Outils de recherche et de statistiques
Outils statistiques pour la recherche clinique, calculés localement dans votre navigateur — vos données ne quittent pas votre appareil.
Les pages françaises présentent chaque outil ; la calculatrice s'ouvre en anglais — le calcul est identique dans toutes les langues.
Tous les outils
recherche par mot-cléAnalyse statistique automatique (collez un tableau → méthode + graphique)
Collez un tableau de données : l'outil détecte sa forme et choisit la méthode — résumés groupés moyenne±ET±n → ANOVA à un facteur par colonne de résultat (avec test de tendance linéaire pour des groupes ordonnés) ; valeurs brutes, un groupe par ligne → test t à 2 groupes / ANOVA à ≥3 groupes (avec Mann-Whitney / Kruskal-Wallis en recours) ; deux variables → corrélation et régression linéaire. Renvoie les statistiques, les valeurs P et un graphique de résultats, calculés localement.
Ouvrir →χ² apparié — McNemar / Q de Cochran
Comparer des résultats binaires appariés : deux conditions appariées (mêmes sujets, deux tests ou avant/après) relèvent de McNemar (avec correction de continuité et binomial exact) ; ≥3 conditions appariées relèvent du Q de Cochran. Le khi-deux ordinaire suppose l'indépendance et est inadapté aux données appariées.
Ouvrir →Taille d'effet (d / η² / convertisseur)
Deux moyennes de groupes → d de Cohen et g de Hedges (avec IC à 95 %) ; F d'ANOVA → η²/η² partiel ; plus conversion d↔r↔OR. Les valeurs P disent s'il existe une différence, les tailles d'effet disent son ampleur — indispensables pour les articles et la méta-analyse.
Ouvrir →Équivalence / non-infériorité (TOST)
Démontrer que deux groupes sont pratiquement équivalents ou non inférieurs : fixez a priori une marge d'équivalence ±Δ, puis appliquez deux tests unilatéraux (TOST). Donne la valeur p TOST, l'intervalle de confiance (1−2α) et une conclusion d'équivalence/non-infériorité. P>0,05 ≠ égalité.
Ouvrir →Erreur de mesure — SEM / MDC
Erreur type de mesure (SEM) et changement minimal détectable (MDC) : de quelle ampleur doit être un changement individuel pour dépasser l'erreur de mesure et être considéré comme réel. À partir de l'ET+fiabilité (ICC) ou de données appariées test-retest. Courant pour les échelles / mesures en imagerie et le suivi.
Ouvrir →Taille d'échantillon en grappes (effet de plan)
Pour une randomisation en grappes (par service/communauté/hôpital), majorez la taille d'échantillon par l'effet de plan DE=1+(m−1)ICC. À partir de la taille d'échantillon en randomisation individuelle (calculable ici pour deux proportions ou deux moyennes), déduisez le nombre total de sujets et le nombre de grappes nécessaires.
Ouvrir →Taux d'incidence et rapport de taux (IRR)
Événements rapportés au temps-personne (personnes-années/mois) : un groupe donne le taux d'incidence avec un IC de Poisson exact ; deux groupes donnent le rapport des taux d'incidence IRR (IC de Wald sur l'échelle log + IC conditionnel exact). Adapté aux cohortes, aux taux d'événements indésirables et aux taux de récidive.
Ouvrir →ROC dépendante du temps / AUC(t)
Discrimination d'un marqueur/modèle pronostique au fil du suivi : AUC(t) dépendante du temps selon les définitions cas cumulés/témoins dynamiques, avec IPCW (pondération par l'inverse de la probabilité de censure) pour gérer la censure ; donne l'AUC à chaque instant et la courbe.
Ouvrir →Méta-analyse de tests diagnostiques (SROC)
Agréger plusieurs études de précision diagnostique : sensibilité/spécificité groupées à effets aléatoires, odds ratio diagnostique DOR et courbe SROC de Moses–Littenberg montrant l'effet de seuil. Saisissez VP/FP/FN/VN par étude.
Ouvrir →Graphiques statistiques (dont 3D)
Collez vos données et obtenez une figure : nuages de points, courbes, barres, histogrammes, boîtes à moustaches, ainsi que nuage 3D rotatif et surface 3D. Gère la coloration par groupe, les titres/légendes d'axes et la grille ; export SVG vectoriel et PNG 300/600 dpi. Traceur polyvalent prêt pour les figures d'article.
