Accueil > Formations > Formation “Analyse de données cliniques avec R” – niveau avancé

Formation “Analyse de données cliniques avec R” – niveau avancé

Dans le cadre de ses missions, le Cancéropôle Île-de-France organise une formation en statistique dédiée à l’analyse de données cliniques avec le logiciel R Studio. 

Objectifs : analyse de données cliniques avec le logiciel R Studio, niveau avancé.

Public concerné : chercheurs en recherche fondamentale, translationnelle ou clinique académiques FRANCILIENS impliqués dans un ou plusieurs projets de recherche clinique ou médicale en cancérologie.

 

Prochaine session à venir

Inscriptions en ligne gratuites mais obligatoire (à venir). Nombre de places limité !

La participation à la formation complète (2 jours) est obligatoire. Une convention de formation devra être signée par votre organisme d’appartenance avant votre participation à la formation. Les frais de formation sont pris en charge par le Cancéropôle IDF.

La formation

Cette formation concerne l’analyse de données cliniques et médicales uniquement, l’analyse de données NGS avec R Studio sera abordée lors des formations NGS & Cancer “Analyses DNA-Seq”, “Analyses RNA-Seq” et “Analyses épigénomique”.

Formation de niveau avancé.

Pré-requis : Avoir suivi la formation de perfectionnement au logiciel R ou niveau équivalent validé par test, connaissances en Rstudio, probabilités élémentaires, statistiques de base, modalités de recueil des données cliniques et épidémiologiques, analyse de variance à un et deux facteurs et régression linéaire simple

 

Objectifs

Maîtriser:

  • les procédures en R relatives au modèle linéaire et à ses extensions
  • l’analyse de données de survie et corrélées
  • les procédures de comparaison et validation de modèles

Les illustrations seront réalisées avec le logiciel R Studio. Les participants pourront travailler sur leurs données.

 

Programme

  • Rappels sur l’analyse de variance et la régression linéaire

 

  • Applications du modèle linéaire gaussien : régression polynômiale, analyse de covariance

 

  • Modèle linéaire généralisé : régression logistique et régression de Poisson

 

  • Interprétation des coefficients de régression pour le modèle linéaire gaussien et généralisé

 

  • Procédures de diagnostic des modèles linéaires gaussiens et généralisés

 

  • Approches robustes pour la régression : M-estimateurs, pénalisation Lasso, régression ridge

 

  • Calibration et validation d’un modèle pronostique (régression linéaire simple et multiple, régression logistique), sélection de modèles (validation croisée, évaluation de la performance d’un modèle pour la prédiction ou la classification, sélection de variables)

 

  • Analyse des données corrélées (ANOVA à mesures répétées, modèle linéaire à effets mixtes, équations généralisées)

 

  • Analyse des données de survie : courbe de Kaplan-Meier, test du log-rank et modèle de Cox
© Cancéropôle Ile de France 2016