La dichotomisation d'une covariable continue est peu judicieuse, comme l'ont noté d'autres utilisateurs.

Une stratégie que j'emploie est de redimensionner le prédicteur à quelque chose de plus raisonnable.1 mmHg peut ne pas être une échelle très significative sur laquelle interpréter les changements de PA.Mais, si vous redimensionnez le prédicteur de sorte qu'une différence de 1 unité représente disons une différence de 10 mmHg alors les choses deviennent un peu plus faciles à digérer et le rapport de cotes sera plus appréciable et aura l'interprétation suivante

Pour chaque augmentation de 10 mmHg de la pression artérielle, la probabilité d'IM augmente d'un facteur $ \ exp (\ beta) $ .

Semblable à la réponse d'EdM, un graphique des effets marginaux est un moyen utile de montrer la relation entre une mesure clinique et le résultat tout en maintenant les autres variables constantes. Ces graphiques sont utiles car ils montrent la relation entre le prédicteur et le résultat, donc si le résultat n'est pas linéaire, les médecins peuvent facilement le voir et l'interpréter de manière appropriée. Voici un exemple du livre de Frank Harrell Regression Modeling Strategies

Une des préoccupations liées à la dichotomisation de la variable de pression artérielle et à l'inférence est que vous avez supposé que tous les patients dont la tension artérielle est inférieure à 150 mmHg courent le même risque en raison de leur tension artérielle, ce que je ne crois pas être vrai. Je ne pense pas qu'il y ait de biologie derrière l'hypothèse qu'une fois que la pression artérielle d'un patient dépasse 150 mmHg, il devient comme par magie plus à risque de crise cardiaque. Il est plus probable que de petites augmentations de la pression artérielle entraînent de légères augmentations du risque.

Des hypothèses incorrectes comme celle-ci peuvent invalider l'inférence car le modèle n'est plus correct. Des modèles incorrects conduiront à des inférences invalides et à des valeurs p incorrectes, il est donc essentiel de définir le modèle pour qu'il corresponde le mieux à ce qui est biologiquement plausible. Cela signifie traiter la tension artérielle comme continue au lieu de la dichotomiser.

Pour la digestibilité, utilisez des exemples de situations représentatives: dans votre exemple, comparez peut-être les risques à une PA de 160 et à une PA de 120.

Pour une approche qui peut prendre en compte les multiples prédicteurs généralement importants dans les études cliniques, utilisez un nomogramme. Il fournit un outil graphique pour montrer comment les valeurs des prédicteurs affectent les résultats. Le rms package de R fournit des outils pour construire des nomogrammes à partir de modèles de régression ajustés.

Cette approche particulière que vous proposez:

Le médecin effectue donc une analyse ROC pour voir à quelle valeur la sensibilité et la spécificité de la pression artérielle sont les plus élevées pour prédire une crise cardiaque. Il remarque que c'est à 150 mmHg ... Il régresse à nouveau, avec des crises cardiaques et la nouvelle TA dichotomisée au-dessus ou en dessous de 150 mmHg et obtient un OR de 5

n'est pas judicieux pour des raisons autres que les problèmes généraux de dichotomisation que vous reconnaissez. D'une part, l'utilisation de la sensibilité et de la spécificité a tendance à impliquer une hypothèse cachée selon laquelle les classifications faux-positif et faux-négatif ont les mêmes coûts. D'autre part, une fois que vous avez utilisé les données pour définir le seuil, les hypothèses sous-jacentes aux calculs de la valeur de p et de l'intervalle de confiance ne sont plus valables.

Un autre problème est que la relation entre l'IV et la DV (ici, BP et risque de crise cardiaque) peut ne pas être linéaire.Je pense que ce genre de non-linéarité serait assez courant dans les domaines médicaux.En effet, cela est parfois donné comme raison de catégoriser la variable continue (quoique en plus de deux catégories).Mais ce n'est pas bon.Une meilleure méthode consiste à utiliser une spline de l'IV.