Identification de trajectoires typiques dans les DOnnées Longitudinales : nouvelles approches – IDOL

Les enquêtes de cohortes sont des études dans lesquelles les mêmes variables sont mesurées de manière répétée au cours du temps. Chaque suite de mesures, appelée variable-trajectoire, reflète l’évolution d’un phénomène. Ces dernières années ont vu se développer de nouveaux outils pour l’analyse de ces évolutions. Les plus largement utilisés sont les techniques de partitionnement (Proc Traj ou KmL par exemple). Elles consistent à regrouper les individus dont les trajectoires se ressemblent et ainsi à définir des « trajectoires types », reflétant le comportement « moyen » des individus d’un même sous-groupe. Cependant, ces techniques souffrent d’un certain nombre de limitations. Les collaborations entre méthodologistes et médecins de nos différentes équipes ont permis d’identifier les axes de développement méthodologique prioritaires qui permettraient de dépasser ces limitations et d’ainsi optimiser sensiblement la valorisation de cohortes ayant déjà bénéficié d’analyses classiques. Notre projet a donc pour triple objectif de i) créer de nouvelles méthodes de partitionnement des données longitudinales, de ii) montrer leur efficacité sur des cohortes existantes et de iii) mettre à disposition de la communauté scientifique les outils nouvellement développés sous forme de librairies informatiques.

Les cohortes sélectionnées pour mettre en œuvre nos développements méthodologiques sont toutes de premier plan et portent sur des problèmes de société majeurs : plan de soins standardisé et maladie d’Alzheimer, devenir à long terme des grands prématurés, accès et observance des traitements antirétroviraux au Sénégal, profils hormonaux des femmes sans troubles de la fertilité, devenir social et comportemental des enfants au Québec. Leur analyse a permis d’identifier cinq questionnements méthodologiques dont la résolution fait l’objet du programme de recherche :

- KmL3D. A ce jour, les techniques de partitionnement considèrent l’évolution temporelle d’une seule variable-trajectoire. Or, il est permis d’envisager des interactions complexes entre trajectoires. KmL3D travaillera sur l’évolution conjointe de plusieurs variables-trajectoires en les partitionnant simultanément.

- KmLCov partitionnera les données en intégrant l’effet de covariables (dépendantes ou non du temps) sur les trajectoires. Leur effet pourra éventuellement être spécifique pour chaque classe de trajectoire.

- KmLShape. Dans certaines circonstances, le moment exact d’apparition d’un phénomène a moins d’importance que la typologie de son évolution. Etre en mesure de partitionner les trajectoires selon leur forme et de regrouper les individus dont les trajectoires sont proches *modulo* un décalage dans le temps constitue l’objectif de KmLShape.

- KmLVar : Il peut également être pertinent de classer des individus suivant le caractère stable ou au contraire fluctuant de leur variable-trajectoire. En effet, le niveau d’instabilité d’un marqueur peut apporter plus d’information que l’évolution de sa valeur. L'objectif de KmLVar sera de permettre la modélisation et l’identification de groupes ou de trajectoires ayant la même variance.

- Enfin, les techniques de partitionnement permettent de proposer de nouvelles approches pour l’imputation des valeurs manquantes sur les trajectoires, basées à la fois sur les valeurs connues de l’individu et sur la trajectoire moyenne du groupe. La validation de la méthode CopyMean constitue également un des axes de notre projet.

Notre projet allie donc recherche méthodologique et application sur données concrètes en réponse à des questionnements de recherche de cliniciens ou d’épidémiologistes. Chaque équipe sera en mesure de proposer des analyses originales de cohortes en utilisant les nouveaux outils développés dans ce programme. Au final, ces nouvelles techniques statistiques seront programmées et mises à disposition de la communauté scientifique via un site web dédié, permettant ainsi d’en assurer la diffusion la plus large.