Ouvrir →Taille d'échantillon pour modèle prédictif (Riley)
Taille d'échantillon minimale pour développer un modèle de prédiction clinique (issue binaire) : les trois critères de Riley 2019 (rétrécissement S=0,9, écart de R² de Nagelkerke ≤0,05, précision du risque prédit), en retenant le maximum ; donne le n requis, le nombre d'événements et le nombre d'événements par paramètre (EPP). Remplace la règle empirique EPV=10.
Ouvrir →Win Ratio
Win ratio stratifié sur critère composite (Pocock 2012) : comparer des critères de survie par ordre de priorité, puis une mesure continue secondaire ; les comparaisons par paires traitement×témoin comptent gains/pertes/égalités et fournissent Win Ratio, Win Odds, bénéfice net et IC à 95 % par bootstrap. Courant dans les essais en insuffisance cardiaque/cardiovasculaires.
Ouvrir →Inférence bayésienne sur une proportion
Conjugaison bêta–binomiale : un groupe donne moyenne/médiane a posteriori, intervalle de crédibilité à 95 % et P(p>seuil) ; deux groupes donnent P(groupe1>groupe2) ainsi que différence de risque, risque relatif et OR a posteriori. Gère les a priori de Jeffreys/uniforme — plus intuitif que les valeurs p, adapté aux essais précoces/adaptatifs.
Ouvrir →E-value — facteur de confusion non mesuré
Analyse de sensibilité pour les études observationnelles : convertit RR/OR/HR sur l'échelle du risque relatif et calcule la force (RR) qu'un facteur de confusion non mesuré devrait atteindre pour annuler l'association. Donne une E-value pour l'estimation ponctuelle et pour la borne de l'IC. D'après VanderWeele & Ding 2017.
Ouvrir →Concordance AC1 de Gwet
Concordance entre deux évaluateurs sur des catégories nominales. L'AC1 évite le paradoxe du kappa (concordance élevée mais κ faible) lorsque les catégories sont très déséquilibrées, et se montre plus robuste que le κ de Cohen. Rapporte AC1 et κ côte à côte avec IC à 95 % par bootstrap.
Ouvrir →Correction des tests multiples (FDR / Holm)
À partir d'un ensemble de valeurs p, obtenez les valeurs q ajustées selon Bonferroni, Holm (contrôle du FWER), Benjamini–Hochberg (FDR) et Benjamini–Yekutieli (FDR sous dépendance), ainsi que le nombre de résultats significatifs à chaque α. Essentiel pour les analyses multi-marqueurs / omiques / multi-sous-groupes.
Ouvrir →CCC de Lin (corrélation de concordance)
Concordance entre deux méthodes de mesure : le CCC combine précision (r de Pearson) et justesse (facteur de correction du biais Cb), captant le biais systématique que r seul ignore — complémentaire de Bland–Altman. Donne CCC, r et Cb avec IC à 95 %.
Ouvrir →Splines cubiques restreintes (RCS)
Modéliser la relation non linéaire entre une variable continue et un critère de jugement par splines cubiques restreintes : courbe lisse d'OR/HR (avec bande à 95 %) et test de non-linéarité, pour la régression logistique et le modèle de Cox, avec ajustement sur covariables, plus le code R (rms) reproductible en un clic.
Ouvrir →Hazard de sous-répartition de Fine–Gray
En présence de risques compétitifs, modéliser l'effet des covariables sur l'incidence cumulée (CIF) de l'événement d'intérêt, en fournissant les rapports de hazard de sous-répartition sHR. Mettre le groupe en covariable donne une comparaison intergroupe en risques compétitifs (l'équivalent en régression du test de Gray). Vérifié : se réduit au modèle de Cox en l'absence d'événement compétitif.
Ouvrir →Score de propension (PSM / IPTW)
Contrôler la confusion dans les études observationnelles : régression logistique pour le score de propension, puis appariement 1:1 avec caliper ou pondération par l'inverse de la probabilité, afin d'équilibrer les covariables. Rapporte l'équilibre des covariables (différence moyenne standardisée, SMD) et un Love plot avant/après, avec effet sur le critère en option.
