Covariables catégorielles, paliers et clusters

Racym Berrah, PharmD PMx Explain Relecture scientifique par l'auteur : 2026-09-29 ORCID

Distinguer catégories observées, seuils imposés et sous-populations latentes.

01 · Pourquoi ce chapitre

Un génotype est une catégorie observée ; un stade défini par un seuil est une transformation ; un cluster est construit par un algorithme. Un modèle de mélange traite une appartenance latente. Ces notions ne sont pas interchangeables.

02 · Intuition

Pour trois catégories A, B et C, choisir une référence et deux indicatrices évite de confondre la référence avec les contrastes. Un nombre codant un génotype n'implique pas un effet linéaire par unité.

Discrétiser une covariable continue simplifie parfois une décision, mais supprime de l'information et introduit des sauts. Un seuil physiologique doit être motivé, pas recherché puis évalué sur les mêmes patients.

03 · La formule décortiquée

Avec B comme référence :

CL_i=CL_B\exp\{\beta_A I(G_i=A)+\beta_C I(G_i=C)+\eta_i\}.

Les ratios A/B et C/B valent $\exp(\beta_A)$ et $\exp(\beta_C)$ . Il faut donc coder $\beta_A=\log(0{,}7)$ pour un ratio de 0,7, et non $\beta_A=0{,}7$ .

Pour une classe latente $Z_i$ , la vraisemblance intègre l'appartenance :

p(y_i\mid x_i)=\sum_k \pi_k(x_i)\,p(y_i\mid Z_i=k,x_i).

L'incertitude de classe n'est pas supprimée en affectant chaque patient au groupe le plus probable.

04 · Exemple concret

Avec CL de référence de 4 L/h et des ratios 0,7 / 1 / 1,3, les CL typiques sont 2,8 / 4 / 5,2 L/h.

L'atelier compare soit ces catégories, soit des paliers de poids fictifs. Il n'ajuste pas de clustering. Pour un véritable clustering, standardiser les variables sur l'échantillon d'entraînement, apprendre les groupes sur celui-ci, figer la règle d'affectation puis l'appliquer aux nouveaux patients.

05 · Piège fréquent

Construire des clusters avec l'AUC observée, puis utiliser ces clusters pour prétendre prédire cette AUC chez un patient sans mesure, crée une fuite d'information. Même un clustering non supervisé doit être intégré aux plis d'entraînement lors d'une validation croisée.

Des groupes calculés peuvent refléter un centre, un dosage analytique ou des valeurs manquantes plutôt que des phénotypes. Vérifier stabilité, effectifs et incertitude des contrastes.

06 · À retenir

Catégorie connue : indicatrices et référence explicite.
Covariable continue : conserver la continuité sauf raison défendable.
Cluster appris : affectation reproductible et validation hors entraînement.
Classe latente : probabilités d'appartenance, pas une covariable mesurée.

Point de contrôle

Vérifiez votre compréhension

Q1. Pour un ratio A/B = 0,7 dans une exponentielle, bêta vaut…

Q2. Un cluster est…

Q3. Choisir un seuil puis le valider sur les mêmes données…

Exercices d'entraînement

Activités guidées

Cas en plusieurs étapes combinant calcul, interprétation et raisonnement.

Activité guidée · 7 min · Niveau 1

Coder un ratio de catégorie

Calcul · Interprétation · ManipulationÀ commencer

Activité guidée · 8 min · Niveau 2

Deux patients de part et d’autre d’un seuil

Calcul · Décision · Interprétation · ManipulationÀ commencer

Citer cette page

Berrah R. Covariables catégorielles, paliers et clusters. PMx Explain, 2026. https://rberrah.github.io/pharmacometrie/chapitres/covariates-groups/

@misc{berrah2026covariatesgroups,
  author       = {Berrah, Racym},
  title        = {{Covariables catégorielles, paliers et clusters}},
  howpublished = {PMx Explain},
  year         = {2026},
  url          = {https://rberrah.github.io/pharmacometrie/chapitres/covariates-groups/},
  note         = {Texte actuel sous licence CC BY-NC-SA 4.0}
}