BIOMETRIC PRACTICE

Y. K. Cheung 940 Simple Sequential Boundaries for Treatment Selection in Multi‐Armed Randomized Clinical Trials with a Control Dans une situation où, avec des ressources trop limitées pour réaliser des comparaisons systématiques avec un standard, on veut étudier un grand nombre de traitements, il peut être utile de conduire un essai à plusieurs bras pour éliminer précocement les traitements inintéressants. Quand l’étude a des critères de jugement dont l’évaluation est relativement rapide, comme l’évaluation d’un volume de lésion à partir d’une image chez les patients victimes d’une attaque, des analyses intermédiaires fréquentes sont éthiquement et pratiquement souhaitables pour les cliniciens. Dans cet article je propose une classe de frontières pour les essais à plusieurs bras, dans lesquels l’objectif est soit la sélection d’un traitement donnant une amélioration significative par rapport au groupe contrôle, soit la déclaration de la futilité de la recherche si il n’existe pas de tel traitement. Les limites proposées sont faciles àétablir en aveugle et peuvent être appliquées à un calendrier d’examens évolutif. Il est simple de calibrer l’essai par rapport à un niveau de confiance fixéà l’avance et cela peut être fait quand le taux de réponse dans le groupe contrôle n’est que connu que par intervalle. Une des méthodes proposées est appliquée pour redéfinir un essai de sélection avec un critère de jugement fourni par imagerie chez des patients avec une attaque aiguë, on le compare par simulations à un dispositif optimal à deux étapes. En moyenne, la méthode proposée emploie des échantillons de taille plus faible que la méthode en deux étapes, cet avantage devient substantiel quand il existe un traitement supérieur au contrôle. L. Liu, X. Huang, and J. O'Quigley 950 Analysis of Longitudinal Data in the Presence of Informative Observational Times and a Dependent Terminal Event, with Application to Medical Cost Data Dans les études observationnelles longitudinales, les mesures répétées sont souvent recueillies à des temps d’observation informatifs. De plus, il peut exister un événement terminal dépendant tel que le décès qui interrompt le suivi. Par exemple les patients en moins bonne santé chercheront plus à se faire soigner et les coûts pour chaque visite ont tendance àêtre plus élevés. Ils ont aussi des taux de mortalité plus élevés. Dans cet article, nous proposons un modèle à effets aléatoires de mesures répétées en présence à la fois de délais d’observation informatifs et d’un événement terminal dépendant. Trois sous‐modèles sont utilisés respectivement pour (1) l’intensité des temps d’observation récurrents, (2) la quantité d’observations répétées à chaque temps d’observation et (3) le risque instantané de décès. Des effets aléatoires corrélés sont inclus pour lier les trois sous modèles. L’estimation peut s’effectuer facilement par des techniques de quadrature gaussiennes, par exemple avec la procédure NLMIXED de SAS. La méthode proposée est illustrée par une analyse du processus de coûts générés chez des patients souffrant d’insuffisance cardiaque chronique. Les données sont extraites de la base de données cliniques CDR du système de santé de l’Université de Virginie. J. Cao, G. F. Fussmann, and J. O. Ramsay 959 Estimating a Predator‐Prey Dynamical Model with the Parameter Cascades Method Les équations différentielles ordinaires (EDO) sont largement utilisées pour décrire le comportement dynamique des populations en interaction, Cependant les systèmes EDO donnent rarement des solutions quantitatives proches des observations réelles de terrain ou des résultats expérimentaux, parce que les systèmes naturels sont soumis à un bruit environnemental ou démographique et que les écologistes sont dans l’incertitude pour paramétrer correctement leurs données. Dans cet article nous introduisons les « cascades de paramètres » pour améliorer l’estimation des paramètres EDO de manière à bien ajuster les solutions aux données réelles. Cette méthode est basée sur le lissage pénalisé modifié en définissant la pénalité par les EDO et en généralisant l’estimation profilée pour aboutir à une estimation rapide et à une bonne précision des paramètres EDO sur des données affectées de bruit. Cette méthode est appliquée à un ensemble d’EDO prévues à l’origine pour décrire un système prédateur‐proie expérimental soumis à des oscillations. Le nouveau paramétrage améliore considérablement l’ajustement du modèle EDO aux données expérimentales. La méthode révèle en outre que d’importantes hypothèses structurales sous‐jacentes au modèle EDO originel sont essentiellement correctes. La formulation mathématique des deux termes d’interaction non linéaire (réponses fonctionnelles) qui lient les EDO dans le modèle prédateur‐proie est validée par un estimateur non paramétrique des réponses fonctionnelles à partir des données réelles. Nous suggérons deux applications importantes des « cascades de paramètres »à la modélisation écologique. La méthode peut servir à estimer des paramètres quand les données sont soumises à des bruits ou manquantes, ou quand aucune estimée a priori fiable n’est disponible. La méthode peut par ailleurs aider à valider la qualité structurelle du modèle mathématique. D. S. Johnson, D. L. Thomas, J. M. Ver Hoef, and A. Christ 968 A General Framework for the Analysis of Animal Resource Selection from Telemetry Data Nous proposons un cadre général pour analyser des données télémétriques animales en utilisant des distributions pondérées. On montre que plusieurs interprétations du choix des ressources se présentent quand on compare la ressource utilisée à la ressource disponible. Le cadre général proposé permet de montrer que les modèles habituels de choix des ressources sont des cas particuliers du modèle général avec des hypothèses sur les déplacements et le comportement des animaux. On montre que le cadre des distributions pondérées permet de prendre facilement en compte des données télémétriques fortement autocorrélées, comme c’est typiquement le cas avec la technologie GPS assurant le suivi des animaux. Une analyse de données simulées utilisant plusieurs modèles construits dans le cadre proposé est présentée pour illustrer les gains possibles apportés par cette modélisation flexible. Le modèle est appliquéà des données sur l’ours brun du sud‐est de l’Alaska.