Thèse soutenue

Evaluation statistique des outils diagnostiques et pronostiques à l'aide des surfaces ROC
FR  |  
EN
Accès à la thèse
Auteur / Autrice : Arnaud Davin Nze Ossima
Direction : Jean-Pierre Daurès
Type : Thèse de doctorat
Discipline(s) : Biostatistique
Date : Soutenance le 03/07/2014
Etablissement(s) : Montpellier 1
Ecole(s) doctorale(s) : Information, Structures, Systèmes (Montpellier ; École Doctorale ; 2009-2014)
Partenaire(s) de recherche : Laboratoire : Aide à la Décision pour une Médecine Personnalisée
Jury : Président / Présidente : Paul Landais
Examinateurs / Examinatrices : Paul Landais, Jean-Pierre Daurès, Christophe Combescure
Rapporteurs / Rapporteuses : Catherine Quantin, Yohann Foucher

Mots clés

FR  |  
EN

Mots clés contrôlés

Résumé

FR  |  
EN

Dans le diagnostic médical, la surface ROC est l'outil statistique utilisée pour évaluer la précision d'un test diagnostic dans la discrimination de trois états d'une maladie, et le volume sous la surface ROC est l'indice utilisé pour la quantification de la performance du test. Dans certaines situations, différents facteurs peuvent affecter les résultats du test et ainsi les mesures de précision. Dans le cas des études longitudinales, le statut du patient peut changer au cours du temps. Dans ce manuscrit, nous avons développé des méthodes statistiques permettant d'évaluer les capacités discriminatoires des outils diagnostics et pronostics. Nous avons d'abord proposé une méthode semi-paramétrique pour estimer la surface ROC sous des modèles de rapport de densité. La construction de la méthode proposée est basée sur le modèle logit à catégories adjacentes et l'approche de vraisemblance empirique. Nous avons décrit la méthode bootstrap pour l'inférence des estimateurs obtenus. Ensuite, nous avons présenté une méthode d'estimation des surfaces ROC appelée famille de Lehmann des surfaces ROC. Cette méthode est basée sur la famille d'alternatives de Lehmann ou modèle à hasards proportionnels. Elle a l'avantage de prendre en compte les covariables qui peuvent affecter la précision d'un test diagnostic. En outre, nous avons développé une surface ROC covariable-spécifique basée sur la règle de Bayes. Pour cela, nous avons proposé un estimateur semi-paramétrique pour les surfaces ROC covariable-spécifique via des procédures de régression logistique polytomique et un modèle semi-paramétrique de localisation. Enfin, dans le cas où le statut du patient peut évoluer à travers différents stades d'une maladie, une méthode des surfaces ROC dépendant du temps a été développée. L'estimateur obtenu utilise l'approche "Inverse Probability of Censoring Weighting" (IPCW). Des simulations et des exemples sont fournis afin d'illustrer la performance des estimateurs proposés.