Nous commençons enfin à parler de statistiques. Avez-vous déjà consulté la section "Méthodes et résultats" d'une publication sur la recherche dans le domaine de la santé et noté la variété des tests statistiques utilisés ? Vous avez certainement rencontré des termes tels que test t, test de Mann-Whitney-U, test de Wilcoxon, test exact de Fisher et l'omniprésent test du chi-carré. Vous vous demandez peut-être pourquoi tant de tests ? C'est une question de types de données. Cette semaine, je vais aborder les différences entre les données qui déterminent le type de test statistique que nous pouvons utiliser pour donner un sens à nos données.

Il n'y a guère de professionnels de la santé qui ne connaissent pas la valeur p. Elle est généralement comprise comme ayant une valeur de 0,05. Si une question de recherche est évaluée par la collecte de points de données et que l'analyse statistique révèle une valeur inférieure à 0,05, nous considérons que cela prouve qu'une différence significative a été trouvée, au moins statistiquement. En réalité, les choses sont un peu plus compliquées. La littérature est actuellement pleine de questions sur l'omniprésente valeur p et sur les raisons pour lesquelles elle n'est pas la panacée que beaucoup d'entre nous lui ont attribuée. Au cours de cette semaine, vous développerez une compréhension intuitive du concept de valeur p. Ensuite, je passerai au cœur de la théorie des probabilités, au théorème de la limite centrale et à la distribution des données.

En général, un chercheur a une question en tête à laquelle il doit répondre. Tout le monde peut avoir une opinion sur cette question (ou réponse), mais un chercheur cherche la réponse en concevant une expérience et en étudiant le résultat. Nous commencerons par examiner les hypothèses et la manière dont elles sont liées à une recherche et à un rapport éthiques et impartiaux. Nous aborderons également les intervalles de confiance qui, selon moi, sont l'une des valeurs les moins bien comprises et souvent mal représentées dans la recherche sur les soins de santé. Les tests les plus courants utilisés dans la littérature pour comparer les valeurs des points de données numériques sont les tests t, l'analyse de la variance et la régression linéaire. Dans la dernière leçon, nous examinerons de plus près ces tests, mais surtout leurs hypothèses strictes.

Le test statistique le plus courant que vous pouvez rencontrer dans la littérature est le test t. Il existe en fait plusieurs tests t, mais celui que la plupart connaissent est bien sûr le test t de Student et sa valeur p omniprésente. Il existe en fait plusieurs tests t, mais celui que la plupart connaissent est bien sûr le test t de Student et son omniprésente valeur p. Tout le monde ne sait pas que le nom de Student était en fait un pseudonyme, utilisé par William Gosset (1876 - 1937) pour désigner le test de Student. Tout le monde ne sait cependant pas que le nom de Student était en fait un pseudonyme, utilisé par William Gosset (1876 - 1937). Les tests paramétriques reposent sur des hypothèses très strictes qui doivent être satisfaites avant que leur utilisation ne soit justifiée. Dans cette leçon, nous examinerons de plus près ces tests, mais surtout leurs hypothèses strictes. Une fois que vous les connaîtrez, vous serez en mesure d'identifier les cas où ces tests sont utilisés de manière inappropriée.

Félicitations ! Vous avez atteint la dernière semaine du cours "Comprendre la recherche clinique". Dans cette leçon, nous allons examiner la capacité des tests à détecter la présence ou l'absence d'une maladie, à nous aider à choisir les tests appropriés et à interpréter les résultats positifs et négatifs. Nous déchiffrerons la sensibilité, la spécificité, les valeurs prédictives positives et négatives. Vous terminerez ce cours par un examen final, afin de tester les connaissances et l'application que vous avez apprises dans ce cours. J'espère que vous avez apprécié ce cours et qu'il vous aidera à mieux comprendre la recherche clinique.