L’essentiel des études cliniques réalisées ces dernières décennies consiste à évaluer l’association entre la mesure d’un paramètre à un instant T (début de l’étude) et la survenue d’un événement clinique après une période de suivi. Prenons l’exemple d’une étude évaluant la valeur pronostique de la mesure de la fraction d’éjection du ventricule gauche (FEVG) en IRM cardiaque sur le risque de mortalité à 10 ans. Le fait que l’on retrouve une association statistique entre la mesure de la FEVG réalisée au début de l’étude et le risque de mortalité d’origine à 10 ans de suivi est intéressant, mais cela ne permet pas de rendre compte de l’évolution de la FEVG pendant ces 10 années de suivi. Or, nous savons que le corps humain est un sujet de recherche dynamique en constante évolution et donc, par essence, la mesure unique d’un paramètre reste limitée pour en évaluer pleinement sa valeur pronostique ou diagnostique.
C’est pour répondre à ce besoin d’une “évaluation dynamique” que de plus en plus d’études présentent ces dernières années l’analyse de données dites longitudinales correspondant à des mesures répétées d’un même paramètre. Bien que des analyses de ce type semblent extrêmement pertinentes, elles présentent des limites techniques importantes et des particularités, pour ne pas dire complexités, dans l’analyse de leurs résultats. Ainsi, nous présenterons dans cet article les grands principes des études utilisant ces fameuses données longitudinales.

Définition et rationnel de l’utilisation des données longitudinales

De nombreuses études épidémiologiques et pronostiques[...]

Connectez-vous pour consulter l'article dans son intégralité.