Ce module initie les apprenants aux principes fondamentaux des tests d'hypothèses dans le contexte de l'analyse clinique. Ils apprendront à formuler des hypothèses statistiques, à interpréter les valeurs p et les intervalles de confiance, et à comprendre le rôle des taux d'erreur et de la puissance statistique. En s'appuyant sur ces principes fondamentaux, le module explore les tests d'hypothèse couramment utilisés pour comparer des groupes cliniques, notamment les tests t, l'ANOVA et les alternatives non paramétriques courantes. Les apprenants étudient également les tests d’association pour les données catégorielles et l’analyse de corrélation pour les variables continues. À travers des exemples cliniques concrets, tels que des comparaisons de traitements, l’analyse de la prévalence des maladies et les relations entre variables, ce module fournit aux apprenants les outils statistiques nécessaires pour évaluer si les différences ou les tendances observées dans les données de santé sont significatives et fiables.

Ce module initie les apprenants aux techniques fondamentales de régression et de modélisation prédictive largement utilisées dans l'analyse des données de santé. Les apprenants commenceront par la régression linéaire afin d'analyser des résultats cliniques continus tels que la durée d'hospitalisation, les résultats d'analyses de laboratoire et les coûts de santé. Ils apprendront ensuite la régression logistique pour modéliser des événements cliniques binaires et interpréter des indicateurs d'évaluation clés tels que les rapports de cotes et les courbes ROC. En s'appuyant sur ces bases, le module explore les principes fondamentaux de l'apprentissage automatique et de la modélisation supervisée, notamment les arbres de décision, les méthodes d'ensemble et la validation des performances. Les apprenants examineront également les questions d’équité des modèles, de surapprentissage et les défis de déploiement propres au secteur de la santé. À l’issue de ce module, ils seront capables de construire, d’évaluer et d’interpréter des modèles prédictifs qui facilitent la prise de décision clinique et opérationnelle.

Dans ce module de synthèse, les apprenants mettent en pratique l'ensemble des compétences acquises tout au long de la formation afin de mener une analyse complète d'un ensemble de données relatives aux soins de santé. Les étudiants nettoieront et prépareront les données, calculeront des statistiques descriptives, effectueront des tests d'hypothèses et construiront des modèles de régression et d'apprentissage automatique afin de générer des informations cliniques exploitables. Le projet final met l'accent non seulement sur la précision technique, mais aussi sur l'interprétation clinique, la communication et les considérations éthiques. À l'issue de ce module, les apprenants démontrent leur capacité à analyser de manière autonome des données de santé issues du monde réel et à formuler des recommandations fondées sur des preuves.