les analyses multifactorielles permettent de comprendre, au moins en
partie, les liens qui existent entre des covariables et une variable expliquée. À partir de ces données, elles permettent de faire une prédiction.
Pour ce faire, il convient d’abord d’affecter à chaque covariable un
coefficient calculé à partir du logarithme de l’écart- type du logarithme
Dans le même état d’esprit, un troisième intérêt des études pronostiques est de contribuer aux évaluations thérapeutiques par les
essais randomisés. En effet, la connaissance d’un facteur de pronostic déterminant doit amener à réaliser une stratification sur ce facteur
pronostique.
Enfin, la connaissance des facteurs pronostiques permet de réduire le
nombre d’examens complémentaires qui peuvent être réalisés dans
un but pronostique en ne prescrivant que ceux qui apportent une
information pertinente et non redondante avec celle d’autres examens.
Tableau I – Différents intérêts de l’évaluation d’un pronostic.
1. La prédiction individuelle chez un malade et la connaissance de l’évolution d’une
maladie.
2. L’adaptation d’un traitement à la gravité d’une maladie.
3. Dans l’élaboration du protocole d’un essai thérapeutique randomisé, la mise en
œuvre éventuelle d’une stratification.
4. La limitation de la prescription d’examens complémentaires à visée pronostique à
ceux qui sont nécessaires et suffisants.
L’évaluation d’un pronostic consiste à apprécier l’association entre,
d’une part, un ou des facteurs susceptibles d’avoir un lien avec ce
pronostic et appelés variables expliquantes ou covariables et, d’autre
part, celui qui est appelé variable expliquée ou variable dépendante.
Les variables expliquantes peuvent être des caractéristiques du sujet
(âge, sexe, etc.) ou des facteurs de comorbidité (obésité, diabète, cardiopathie, etc.), mais surtout des facteurs présumés être liés à la gravité de la maladie. Les variables expliquées sont souvent des variables
quantitatives ( survie à un mois après le début de la maladie), mais
plus souvent encore ce sont des données censurées (survie, apparition
d’une récidive, etc.).
Dans toutes ces évaluations, la qualité d’un travail se juge d’abord sur
la précision avec laquelle toutes ces variables ont été définies en privilégiant les critères objectifs d’appréciation sur les critères subjectifs.
Pour réaliser ces évaluations, les outils statistiques privilégiés sont
les analyses unifactorielles, première étape des analyses multifactorielles, c’est-à-dire selon la nature des variables étudiées, la régression multiple, la régression logistique, le modèle de Cox et l’analyse
discriminante (voir la deuxième partie de cet ouvrage).
Les analyses multifactorielles permettent de comprendre, au moins en
partie, les liens qui existent entre des covariables et une variable expliquée. À partir de ces données, elles permettent de faire une prédiction.
Pour ce faire, il convient d’abord d’affecter à chaque covariable un
coefficient calculé à partir du logarithme de l’écart- type du logarithme