Ouvrir →Taille d'échantillon avancée (survie/diagnostic/non-infériorité)
Taille d'échantillon pour plans spécialisés : études de survie (log-rank/Cox, nombre d'événements de Schoenfeld), tests diagnostiques (selon la précision visée sur la sensibilité/spécificité) et essais de non-infériorité/équivalence (moyennes ou taux). Pour les moyennes/taux/corrélations simples, voir le calculateur de taille d'échantillon.
Ouvrir →Incidence cumulée en risques compétitifs (CIF)
En présence d'événements compétitifs (p. ex. critère d'intérêt vs décès d'autre cause), 1−KM surestime l'incidence de l'événement d'intérêt. La CIF retire correctement l'influence de l'événement compétitif et donne, par groupe, la courbe d'incidence cumulée de l'événement d'intérêt et les estimations à l'instant τ.
Ouvrir →RMST (survie moyenne restreinte)
La RMST est l'aire sous la courbe de Kaplan–Meier sur [0,τ], c'est-à-dire la durée de survie moyenne dans l'intervalle τ. Lorsque l'hypothèse des risques proportionnels n'est pas vérifiée et que le HR devient difficile à interpréter, la différence de RMST offre une mesure intergroupe plus robuste et plus intuitive ; inclut les courbes KM et un test de différence.
Ouvrir →Reclassification NRI / IDI
Apport incrémental d'un nouveau modèle de prédiction par rapport à l'ancien : amélioration nette de reclassification (NRI, continue et catégorielle) et amélioration intégrée de la discrimination (IDI). Lorsque l'ajout d'un nouveau marqueur n'augmente que peu l'AUC, ces indices quantifient le gain de reclassification et de discrimination.
Ouvrir →Kappa de Fleiss (multi-évaluateurs)
Concordance entre 3 évaluateurs ou plus classant plusieurs sujets en catégories nominales. Le κ de Cohen ne vaut que pour deux évaluateurs ; au-delà, utilisez le κ de Fleiss. Donne κ, le degré de concordance, les proportions par catégorie et la concordance attendue.
Ouvrir →Test de tendance de Cochran–Armitage
Tester si le taux d'un critère binaire suit une tendance linéaire à travers des groupes ordonnés (p. ex. dose/grade croissants). Plus ciblé que le khi-deux — il détecte spécifiquement une relation dose-réponse monotone — avec un diagramme en barres des taux par groupe.
Ouvrir →Normalité / homogénéité des variances
Vérification des hypothèses avant un test t ou une ANOVA : normalité de Shapiro–Wilk (avec diagramme Q–Q) ainsi que les tests d'homogénéité des variances de Levene et Bartlett, pour choisir entre méthodes paramétriques et non paramétriques. Shapiro–Wilk utilise l'algorithme de Royston (1992).
Ouvrir →Calibration d'un modèle (Hosmer–Lemeshow)
Évaluer la calibration d'un modèle prédictif : test d'adéquation de Hosmer–Lemeshow, courbe de calibration, pente et ordonnée à l'origine de calibration (CITL) et score de Brier. La discrimination (AUC) porte sur le classement ; la calibration porte sur l'exactitude des probabilités — complémentaire de la ROC et de la DCA.
Ouvrir →Funnel plot de méta-analyse + Egger
Évaluer le biais de publication dans une méta-analyse : tracer un funnel plot (taille d'effet vs erreur type) et appliquer le test de régression d'Egger sur l'asymétrie de l'entonnoir ; une ordonnée à l'origine significativement différente de zéro suggère un possible biais de publication ou un effet des petites études. À utiliser avec l'outil de méta-analyse.
Ouvrir →Nomogramme de Fagan (probabilité post-test)
Raisonnement fondé sur les preuves au lit du malade : probabilité pré-test × rapport de vraisemblance → probabilité post-test, à partir de la sensibilité/spécificité ou d'un RV saisi directement, avec le nomogramme classique de Fagan. Montre à quel point un test peut modifier la certitude diagnostique.
