CONSULTANT'S FORUM

P. S. Albert 593Random Effects Modeling Approaches for Estimating ROC Curves from Repeated Ordinal Tests without a Gold Standard Estimer la pertinence d'un diagnostic médical constitue une difficulté majeure en l'absence d'un test de référence (gold standard). Quoique la littérature scientifique abonde en la matière pour les tests diagnostiques répétés binaires, elle s'avère beaucoup plus pauvre en travaux applicables aux tests ordinaux. A cela fait exception le travail de Zhou et al. (2005), proposant une méthodologie pour estimer des courbes ROC sans gold standard, à partir des données répétées issues de tests diagnostiques ordinaux. Mais cette méthodologie repose sur l'hypothèse d'indépendance des résultats aux tests, conditionnellement au vrai diagnostic. Je propose donc ici des approches de modélisation à effets aléatoires intégrant la dépendance des tests ordinaux entre eux, et je montre, au travers de résultats asymptotiques et de simulations, toute l'importance de bien prendre en compte cette dépendance. Ces modélisations, ainsi que l'importance de la dépendance entre les tests, sont illustrées par une réanalyse des données présentées par Zhou et al. (2005) sur le cancer utérin. C. T. Nakas and T. A. Alonzo 603ROC Graphs for Assessing the Ability of a Diagnostic Marker to Detect Three Disease Classes with an Umbrella Ordering Les courbes ROC et les surfaces sous ces courbes sont couramment utilisées pour évaluer la capacité d'un marqueur diagnostique numérique (tels que les marqueurs de méthylation DNA) à classifier correctement les sujets ayant ou non une maladie donnée (cancer par exemple). Ces approches, cependant, ne s'appliquent pas à des cadres impliquant plus de deux classes ou états de la pathologie. Les surfaces ROC et le volume sous ces surfaces ont été proposés pour des cadres comportant plus de deux classes. Cependant, ceci ne permet pas d'évaluer la capacité d'un marqueur à différencier deux états de la maladie d'un troisième sans disposer d'un ordre monotone pour les trois états de la maladie étudiée. Autrement dit, les méthodes existantes ne prennent pas en compte un ordre «parapluie» des classes de la maladie. Cet article propose la construction d'un graphe ROC applicable à un tel ordre «parapluie». De plus, nous proposons d'utiliser une mesure issue de ce graphe ROC «parapluie» pour résumer la qualité de la classification, et les estimations des variances correspondantes peuvent être obtenues à partir de la théorie des U‐statistiques ou à partir de méthodes bootstrap. Les méthodes proposées sont illustrées à partir de données d'une étude évaluant la capacité d'un marqueur de méthylation DNA pour la classification de prélèvements pulmonaires en trois classes histologiques: carcinome à cellules squameuses, carcinome à large cellules, et pas de tumeur pulmonaire. W. S. Comulada and R. E. Weiss 610On Models for Binomial Data with Random Numbers of Trials Une réponse binomiale est un comptage du nombre de succès, s, parmi un nombre total d'épreuves indépendantes n=s+f où f est un comptage des échecs. Les n sont des variables aléatoires non fixées par le schéma de beaucoup d'études. Une modélisation jointe (s,f) pourrait donner une approche supplémentaire de la probabilitéπ de succès, approche ne pouvant être directement incorporée dans le modèle de régression logistique. Les observations où n = 0 sont exclues de l'analyse binomiale mais, cependant, peuvent être importantes pour comprendre comment π est influencée par les covariables. Il peut exister une corrélation entre s et f qui peut être d'un grand intérêt. Par une approche bayésienne, nous proposons des modèles multivariés Poissonniens pour la réponse bivariée (s,f), corrélée aux effets aléatoires. Nous étendons nos modèles à l'analyse de réponses longitudinales et binomiales longitudinales multivariées. Notre méthode a été motivée par deux exemples différents, un de tératologie et l'autre portant sur une étude d'intervention sur de la prévention tertiaire dans le cadre du VIH. B. J. T. Morgan, D. J. Revell, and S. N. Freeman 618A Note on Simplifying Likelihoods for Site Occupancy Models Nous montrons comment une simple reparamétrisation peut réduire le nombre de paramètres à estimer par une méthode numérique de maximum de vraisemblance dans des modèles d'occupation de sites. Trois exemples sont fournis.