Principes et concepts des méthodes bayésiennes et applications en médecine

Résumé En Fr

The medical literature extensively uses statistical methods, particularly p-values obtained after null hypothesis testing. These tools determine whether two proportions differ by dichotomising the p-value on either side of an alpha threshold, typically set at 0.05, based on data collected from a sample of subjects. In addition to these classical methods, Bayesian statistical analyses have emerged in the literature over the past thirty years. These methods differ from traditional ones in that they do not rely on p-values and instead use a subjectivist definition of probability. This results in the expression of an a priori distribution for the parameter to be estimated, which specifies the available knowledge about the parameter before the experiment is carried out. This a priori distribution is combined with the probability of the data observed in the sample to update our knowledge of the parameter of interest (difference in proportion or odds ratio). The principles and concepts underlying Bayesian methods are presented here, along with a few examples of their application, particularly in reproductive medicine, to show the advantages of these methods over conventional methods.

La littérature médicale fait un usage très abondant des méthodes statistiques, et notamment des p-valeurs obtenues à l’issue de la réalisation d’un test d’hypothèse nulle. Ces deux outils sont utilisés pour déterminer, à partir de données collectées sur un échantillon de sujets, par exemple, si deux proportions diffèrent ou pas, en dichotomisant la p-valeur de part et d’autre d’un seuil α classiquement égal à 0,05. Il y a une trentaine d’années, en plus de ces méthodes classiques, sont apparues dans la littérature des analyses statistiques dites bayésiennes. Elles se distinguent notamment des méthodes classiques par l’absence de p-valeur mais surtout par l’utilisation de la définition subjectiviste de la probabilité aboutissant à l’expression d’une loi a priori du paramètre à estimer spécifiant la connaissance dont on dispose sur le paramètre avant la réalisation de l’expérimentation. Cette loi a priori est combinée avec la probabilité des données observées dans l’échantillon pour mettre à jour la connaissance sur le paramètre d’intérêt (différence de proportion, ou odds ratio). Les principes et concepts sous-jacents aux méthodes bayésiennes sont présentés ici avec quelques exemples d’application, notamment dans la médecine de la reproduction, pour montrer quels sont les avantages de ces méthodes par rapport aux méthodes classiques.