Тест: Introduction à la régression logistique en odontologie — 14 въпроса

1. Dans quel cas la régression logistique est-elle particulièrement adaptée en clinique ?

A. Quand la variable à prédire est continue sur une échelle numérique

B. Quand la variable à prédire n’a que deux issues possibles

C. Quand l’objectif est de comparer des moyennes entre deux groupes

D. Quand l’objectif est de décrire une distribution sans prédiction

Answer: (B)

Обяснение

La régression logistique est conçue pour estimer la probabilité d’un événement binaire, donc quand l’issue est de type oui/non, succès/échec ou présence/absence. Elle n’est pas destinée à modéliser directement une variable continue.

2. Quel exemple correspond le mieux à un résultat clinique binaire ?

A. Nombre de dents traitées dans l’année

B. Taux moyen de plaque mesuré chez un patient

C. Durée totale du traitement orthodontique

D. Présence ou absence d’une carie

Answer: (D)

Обяснение

Un résultat binaire ne prend que deux valeurs possibles, ici présence ou absence d’une carie. Les autres propositions décrivent des variables quantitatives ou de durée.

3. Quel est l’objectif principal d’un modèle prédictif dans le cadre d’un résultat clinique binaire ?

A. Classer les patients selon leur âge uniquement

B. Mesurer la dispersion d’un échantillon

C. Calculer la moyenne des valeurs observées

D. Estimer la probabilité que l’événement survienne

Answer: (D)

Обяснение

L’objectif est de prédire la probabilité d’un événement à deux issues, comme Y=1 ou Y=0. La régression logistique fournit justement cette probabilité prédite.

4. Quand s’intéresse-t-on plutôt à une analyse de survie qu’à une simple régression logistique ?

A. Quand on compare deux proportions sans notion de temps

B. Quand on cherche une moyenne ajustée par groupe

C. Quand on étudie le temps avant qu’un événement survienne

D. Quand on veut uniquement coder un événement en oui/non

Answer: (C)

Обяснение

L’analyse de survie est utilisée lorsque l’enjeu est le délai jusqu’à l’événement, par exemple la perte d’une dent ou l’apparition d’une carie. La régression logistique sert surtout à modéliser une issue binaire à un instant donné.

5. Comment définit-on l’odds d’un événement ?

A. Le produit des probabilités de deux événements

B. La différence entre la probabilité de l’événement et celle de son absence

C. Le rapport entre deux risques mesurés sur des populations différentes

D. Le rapport entre la probabilité de l’événement et celle de son absence

Answer: (D)

Обяснение

L’odds correspond à P(E)/(1−P(E)), soit le rapport entre la probabilité que l’événement se produise et celle qu’il ne se produise pas. Ce n’est pas un risque relatif, qui compare deux probabilités.

6. Que signifie un odds ratio égal à 1 ?

A. L’événement est moins fréquent dans la première condition

B. Il n’existe pas d’association entre les deux conditions

C. L’événement est plus fréquent dans la première condition

D. Le risque relatif est forcément nul

Answer: (B)

Обяснение

Un odds ratio de 1 indique l’absence d’association entre les conditions comparées. Une valeur supérieure à 1 suggère une association directe, tandis qu’une valeur inférieure à 1 suggère une association inverse.

7. Dans un modèle de régression logistique, à quoi sert la transformation logistique ?

A. À remplacer les variables explicatives par une moyenne

B. À calculer directement la variance résiduelle du modèle

C. À transformer une variable binaire en variable continue

D. À convertir la combinaison des variables en probabilité comprise entre 0 % et 100 %

Answer: (D)

Обяснение

La transformation logistique permet d’obtenir une probabilité valide, donc comprise entre 0 et 1. C’est ce qui rend le modèle compatible avec une variable dépendante binaire.

8. Que fait une valeur de coefficient positive dans une régression logistique ?

A. Elle augmente la probabilité prédite de l’événement

B. Elle annule toute relation entre les variables

C. Elle diminue toujours l’odds de l’événement

D. Elle impose une probabilité égale à 0,50

Answer: (A)

Обяснение

Un coefficient positif augmente la probabilité prédite de l’événement, tandis qu’un coefficient négatif la diminue. Un coefficient nul, lui, n’entraîne aucun changement du ratio des probabilités.

9. Quel pseudo-R2 ne peut pas atteindre 1 ?

A. Le R2 de Cox-Snell

B. Le R2 de Nagelkerke

C. Le coefficient de Wald

D. Le seuil de décision

Answer: (A)

Обяснение

Le R2 de Cox-Snell est limité et n’atteint jamais 1. Le R2 de Nagelkerke corrige cette limitation et varie de 0 à 1.

10. Que teste la méthode de Wald dans un modèle logistique ?

A. Si la courbe ROC est concave ou convexe

B. Si la variable dépendante est continue

C. Si le nombre de sujets est égal dans chaque groupe

D. Si un coefficient diffère significativement de 0

Answer: (D)

Обяснение

La méthode de Wald sert à évaluer si un coefficient du modèle est statistiquement différent de 0. Si ce n’est pas le cas, l’effet estimé de la variable explicative n’est pas considéré comme significatif.

11. Dans une courbe ROC, quel couple d’axes est utilisé pour évaluer la discrimination d’un test ?

A. Sensibilité en ordonnée et 1 − spécificité en abscisse

B. Spécificité en ordonnée et sensibilité en abscisse

C. Probabilité observée en ordonnée et probabilité prédite en abscisse

D. Vrais positifs en ordonnée et faux positifs en abscisse

Answer: (A)

Обяснение

Dans une courbe ROC, l’axe des y représente la sensibilité et l’axe des x représente 1 − spécificité. Cela permet de visualiser comment la discrimination du test varie selon le seuil choisi.

12. Pourquoi la sensibilité et la spécificité d’un modèle changent-elles quand on modifie le seuil de décision ?

A. Parce qu’elles sont fixées une fois pour toutes par le type de maladie

B. Parce qu’elles mesurent directement la taille de l’échantillon

C. Parce qu’elles dépendent de la règle utilisée pour convertir une probabilité en classe

D. Parce qu’elles ne dépendent que du nombre total de patients étudiés

Answer: (C)

Обяснение

La sensibilité et la spécificité varient avec le seuil qui transforme une probabilité prédite en classe oui/non. Un seuil plus strict ou plus permissif modifie donc le nombre de vrais positifs et de vrais négatifs.

13. Quelle situation correspond à une censure à droite ?

A. L’événement a eu lieu avant le début du suivi

B. L’événement n’a pas encore été observé au moment où le sujet quitte l’étude

C. L’événement est connu précisément au milieu de deux visites

D. Le sujet présente deux événements observés à la même date

Answer: (B)

Обяснение

La censure à droite signifie que l’événement n’a pas été observé avant la fin de l’observation du sujet. On ignore ce qui se passera ensuite, sans conclure que l’événement n’arrivera jamais.

14. Comment interprète-t-on une fonction de risque h(t) qui décroît au cours du temps ?

A. Le risque est plus élevé au début puis diminue ensuite

B. Le risque n’existe qu’à la fin du suivi

C. Le risque augmente régulièrement avec le temps

D. Le risque reste constant quel que soit le temps

Answer: (A)

Обяснение

Quand h(t) décroît, le risque est maximal au début puis s’atténue progressivement. Ce profil est typique d’échecs précoces, comme une perte d’ostéointégration.