Ouvrir →Conseiller en choix de méthode statistique
« Quelle méthode statistique dois-je utiliser ? » Répondez à quelques questions : le conseiller recommande une méthode et renvoie directement vers l'outil en ligne correspondant. Couvre la comparaison de groupes, la corrélation/régression, les tests diagnostiques, la survie, la concordance/fiabilité et d'autres domaines.
Ouvrir →Comparaison de méthodes (Passing–Bablok / Deming)
Comparer la concordance de deux méthodes de mesure : régressions de Passing–Bablok (robuste, sans hypothèse sur la distribution des erreurs) et de Deming (erreur sur les deux axes), avec pente/ordonnée à l'origine et IC à 95 %, plus un nuage de points. Un IC de pente contenant 1 = pas de biais proportionnel ; un IC d'ordonnée contenant 0 = pas de biais constant.
Ouvrir →Test de DeLong (comparer deux AUC)
Sur les mêmes sujets, tester si deux marqueurs/modèles diffèrent par l'aire sous la courbe ROC. Le test de DeLong tient compte de la corrélation liée à l'appariement et fournit chaque AUC, son IC à 95 %, la différence d'AUC et une valeur p.
Ouvrir →Alpha de Cronbach (fiabilité d'une échelle)
Cohérence interne d'une échelle/d'un questionnaire : saisissez une matrice sujets×items pour obtenir l'alpha de Cronbach et son interprétation, ainsi que l'alpha si l'item est supprimé, afin de repérer les items qui dégradent la fiabilité. Indicateur standard en développement et validation d'échelles.
Ouvrir →Tests post-hoc après ANOVA (Tukey/Bonferroni/Holm)
Une fois l'ANOVA significative, identifier quels groupes diffèrent : ANOVA à un facteur d'abord, puis HSD de Tukey–Kramer (avec IC simultanés à 95 %) et valeurs p des comparaisons par paires de Bonferroni et de Holm.
Ouvrir →Analyse de la courbe de décision (DCA)
Évaluer l'utilité clinique d'un modèle prédictif : bénéfice net selon la probabilité seuil, comparé aux droites de référence « traiter tout le monde » et « ne traiter personne », avec comparaison simultanée de plusieurs modèles et courbe exportable. Un standard pour les articles sur les modèles prédictifs.
Ouvrir →Régression de Cox à risques proportionnels
L'outil de référence de l'analyse de survie multivariée : évaluer l'effet de plusieurs covariables sur la durée de survie, en fournissant pour chacune le hazard ratio HR, l'IC à 95 %, la valeur p de Wald et le test du rapport de vraisemblance du modèle. Les ex æquo sont traités par l'approximation de Breslow ; complémentaire de Kaplan–Meier.
Ouvrir →Tableau 1 (caractéristiques initiales)
Collez des données brutes avec en-tête et choisissez une colonne de regroupement pour générer en un clic le tableau des « caractéristiques initiales » d'un article clinique : variables continues en moyenne±ET (t/ANOVA) ou médiane (IIQ) (non paramétrique), variables catégorielles en n (%) (khi-deux/Fisher), avec calcul automatique des valeurs p intergroupes.
Ouvrir →Calculateur RR / OR / NNT
Saisissez un tableau 2×2 pour calculer le risque relatif RR, l'odds ratio OR, la différence absolue de risque ARD, la réduction relative du risque RRR et le nombre de sujets à traiter NNT, avec IC à 95 % pour les rapports et la différence de risque. Courant pour interpréter les résultats de cohortes, d'études cas-témoins et d'essais randomisés.
Ouvrir →Tests non paramétriques (Mann–Whitney/Kruskal–Wallis)
Comparer des groupes lorsque les données ne sont pas normales ou sont ordinales : deux groupes indépendants → U de Mann–Whitney, données appariées → test des rangs signés de Wilcoxon, ≥3 groupes → H de Kruskal–Wallis, avec correction des ex æquo et médianes.
Ouvrir →Concordance kappa
Concordance de classification entre évaluateurs : kappa de Cohen (nominal) ainsi que kappa pondéré linéaire/quadratique pour les grades ordinaux, avec matrice de confusion et interprétation de la concordance. Courant pour la concordance des grades en imagerie.
Ouvrir →Corrélation (Pearson/Spearman)
Corrélation entre deux variables continues : corrélation produit-moment de Pearson (avec IC à 95 % par transformation z de Fisher et valeur p) et corrélation des rangs de Spearman, pour données normales ou non normales.
