Cours de statistique sanitaire

Leçon 1 • Principes éthiques en matière de données de santé

Présente les obligations de confidentialité, de consentement éclairé et de gouvernance des données dans la recherche en santé. La conformité éthique est une condition préalable à une pratique statistique responsable.

Leçon 2 • Concepts fondamentaux et terminologie

Définit les statistiques de la santé, sa portée et le vocabulaire clé utilisé dans tout le domaine. Établit le langage commun nécessaire à tout travail analytique subséquent.

Leçon 3 • Types de données de santé

Fait la distinction entre les types de données catégorielles, ordinales et continues courants dans les contextes de santé. Une classification correcte des données oriente le choix de la méthode analytique appropriée.

Leçon 4 • Échelles de mesure et niveaux

Couvre les échelles nominale, ordinale, d'intervalle et de rapport avec des exemples en santé. Le niveau de l'échelle détermine les opérations statistiques permises sur les données recueillies.

Leçon 1 • Visualisation des données en santé

Choisit et construit des histogrammes, des boîtes à moustaches, des diagrammes à barres et des nuages de points pour les données de santé. Une visualisation efficace accélère la reconnaissance des tendances et la communication avec les parties prenantes.

Leçon 2 • Distributions de fréquences et tableaux

Construit des tableaux de fréquences absolues, relatives et cumulées pour les variables de santé. Les résumés tabulaires sont la première étape de l'exploration de tout ensemble de données de santé.

Leçon 3 • Description des distributions et de la forme

Évalue l'asymétrie, l'aplatissement et la normalité des distributions de données de santé. La forme de la distribution détermine les méthodes inférentielles valides dans les analyses ultérieures.

Leçon 4 • Mesures de tendance centrale

Calcule la moyenne, la médiane et le mode pour les données de santé et sélectionne la mesure appropriée selon la forme de la distribution. Les mesures de tendance centrale ancrent toutes les analyses comparatives en santé.

Leçon 1 • Taux de mortalité et de survie

Calcule les taux bruts, les taux spécifiques par cause et les taux de létalité, ainsi que les mesures de survie de base. Les taux de mortalité sont des indicateurs primaires de l'état de santé de la population.

Leçon 2 • Rapports, proportions et pourcentages

Fait la distinction entre les rapports, les proportions et les pourcentages et les applique correctement aux données de santé. Ces mesures fondamentales sous-tendent toutes les mesures de fréquence des maladies.

Leçon 3 • Mesures de fécondité et de natalité

Calcule le taux brut de natalité, le taux de fécondité générale et l'indice synthétique de fécondité à partir des statistiques de l'état civil. Les mesures de natalité complètent les données de mortalité dans la description de la dynamique démographique.

Leçon 4 • Mesures d'incidence et de prévalence

Définit et calcule le taux d'incidence, l'incidence cumulée et la prévalence pour les affections de santé. Ces mesures quantifient le fardeau de la maladie et éclairent les décisions d'allocation des ressources.

Leçon 1 • La distribution normale

Décrit les propriétés de la distribution normale et utilise les scores z pour calculer les probabilités liées à la santé. Les hypothèses de normalité sous-tendent de nombreux tests statistiques paramétriques.

Leçon 2 • Fondements de la probabilité

Couvre la probabilité classique, empirique et subjective avec des applications en santé. Les concepts de probabilité sous-tendent toutes les statistiques inférentielles et la communication des risques.

Leçon 3 • Théorème de Bayes en diagnostic

Applique le théorème de Bayes pour mettre à jour la probabilité d'une maladie à partir des résultats de tests. Cette section relie directement la théorie des probabilités au raisonnement diagnostique clinique.

Leçon 4 • Autres distributions clés

Présente les distributions t, du khi-deux et F comme fondements des tests inférentiels. La reconnaissance de ces distributions prépare les étudiants aux tests d'hypothèses du prochain chapitre.

