Logo du offre.groupe

Formation - BIOSTATISTIQUE « DES STATISTIQUES FRÉQUENTISTES AUX STATISTIQUES BAYESIENNES » - Strasbourg - Bas-Rhin

Profession
Interne en médecine
Formation
Offre de formation
Horaires
Temps plein et temps partiel
Département/Région
Bas-Rhin / Grand Est

Publié par M. backoffice rps - UFR de Médecine Toulouse (Haute-Garonne) le 1619342319

Formation - BIOSTATISTIQUE « DES STATISTIQUES FRÉQUENTISTES AUX STATISTIQUES BAYESIENNES » - Strasbourg - Bas-Rhin

  BIOSTATISTIQUE « DES STATISTIQUES FRÉQUENTISTES AUX STATISTIQUES BAYESIENNES » (Diplôme d’Université des) ANNEE 2020/2021

• Objectifs : Les objectifs de cette formation sont d’apporter à l’étudiant des compétences statistiques à jour, c’est-à-dire que l’étudiant devra être capable de lire, comprendre et discuter un article scientifique récent utilisant inférence fréquentiste ou bayésienne, de montrer son autonomie dans l’interprétation de données et dans la rédaction des sections « méthode » et « résultats » d’un article ainsi que dans la rédaction d’un rapport d’analyse.

•L’objectif principal est décliné en objectifs spécifiques :
1. Elicitation des lois a priori
a. Connaitre les règles générales de l’élicitation
b. Connaitre les lois de distribution essentielles utilisables comme prior (densité, paramètres, propriétés)
c. Savoir choisir les hyperparamètres d’une loi a priori
d. Connaitre les sources d’information utilisation pour l’élicitation (littérature, experts,…)
e. Juger de l’informativité d’un prior
f. Mener une analyse de sensibilité et en interpréter les résultats
2. Modèles de vraisemblance
a. Savoir choisir un modèle de vraisemblance en fonction des données
3. Conduite à tenir a posteriori
a. Maitriser les fondements théoriques du passage des lois a priori aux lois a posteriori
b. Connaitre les méthodes analytiques (situation conjuguée) d’extraction des lois a posteriori et les méthodes par simulation et/ou approximation (McMC)
c. Maitriser la méthode de fonctionnement des McMC (nombre d’itéraction, burn-in, thinning,…)
d. Savoir poser un diagnostic de convergence probable des algorithmes
e. Connaitre la conduite à tenir en cas de non convergence des algorithmes
4. Présentation des résultats
a. Savoir choisir des modèles graphiques et descriptifs des données
b. Savoir présenter et discuter des résultats d’inférence (tendance centrale, étendue de distribution,…)
c. Savoir présenter et discuter des résultats de convergence des algorithmes
5. Autres considérations méthodologiques
a. Savoir mettre en évidence les données manquantes, en discuter les mécanismes de survenue et choisir une méthode éventuelle de traitement
b. Connaitre les schémas des études épidémiologiques et de recherche clinique et adapter les méthodes d’analyse en conséquence
c. Maitriser un calcul de nombre nécessaire de sujets
• Durée : 1 an Nombre de places : 20 (minimum :10)
• Droits à payer :
 Si inscription unique à ce seul diplôme ou comme 1er DU (si plusieurs DU)
En 1ère année : droits administratifs (243 €) + droits pédagogiques (500 € ou 1000 € ou 200 €*)
 Si inscription seconde : comme 2ème ou énième DU (car plusieurs DU)
En 1ère année : droits administratifs réduits (159 €) + droits pédagogiques (500 € ou 1000 € ou 200 €*)
Droits administratifs – droits pédagogiques :
- Formation initiale : 500€
- Formation continue : 1000€
- Réinscription : 200€
• Enseignant responsable :
Pr. Erik-André SAULEAU
Laboratoire de Biostatistique – Faculté de Médecine – 4 rue Kirschleger – F-67085 STRASBOURG
 03 68 85 39 51 Mèl : [email protected]