Ouvrir →Khi-deux / test exact de Fisher
Analyse de tableaux de contingence pour variables catégorielles : khi-deux de Pearson pour tout tableau R×C ; pour les tableaux 2×2, également la correction de Yates et le test exact de Fisher, avec avertissement lorsque les effectifs attendus sont trop faibles.
Ouvrir →Test t / ANOVA
Comparer les moyennes de deux groupes ou plus pour une variable continue : deux groupes donnent les tests t de Student / de Welch / apparié, ≥3 groupes déclenchent automatiquement une ANOVA à un facteur, avec la statistique et la valeur p.
Ouvrir →Nomogramme
À partir d'une régression logistique, générer automatiquement le nomogramme d'un modèle de prédiction clinique, en transformant l'équation de régression en un graphique visuel « lire les points → total → probabilité ». Sans R.
Ouvrir →Régression logistique binaire
Analyser l'effet de plusieurs facteurs sur un critère binaire, en fournissant pour chacun l'OR, l'IC à 95 %, la significativité et les indices d'ajustement du modèle. Méthode centrale pour l'analyse des facteurs de risque et les modèles prédictifs en clinique.
Ouvrir →Méta-analyse et forest plot
Agréger l'OR ou la MD entre études avec des modèles à effets fixes/aléatoires, calculer l'hétérogénéité I² et Q et tracer un forest plot. Courant dans les revues systématiques.
Ouvrir →Concordance de Bland–Altman
Évaluer la concordance entre deux méthodes de mesure : tracer le diagramme de Bland–Altman et calculer le biais moyen et les limites de concordance à 95 % (LoA).
Ouvrir →Survie de Kaplan–Meier
Saisissez la durée de suivi et les événements pour tracer les courbes de survie et calculer la survie médiane ; en présence de groupes, un test du log-rank est lancé automatiquement. Courant en recherche pronostique en oncologie.
Ouvrir →Percentile de biométrie fœtale
Saisissez l'âge gestationnel et une mesure fœtale (BIP/PC/PA/LF/diamètre transverse du cervelet) pour estimer son percentile, afin d'apprécier si la croissance s'écarte de l'intervalle normal.
Ouvrir →Tableau diagnostique 2×2
Saisissez vrais positifs/faux positifs/faux négatifs/vrais négatifs pour calculer sensibilité, spécificité, valeurs prédictives, rapports de vraisemblance et odds ratio diagnostique, avec IC à 95 % pour les proportions.
Ouvrir →Ajustement de régression et graphique
Saisissez la variable explicative et la réponse : ajustement automatique de modèles linéaire / quadratique / cubique et comparaison entre eux, avec l'équation de régression et le graphique ajusté.
Ouvrir →Calculateur de taille d'échantillon
Scénarios prédéfinis par type d'étude (étude d'intervalle de référence / test diagnostique / étude de corrélation) ; saisissez les paramètres pour obtenir la taille d'échantillon nécessaire.
Ouvrir →Intervalle de référence
Saisissez une série de mesures pour calculer la moyenne, l'écart-type, le test de normalité et l'intervalle de référence P2,5–P97,5, en produisant un tableau d'intervalle de référence directement intégrable à un article.
Ouvrir →Courbe ROC et performance diagnostique
Saisissez l'étalon-or et les valeurs mesurées pour calculer l'AUC (avec IC à 95 %), tracer la courbe ROC et donner le seuil optimal selon l'indice de Youden avec sa sensibilité/spécificité. Outil central de la recherche en imagerie diagnostique.
Ouvrir →ICC (corrélation intraclasse)
Coefficient de corrélation intraclasse (ICC 2,1 / 2,k), avec intervalle de confiance à 95 % et degré de concordance. Indispensable à l'analyse de la concordance inter-observateurs en recherche en imagerie.
Ouvrir →Labs est le laboratoire de recherche clinique d'AI好医生, destiné aux cliniciens en exercice : un ensemble d'outils en ligne nés de besoins réels de recherche, pensés pour coller au terrain, rester simples d'usage et fournir des résultats directement intégrables à un article. De nouveaux outils sont ajoutés en continu. — 56 disponibles à ce jour.