Sélection et estimation de variables par régression expectile en présence d’erreurs de mesure et de données manquantes

Ce projet vise à améliorer la façon dont les équipes de recherche analysent de grands ensembles de données lorsqu’il manque des informations ou lorsque certaines mesures ne sont pas très fiables — deux problèmes très courants dans les études en santé. Les méthodes statistiques habituelles ne gèrent pas bien ces situations, surtout lorsque les données sont nombreuses et complexes.
L’équipe développe donc une nouvelle approche qui permet d’aller chercher l’information là où les méthodes traditionnelles ne regardent pas : dans les parties « extrêmes » d’une distribution, où se trouvent souvent les personnes présentant un risque plus élevé pour certaines maladies.
Cette méthode pourrait améliorer la précision des scores de risque polygénique, un outil utilisé pour estimer la probabilité qu’une personne développe une maladie complexe. Elle pourrait aussi mieux représenter les populations qui sont souvent peu incluses dans les études génétiques, comme certaines personnes non européennes. Une partie de la méthode est maintenant finalisée et son application aux données de CARTaGENE est en cours. Les analyses avancent et les premières publications scientifiques sont en préparation.

• Génétique et génomique
• Méthodologie et biostatistique
• Santé publique et épidémiologie

• Données biochimiques et hématologiques
• Données de questionnaires
• Données génétiques
• Mesures physiques et cognitives