Après avoir suivi ces cours, je me sens confiant dans la création de visualisations et de tableaux de bord professionnels.
Shoebur RahmanSpécialiste des marchés publics, Giz Bangladesh
Description du cours
Combien de temps faut-il pour que les symptômes de la grippe apparaissent après l’exposition ? Et si vous ne savez pas quand les personnes ont été infectées ? Le salaire et l’équilibre vie pro/vie perso influencent-ils la vitesse du turnover ? De nombreux problèmes concrets nécessitent l’analyse de survie pour estimer de manière robuste le temps jusqu’à un événement et en tirer des enseignements à partir des distributions de temps avant événement. Ce cours vous présente les concepts de base de l’analyse de survie. À travers des exercices pratiques, vous apprendrez à calculer, visualiser, interpréter et comparer des courbes de survie à l’aide des modèles de Kaplan-Meier, Weibull et Cox PH. À la fin du cours, vous saurez modéliser des distributions de survie, produire de jolis graphiques de courbes de survie et même prédire des durées de survie.
Prérequis
Programme de formation
Plan du cours
1
Introduction à l’analyse de survie
À quels problèmes l’analyse de survie répond-elle, et qu’est-ce que la censure ? Vous répondrez à ces questions en explorant des données d’analyse de survie, en construisant des courbes de survie et en réalisant des estimations simples du temps de survie.
- Qu’est-ce que l’analyse de survie ?50 XP
- Quels problèmes l’analyse de survie permet-elle de résoudre ?100 XP
- Choisir les bonnes données pour l’analyse de survie50 XP
- Pourquoi utiliser l’analyse de survie ?50 XP
- Identifier le type de censure50 XP
- Prétraiter des données censurées100 XP
- Première exploration de données censurées100 XP
- Votre première courbe de survie !50 XP
- Tracer une courbe de survie100 XP
- Vive la démocratie !100 XP
2
Estimation des courbes de survie
Dans ce chapitre, vous découvrirez le fonctionnement du modèle de Kaplan-Meier et apprendrez à l’ajuster, le visualiser et l’interpréter. Vous appliquerez ensuite ce modèle pour étudier l’effet de variables catégorielles sur la survie et verrez comment compléter votre analyse à l’aide de tests d’hypothèse comme le test du log-rank.
3
Le modèle de Weibull
Découvrez comment modéliser des données de temps avant événement avec des modèles paramétriques. Apprenez à utiliser le modèle de Weibull et le modèle Weibull AFT, ainsi que leurs finalités respectives. Utilisez la régression de survie pour tirer des conclusions sur l’effet des covariables sur la fonction de survie et apprenez à sélectionner le meilleur modèle de survie pour vos données.
4
Le modèle de Cox PH
Un nouveau chapitre, un nouveau modèle ! Dans ce dernier chapitre, vous apprendrez l’hypothèse de risques proportionnels et son rôle dans l’ajustement et l’interprétation du modèle de Cox à risques proportionnels. Vous verrez aussi comment prédire les temps de survie de nouveaux sujets à l’aide du modèle de Cox à risques proportionnels.
Analyse de survie en Python
Cours
terminé
