Tutoriel sur les modèles de régression logistique de Firth pour les biomarqueurs dans l'espace préclinique

Les études précliniques sont vastes et peuvent englober la recherche cellulaire, les essais sur animaux et les petits essais humains. Les études précliniques tendent à être exploratoires et disposent de jeux de données plus petits qui consistent souvent en des données de biomarqueurs. La régression logistique est généralement le modèle de choix pour modéliser un résultat binaire avec des variables explicatives telles que des données génétiques, d'imagerie et cliniques. Les petites études précliniques peuvent poser des problèmes de données difficiles, pouvant inclure une séparation complète ou quasi-complète, ce qui entraînera des estimations de coefficients et d'erreurs standards gonflées en régression logistique. Les approches de régression pénalisée telles que la régression logistique de Firth sont une solution pour réduire le biais dans les estimations. Dans ce tutoriel, plusieurs exemples avec séparation (complète ou quasi-complète) sont illustrés et les résultats de la régression logistique et de la régression logistique de Firth sont comparés pour démontrer les estimations gonflées du modèle de régression logistique standard et la réduction du biais des estimations de l'approche pénalisée de Firth. Le code R et les ensembles de données sont fournis dans le supplément.