Extension d'une méthode non paramétrique d'estimation dans les modèles mixtes pour l'analyse de données répétées : exemples en pharmacocinétique et en épidémiologie

par Florence Mesnil

Thèse de doctorat en Biostatistique

Sous la direction de France Mentré.

Soutenue en 1999

à Paris 11 .

Le président du jury était Jean Maccario.

Le jury était composé de France Mentré, Jean Maccario, Pascal Girard, Philippe Vieu, Athanassios Iliadis, Sylvia Richardson.

Les rapporteurs étaient Pascal Girard, Philippe Vieu.


  • Résumé

    L'analyse de données répétées constitue un champ d’investigation en plein développement dans le domaine des biostatistiques. Nous nous intéressons aux données de type continu, rencontrées par exemple en pharmacocinétique, et aux données de type binaire présentes en pharmacodynamie et en épidémiologie. Une première partie est consacrée aux modèles de régression non linéaire à effets mixtes en pharmacocinétique. Différentes méthodes d'estimation paramétriques ou non paramétriques sont d'abord présentées. Nous proposons ensuite une extension de la méthode non paramétrique de maximum de vraisemblance, NPML, pour l'estimation d'effets fixes. Cette méthode est évaluée sur des données simulées de concentration de quinidine. Ses performances, comparées à celles d'autres méthodes d'estimation, sont satisfaisantes. Une application à l'analyse de la pharmacocinétique de population de la mizolastine est également présentée. Ces deux exemples illustrent les différents intérêts de l'introduction d'effets fixes en modélisation pharmacocinétique. La deuxième partie concerne les modèles de régression logistique à effets mixtes en pharmacodynamie et en épidémiologie. Nous décrivons les différentes méthodes d'estimation, paramétriques et non paramétriques, déjà utilisées dans ce domaine. Nous proposons le développement de la méthode NPML pour l'estimation en régression logistique à effets mixtes. NPML est tout d'abord évaluée sur des données discrètes simulées à partir d'un exemple épidémiologique classique. Ses performances pour l'estimation des paramètres du modèle et pour la détection des relations avec, différentes covariables sont comparées à celles de la méthode paramétrique NONMEM. Enfin, l'application de NPML à l'analyse de données discrètes réelles montre comment cette méthode permet de détecter les relations avec les covariables, puis de mettre en place un modèle paramétrique décrivant ces relations.


  • Pas de résumé disponible.

Consulter en bibliothèque

La version de soutenance existe sous forme papier

Informations

  • Détails : 1 vol. (272 p.)
  • Notes : Publication autorisée par le jury
  • Annexes : Bibliogr. p. 162-172

Où se trouve cette thèse ?

  • Bibliothèque : Université de Paris-Sud (Le Kremlin-Bicêtre, Val-de-Marne). Service Commun de la Documentation. Section Médecine.
  • Non disponible pour le PEB
  • Cote : TD/1999T037
Voir dans le Sudoc, catalogue collectif des bibliothèques de l'enseignement supérieur et de la recherche.