Approches pénalisées pour les analyses en sous-groupes : application en épidémiologie - TEL - Thèses en ligne Accéder directement au contenu
Thèse Année : 2020

Penalized approaches for the analyzes in subgroups : application in epidemiology

Approches pénalisées pour les analyses en sous-groupes : application en épidémiologie

Résumé

In a context where cancers and road safety are among the main causes of death in France and worldwide, seeking to study the risks and helping to provide care for patients and victims is a major public health issue. Epidemiological studies responding to these challenges require the availability of a large amount of data more and more detailed and complex. Some of statistical methods traditionally used do not fully meet the requirements imposed by the size and characteristics of these databases. The aims of this thesis is therefore to develop better adapted statistical methods, motivated by two particular applications: 1) the description of associations between injuries in road accident victims according to the type of user; and 2) the study of certain metabolites role in the development of breast cancer, according to the subtype of breast cancer.From a methodological point of view, stratified (or subgroup) analyses are our research focus. If we note K the number of subgroups, statistical inference in the context of these subgroup analyses generally amounts to the estimation of K parameter vectors, i.e. one vector per subgroup. However, homogeneity is generally expected between the true K parameter vectors. Our methods are based on fused lasso or data shared lasso penalties, and take advantage of this homogeneity to reduce the complexity of the learning task and improve the statistical performance of the estimation. In addition, they allow the identification of possible heterogeneity among the K vectors.In the project about the description of associations between injuries among road accident victims, we worked in the context of the estimation of stratified binary graphical models. We developed two estimation methods, each based on multiple logistic regressions using either a generalized fused lasso penalty, or a data shared lasso penalty. In the second project, we worked in the general framework of case-control studies (matched or unmatched), when there are several disease subtypes. For matched designs, we extended data shared lasso to the conditional logistic regression model, and showed the superiority of the approach compared to other classical strategies. For unmatched designs, we worked under the multinomial logistic regression model, for which two formulations penalized by the L1 norm have been proposed in the literature. We show that one of these formulations actually corresponds to the data shared lasso version of the other: our results thus allow us to formally compare the two formulations, and provide recommendations on the choice of the formulation to be used in practice.Overall, our results confirm that methods which take advantage of the homogeneity between the K vectors, such as those based on the data shared lasso penalty, lead to substantial improvements in terms of estimation efficiency, when this homogeneity exists. Indeed, they target a more parsimonious parameterization when similarities exist between subgroups. Moreover, their implementation is relatively easy, and comparable to more traditional methods. We have developed codes allowing their implementation under the R software, which are accessible via the Github platform. We recommend their use, in addition to more classical approaches
Dans un contexte où les cancers et l'insécurité routière font partie des principales causes de décès en France et dans le monde, chercher à en étudier les risques et aider à la prise en charge des malades et des victimes constituent un enjeu majeur de santé publique. Les études épidémiologiques mises en place pour répondre à ces besoins requièrent la disponibilité de nombreuses données qui deviennent de plus en plus détaillées et complexes. Certaines des méthodes statistiques utilisées classiquement ne satisfont pas pleinement aux exigences imposées par la taille et les caractéristiques de ces bases de données. L'objectif de ce travail de thèse est donc de développer des méthodes statistiques mieux adaptées, motivées par deux applications particulières : 1) la description des associations entre lésions chez les victimes d'accident de la route en fonction du type d’usager; et 2) l’étude du rôle de certains métabolites dans le développement du cancer du sein, en fonction du sous-type de cancer du sein.D'un point de vue méthodologique, les analyses stratifiées, ou en sous-groupes, constituent le cœur de nos recherches. En notant K le nombre de sous-groupes considérés, l’inférence statistique dans le contexte de ces analyses en sous-groupes revient en général à l’estimation de K vecteurs de paramètres, un vecteur par sous-groupe. Or, on s'attend généralement à une certaine homogénéité entre les K vrais vecteurs de paramètres. Nos méthodes reposent sur des pénalités de type fused lasso ou data shared lasso, et permettent de tirer profit de cette homogénéité pour réduire la complexité de la tâche d'apprentissage et améliorer la performance statistique de l’estimation. Par ailleurs, elles permettent l’identification des hétérogénéités éventuelles parmi les K vecteurs.Dans le projet concernant la description des associations entre lésions chez les victimes d'accident de la route, nous nous sommes placés dans le cadre de l’estimation de modèles graphiques binaires stratifiés. Nous avons développé deux méthodes d’estimation basées chacune sur des régressions logistiques multiples en utilisant soit une pénalité de type fused lasso généralisé soit une pénalité de type data shared lasso. Dans le second projet, nous nous sommes placés dans le cadre général des études cas-témoins (appariées ou non), lorsque plusieurs sous-types de malades existent. Dans le cas des données appariées, nous avons étendu le data shared lasso au modèle de régression logistique conditionnelle, et avons montré la supériorité de l’approche par rapport à d’autres stratégies plus classiques. Dans le cas des données non-appariées, nous avons travaillé sous le modèle de régression logistique multinomial, pour lequel deux formulations pénalisées par la norme L1 ont été proposées dans la littérature. Nous montrons que l’une de ses formulations correspond en fait à la version data shared lasso de l’autre: nos résultats nous permettent ainsi de comparer formellement les deux formulations, et fournir des recommandations sur le choix de la formulation à utiliser en pratique.Globalement, nos résultats confirment que les méthodes tirant profit de l’homogénéité entre les K vecteurs, telles que celles reposant sur la pénalité data shared lasso, conduisent à des améliorations substantielles en termes d'efficacité d'estimation, lorsque cette homogénéité existe. Elles ciblent en effet une paramétrisation plus parcimonieuse lorsque des similarités existent entre les sous-groupes. De plus, leur implémentation est relativement aisée, et en tout cas comparable à celle de méthodes plus classiques. Nous avons développé des codes permettant leur implémentation sous le logiciel R, qui sont accessible via la plateforme Github. Nous recommandons leur utilisation, en complément des approches plus classiques
Fichier principal
Vignette du fichier
TH2020BALLOUTNADIM.pdf (7.9 Mo) Télécharger le fichier
Origine : Version validée par le jury (STAR)

Dates et versions

tel-03281593 , version 1 (08-07-2021)

Identifiants

  • HAL Id : tel-03281593 , version 1

Citer

Nadim Ballout. Approches pénalisées pour les analyses en sous-groupes : application en épidémiologie. Bio-Informatique, Biologie Systémique [q-bio.QM]. Université de Lyon, 2020. Français. ⟨NNT : 2020LYSE1057⟩. ⟨tel-03281593⟩
155 Consultations
48 Téléchargements

Partager

Gmail Facebook X LinkedIn More