Leçon 1 • Plans expérimentaux et quasi-expérimentaux

Décrit les essais contrôlés randomisés et les alternatives quasi-expérimentales pour les interventions en santé. Les plans expérimentaux fournissent les preuves les plus solides pour les allégations causales en santé.

Leçon 2 • Détermination de la taille de l'échantillon

Calcule les tailles d'échantillon requises pour les moyennes, les proportions et les études comparatives. Une taille d'échantillon adéquate garantit une puissance statistique suffisante pour détecter des différences de santé significatives.

Leçon 3 • Principes de l'échantillonnage

Explique la représentativité, les bases de sondage et les sources d'erreur d'échantillonnage. Un échantillonnage solide est la condition préalable à des résultats de recherche généralisables en santé.

Leçon 4 • Méthodes d'échantillonnage probabiliste

Couvre l'échantillonnage aléatoire simple, systématique, stratifié et par grappes avec des exemples en santé. Chaque méthode offre des compromis différents entre la précision et la faisabilité logistique.

Leçon 1 • Analyse de la variance

Applique l'ANOVA à un facteur et à deux facteurs pour comparer les résultats de santé entre plusieurs groupes. L'ANOVA étend la comparaison des moyennes aux études d'intervention en santé à groupes multiples.

Leçon 2 • Tests pour les proportions et les décomptes

Utilise les tests du khi-deux, le test exact de Fisher et les tests z pour les proportions dans les données de santé. Ces tests évaluent les associations entre les variables de santé catégorielles.

Leçon 3 • Estimation et intervalles de confiance

Construit des estimations ponctuelles et des intervalles de confiance pour les moyennes, les proportions et les taux. L'estimation par intervalle quantifie l'incertitude autour des estimations des paramètres de santé.

Leçon 4 • Tests pour les moyennes

Applique les tests t à un échantillon, à échantillons indépendants et appariés aux données de résultats de santé. Les tests de comparaison de moyennes répondent aux questions de recherche quantitative en santé les plus courantes.

Leçon 1 • Régression logistique pour les résultats binaires

Modélise des résultats de santé binaires, comme la présence d'une maladie, à l'aide de la régression logistique. La régression logistique produit des rapports de cotes essentiels pour l'analyse des risques épidémiologiques.

Leçon 2 • Régression linéaire multiple

Étend la régression à plusieurs prédicteurs pour les résultats de santé tout en contrôlant les facteurs de confusion. La régression multiple est l'outil standard pour la modélisation ajustée des résultats de santé.

Leçon 3 • Analyse de corrélation

Mesure les associations linéaires et basées sur les rangs entre des variables de santé à l'aide des coefficients de Pearson et de Spearman. La corrélation quantifie la force de la relation sans impliquer la causalité.

Leçon 4 • Régression linéaire simple

Ajuste et interprète un modèle de régression linéaire simple pour un résultat de santé continu. La régression étend la corrélation à la prédiction et quantifie l'effet d'un prédicteur.

Leçon 1 • Fondements de l'analyse de survie

Applique l'estimation de Kaplan-Meier et le test du log-rank aux données de survie (délai avant un événement). L'analyse de survie traite les observations censurées courantes dans les études cliniques et de cohorte.

Leçon 2 • Confusion et modification de l'effet

Identifie les variables confusionnelles et les modificateurs de l'effet à l'aide de l'analyse stratifiée et de l'ajustement statistique. Le contrôle de la confusion est essentiel pour une inférence causale valide dans les études en santé.

Leçon 3 • Mesures d'association et d'effet

Calcule le risque relatif, le rapport de cotes, le risque attribuable et la fraction attribuable dans la population. Ces mesures quantifient la force et l'impact sur la santé publique des associations de facteurs de risque.

Leçon 4 • Revue systématique et méta-analyse

Synthétise les preuves de multiples études en santé à l'aide d'estimations d'effet regroupées et de l'évaluation de l'hétérogénéité. La méta-analyse produit les résumés de preuves quantitatifs du plus haut niveau.