Stimuler la réflexion, s’ouvrir à de nouvelles perspectives, suivre l’actualité des recherches, des pratiques et des initiatives en santé publique, débattre: autant de fonctions remplies par les colloques du Département épidémiologie et systèmes de santé (DESS). Lors de chaque session, des spécialistes d’horizons divers viennent présenter l’état de leurs recherches, leurs expériences ou leurs projets.
Ces colloques, ouverts au public, s’adressent à un large public de professionnelles et professionnels de la santé. Ils sont recommandés par la Société suisse des spécialistes en prévention et santé publique (SPHD) pour la reconnaissance de la formation continue.
Dans l’approche classique d’un essai clinique randomisé, l’investigateur compare un groupe d’exposés à un groupe de non-exposés au moyen typiquement de moyennes ou de proportions. Parfois, quand il anticipe un effet hétérogène, il peut procéder à une randomisation stratifiée afin d’estimer un effet moyen propre à chaque strate.
Cette approche est cependant limitée au maximum à 1 ou 2 facteurs de stratification et n’est pas du tout adaptée à la situation où de multiples caractéristiques des individus induisent un effet hétérogène de l’exposition.
D’autre part, du fait de leur grande souplesse dans la modélisation, les méthodes de «machine learning» ont été adoptées dans les études observationnelles causales pour estimer de façon flexible l’hétérogénéité de l’effet d’une intervention.
Ce n’est qu’assez récemment que ces méthodes ont aussi été adoptées dans les essais cliniques randomisés. L’objectif de cette présentation est d’illustrer l’intérêt de ces méthodes de «machine learning» aussi bien dans les études observationnelles causales que dans les essais randomisés.
Le Dr Patrick Taffé est Privat Docent à Unisanté, dans la division des Méthodes Quantitatives.
Il est titulaire d’une Thèse en Econométrie et Statistique de l’Université de Genève.
Pour participer à distance, cliquez sur Rejoindre la réunion.