• Public concerné :
Médecin ou non médecin, ayant déjà suivi une formation initiale de base à la statistique et/ou biostatistique (application de la statistique aux données issues des sciences de la vie) :
 Internes en médecine
 Etudiants en 2ème Cycle des études médicales
 Médecins cliniciens, Spécialistes de recherche clinique (ARC,…), Statisticiens de l’industrie pharmaceutique,…
Les inscriptions se feront soit au titre de la Formation Initiale, soit au titre de la Formation Continue.
Sans qu’il y ait d’examen probatoire, l’étudiant sera invité à vérifier qu’il a atteint un niveau minimal requis au moyen d’un auto-questionnaire à remplir et valider sur internet. Des conseils d’ouvrages statistiques pourront l’aider le cas échéant à se hisser à ce niveau. Un entretien avec l’enseignant responsable du DU finalisera l’acceptation ou non du candidat.
• Cours et programme :
Le DU se déroule sur une année universitaire, sans stage. Un volume total de 100 heures sera dispensé sous la forme de 60 heures de cours magistraux et de 40 heures de TD..
En plus des 100 heures de présence, l’étudiant aura à assurer des travaux personnels (éventuellement en groupe) pour chaque TD ainsi que la rédaction d’un rapport pour la validation finale du DU.
Les enseignements se répartissent en 60 heures de cours magistraux et 40 heures de TD dont les intitulés sont les suivants :
Chapitres des CM (total de 60 heures)
1 Principal général et probabilités 12h
2 Lois de distribution 8h
3 Statistiques descriptives et inférence (posterior explicite) 4h
4 Techniques 8h
5 Modélisation 12h
6 Adéquation des modèles 4h
7 Données manquantes, données aberrantes 8h
8 Epistémologie bayésienne et conclusion 4h
___________________________________________________________________________
TD (total de 40 heures)
TD 0: rédaction scientifique et lecture critique d’articles 6h
TD A: introduction au logiciel R 6h
TD B: introduction à WinBUGS et interface avec R 8h
TD C: Statistiques descriptives et inférence (McMC) 6h
TD D: équivalent de modèles mixtes 8h
TD E: Essai thérapeutique 6h
_______________________________________________________________________
• Examens :
L’obtention du DU est conditionné à la présence à toutes les heures de cours et de TD ainsi qu’à l’obtention ;
- de la moyenne à une épreuve de rédaction d’un rapport d’étude finale et
- de la moyenne à la rédaction des rapports d’étude portant sur chaque TD.
L’étudiant n’ayant pas la moyenne au rapport final pourrait le représenter l’année suivante sans devoir assister aux cours ni TD.
 Par rapport à l’objectif principal, les compétences professionnelles attendues, en termes de « savoir faire » sont les suivantes :
o Maitriser des deux logiciels pour l’ensemble des analyses (logiciel bayésien : WinBUGS, logiciel plus généraliste : R Core Team)
o Savoir manipuler un jeu de données (nettoyage, recherche de données manquantes, descriptif,…)
o Savoir mener une analyse inférentielle simple (descriptif et univarié)
o Savoir décider d’un modèle adéquat compte tenu de la question initiale et du contexte, savoir l’implémenter et l’utiliser
o Maitriser la rédaction d’un rapport détaillé d’analyse
o Savoir rédiger les sections « méthode » et « résultats » d’un article scientifique
 Evaluation du DU
Un questionnaire anonyme sera remis à chaque étudiant à la fin de chaque journée d’enseignement ainsi qu’un questionnaire final, concernant l’ensemble du DU. Pour chaque cours, l’étudiant se prononcera (« correct » ou « à améliorer ») sur différents aspects : réponse aux objectifs du DU, réponse aux attentes de l’étudiant (en précisant quelles étaient ces attentes), qualités pédagogiques de l’intervenant (sur chacun des cours).

 En fonction de l'évolution de la situation sanitaire, les modalités d'enseignement sont susceptibles d'être modifiées

Lien fichier