Cette vidéo s'applique aux études de performances diagnostiques. Crédit Miniature : Robin Massenot Crédits vidéo : Pédagogie Numérique et Ressources Université de Bourgogne Eric Paul Pauline Mourey
Je sors d'un de tes lives, je voulais jsute laisser une trace écrite pour te remercier de ton investisement personnel dans tes vidéos/live, de ton humour, de tes explications limpides, et de ta prévenance envers les étudiants. Merci encore et bonne année du pangolin !
Bonsoir Professeur, c'est aujourd'hui même que je découvre certaines de vos vidéos. Celle-ci est la première à parcourir... elle vient résoudre vraiment le problème d’interprétation de ces indices de performances diagnostiques. Un grand merci pour votre méthodologie.
WoW mais heureusement que vous êtes là. Après avoir passé la matinée à bachoter et a essayer de comprendre, avoir les idées claires, je lance cette vidéo et c’est la révélation. Il existe bien un fil conducteur à tout ça. Du concret au Nomogramme de Fagan HALLELUJA!!!!!! Merci pour votre investissement
ah punaise, merci pour la vidéo !! Et surtout l'extrait final...tellement à l'unisson de ce que je ressens face aux biostats et LCA je suis MDR !! merci c'était instructif ET croustillant :)
Bonjour et mrc pour votre vidéo elle m'a bcp aidé.Je voulais savoir qu'est ce qui se passe lorsqu'on modifie le seuil de la sensibilité et de la spécialité
Dans votre présentation, vous avez parlé du Nomogramme de Fazan, comment peut on l'appliquer dans un logiciel comme SPSS par exemple puisque c'est lui que j'utilise pour mes analyses actuellement?
Bonjour ! À 8:10 vous dites que le rapport de vraisemblance est la caractéristique intrinsèque permettant de faire le lien entre prévalence et valeur prédictive Je ne suis pas sûr de comprendre pourquoi c'est une caractéristique intrinsèque, le rapport de vraisemblance ne varie pas avec la prévalence ? Merci beaucoup !
Bonjour monsieur . merci beaucoup pour vos vidéos . mais j'ai une question concernant des différents tests qu'on peut faire . Si notre test est très sensible il permet tout comme un test très spécifique de classer les malades des bons malades ou pas ?
Pardon .en fait ce que je veux demander c'est si un test est très sensible il peut permettre comme un test très spécifique de classer les malades des non malades ou pas ?
Salut. Pour les test de performances diagnostiques j'arrive pas à comprendre l'utilité du graphique Bland et Altman pour mettre en rapport le test en cours d'analyse et le test de réferance. Est-ce qu'il sont utiles en pratique courante?
Non. Le graphique de Bland et Altman est utilisé pour montrer la concordance entre deux mesures. Il n'est pas très habituellement utilisé dans les études de performances diagnostiques.
J'ai du mal à comprendre... HELP Si le signe de Babinski, qui est pathognomonique, permet d'affirmer la maladie en présence du test, je ne comprends pas en quoi il permet d'exclure la maladie en son absence (-> "le taux de spécificité c'est le nombre de vrais négatifs"). Si un test spécifique est un test qui permet d'affirmer la maladie en présence d'un test positif, il représente donc le nombre de vrais positifs (Test + M+), pas de vrais négatifs, si ? Du coup idem pour la sensibilité à l'inverse... si un test sensible permet d'exclure une maladie si le test est négatif, il représenterait le nombre de vrais négatifs... pas de vrais positifs. En fait ma logique appliquée aux exemples de la vidéo m'amène à la conclusion spécificité = vrais positifs (affirme la maladie en présence d'un test +) et sensibilité = vrais négatifs (exclue la maladie en présence d'un test -). Soit TOUT L'INVERSE de ce qui est expliqué dans la vidéo, ça fait 45 min que je suis dessus j'en ai des noeuds au cerveau :(
La faille dans ton raisonnement est que tu réfléchis sur les valeurs prédictives et pas sur les sb/sp. Pour la sensibilité, 1-vrai positifs = faux négatifs (le dénominateur est les malades et pas les positifs !) un test très sensible : il y a 100 pct de vrais positifs mais aussi bcp de faux positifs. Il est donc utile surtout quand il est neg.