Erik-André Sauleau
fonctions
|
 |
Le Laboratoire de Biostatistique et Informatique Médicale (LBIM)
Le LBIM est un service de la Faculté de Médecine. Il assure des missions d’enseignement et de recherche dans le domaine de l’analyse des données de santé. Ses enseignements sont destinés essentiellement aux étudiants en médecine, aux étudiants des écoles paramédicales et aux étudiants inscrits des cursus dans lesquels ces analyses sont nécessaires (masters de santé publique par exemple).
Dans le domaine de la recherche, l’essentiel des travaux du LBIM est structuré autour de l’utilisation de l’inférence bayésienne, autour des méthodes propres à la recherche clinique (nouveaux schémas d’étude, analyses statistiques spécifiques, ...) et des analyses spatiales. L’équipe s’est également intéressé jusqu’à récemment à la théorie, l’implémentation logicielle et l’application des méthodes PLS en médecine, notamment dans le cadre de l’allélotypage.
Description de mes activités de recherche
Mes principaux thèmes de recherche ont trait à l'inférence bayésienne et concernent:
- L'inférence Bayésienne dans ses aspects épistémologiques, historiques et méthodologiques. Les modèles développés sont appliqués sur différents types de données de santé.
- Les modèles géographiques et spatiaux pour les données de santé
Inférence bayésienne et recherche clinique
La recherche clinique s’appuie depuis maintenant plus de 50 ans sur les statistique pour valider les résultats des expérimentations menées tant dans le domaine de la physiopathologie que des essais thérapeutiques ou encore de l’épidémiologie. Ces analyses sont menées le plus souvent avec les méthodes dites « classiques » ou « fréquentistes ». Cependant, depuis une vingtaine d’année, grâce à l’avènement de l’informatique, les méthodes bayésiennes, historiquement les premières mais nécessitant presque systématiquement les outils informatiques, vivent une renaissance.
Dans le panel d’outils bayésien disponibles pour la planification et l’analyse des essais thérapeutiques, les techniques de calculs de nombre de sujets nécessaires et de probabilités prédictives notamment permettent de moduler finement le nombre de sujets à recruter dans une étude. La modulation des effectifs répond à la classique double contrainte contradictoire d’une minimisation des effectifs pour des raisons éthiques et logistiques et d’une maximisation de ces mêmes effectifs pour des raisons de performances statistiques. Le calcul de nombre de sujets nécessaire est une technique ancienne et relativement simple dans le cadre bayésien. Cependant, sa mise en œuvre pratique peut parfois se révéler difficile en raison des temps de calculs requis pour des modèles de complexité pourtant limitée. Une optimisation des codes informatiques de ces calculs pour un panel large de situation courante est donc un objectif pragmatique important. Les probabilités prédictives constituent un outil également naturel dans le concept bayésien mais qui se heurtent là aussi assez rapidement à des difficultés calculatoires. Par ailleurs, cet outil de développement récent n’a pas encore fait la preuve de sa maniabilité dans les différentes formes d’essais thérapeutiques, ni même de son utilité générale. L’évaluation de ces performances requiert des simulations et donc là aussi, dans un premier temps, une optimisation des codes. Un des objectifs est donc d’étudier le comportement des probabilités prédictives dans des situations courantes, tels que les essais de phases III sur critères de jugement qualitatifs et sur critères quantitatifs, sur critères de survie, pour des plans expérimentaux en parallèle ou en chassé-croisé ou encore dans des plans expérimentaux de type adaptatifs.
Inférence bayésienne et analyses spatiales
Le repérage spatial, voire même spatiotemporel, des données de santé est de plus en plus fréquent. Il en va de même des questions sur les liens pouvant exister entre l’exposition à certains facteurs de risque et la survenue d’événements de santé. Les données selon leur échelle spatiale de recueil sont dites « continues » (localisation spatiale à type de coordonnées ponctuelles) ou « agrégées » (localisation spatiale par rattachement à une unité géographique), mais la plupart des études mélangent différents types de données (continues et agrégées à différentes échelles). La quasitotalité des modèles spatiaux peut être intégrée dans le cadre général des modèles additifs généralisés avec une composante spatiale, cas particulier des « Structured Additive Regressions » ou modèles StAR.
Ce sous-thème a donné lieu entre 2011 et 2016 à la publication de 5 articles dans des revues internationales à comité de lecture, d’un chapitre d’ouvrage et de plusieurs communications orales. Les données ayant servi de base au déploiement des modèles étaient des données de cancérologie (interaction spatiotemporelle et allocation de ressources, cancer colorectal), de recrutement hospitalier (utilisation de la méthode INLA), de santé mentale, de neurologie (sclérose en plaques). Enfin, un article plus pédagogique expose des critères de choix des modèles bayésiens.
Publications
<anyweb>http://icube-publis.unistra.fr/?author=sauleau&allaut=or&title=&team=&platform=&national=&project=&tagmed=&year1=&year2=&=#hideMenu</anyweb>