logo IMB
Retour

Séminaire Optimisation Mathématique Modèle Aléatoire et Statistique

Modèles de mélange conjoints pour données longitudinales et temps d'évènement : Application à l'étude du déclin cognitif et de la démence.

Anaïs Rouanet, University of Cambridge

Salle de Conférences

le 26 mars 2018 à 13:00

Les modèles conjoints permettent d'explorer l'association entre un marqueur longitudinal et un temps d'évènement. Dans les études sur le vieillissement cognitif, il est également important de tenir compte du risque compétitif de décès car la démence et le décès ont des facteurs de risque communs. De plus, le temps de démence est censuré par intervalle dans les études de cohortes, le diagnostic ne pouvant être posé que lors des visites médicales prévues. Les sujets avec démence peuvent alors décéder avant la visite suivant l'apparition de la démence, sans être diagnostiqués. Par ailleurs, les modèles de mélange permettent de capturer l'hétérogénéité du déclin cognitif au sein de la population, identifiant des sous-groupes d'individus ayant des caractéristiques communes, appelés classes latentes. J'ai proposé une extension des modèles conjoints à classes latentes pour données longitudinales et temps d'évènement, traitant la censure par intervalle et les risques compétitifs simultanément. Ce modèle permet d'identifier des profils d'évolution cognitives associés à des risques de démence et décès spécifiques. Cependant, le nombre de classes latentes doit être fixé a priori et est optimisé via un critère non consensuel. L'extension des modèles de mélange conjoints au cadre bayésien apporte une flexibilité de modélisation et permet notamment d'estimer directement le nombre de classes. Ce genre de modèles peut aider à la compréhension de maladies chroniques ou servir au développement d'outils pronostiques.