16 mai 2023 · 5 min
Catherine Com-Nougué : du débutant à la thèse en biostatistique
Dans cet épisode, suivez ses enseignements et ses travaux pour découvrir une pédagogie de la biostatistique attentive au niveau de chaque étudiant.
Collections de cet épisode (3)
Un contenu original Tangente, adapté en podcast avec l’aide de l’IA et validé par notre rédaction. Comment ça marche ?
Transcription
Afficher la transcriptionMasquer la transcription
Transcription automatique
Intervenant 1
Bonjour et bienvenue à tous ceux qui écoutent le podcast du magazine Tangente. Aujourd'hui, on va parler de médecine, mais sous un angle un peu inattendu.
Intervenant 2
Oui, un angle purement mathématique pour le coup.
Intervenant 1
Exactement. Parce que quand un nouveau médicament arrive sur le marché, on remerciait logiquement les biologistes et les médecins.
Intervenant 2
C'est normal, oui.
Intervenant 1
Mais on oublie souvent que la véritable preuve de son efficacité, celle qui garantit qu'il va soigner et non aggraver les choses, elle n'est pas strictement médicale.
Intervenant 2
Elle est mathématique, oui.
Intervenant 1
Voilà. Aujourd'hui, on plonge dans les travaux d'une femme qui a vraiment imposé cette rigueur en France, la biostatisticienne Catherine Com-Nougué.
Intervenant 2
C'est un profil vraiment fascinant. Tu sais, entre 1944 et 2017, elle n'a pas seulement fait de la recherche clinique.
Intervenant 1
Non, c'est
Intervenant 2
vrai. Son impact colossal, il vient surtout de sa capacité à avoir formé des générations entières de spécialistes, que ce soit pour les laboratoires privés ou pour le monde académique.
Intervenant 1
Bon, décortiquons un peu tout ça. Ce qui sort de nos sources, c'est une pédagogie assez rare. Comment est-ce qu'elle arrivait à se mettre au niveau d'un débutant tout en challengeant un étudiant en thèse sans jamais sacrifier la rigueur mathématique ?
Intervenant 2
La clé, en fait, c'est qu'elle a ancré l'abstraction dans la réalité clinique. Elle ne se contentait pas d'écrire de belles équations au tableau. Dès son implication dans le fameux module Stark, la statistique appliquée à la recherche clinique, fondée par Daniel Schwartz en 1962, elle a tout de suite compris qu'il fallait structurer cet enseignant autour du patient.
Intervenant 1
Donc au lieu d'enseigner les probabilités dans le vide abstrait, elle partait du problème médical pour remonter à l'outil statistique.
Intervenant 2
C'est ça. Elle montrait comment une formule précise pouvait concrètement valider un traitement. Et elle a diffusé cette méthode un peu partout en France.
Intervenant 1
Un peu comme une architecte finalement, qui construirait des ponts entre toutes ces institutions. Nos notes mentionnent la création de la formation à l'ISUP en 1987, mais aussi des cours à l'ENSAI ou à Paris 11.
Intervenant 2
Elle a catégoriquement refusé que la biostatistique reste une discipline de niche. En créant ces cursus, elle a forgé un véritable langage commun entre des mathématiciens très pointus et des cliniciens.
Intervenant 1
Des cliniciens qui, eux, avaient besoin de réponses hyper fiables sur le terrain.
Intervenant 2
Tout à fait.
Intervenant 1
Rentrons un peu dans le vif du sujet mathématique, du coup, parce que c'est là que ça devient fascinant. On parle beaucoup de son expertise sur les données censurées.
Intervenant 2
Ah oui, le fameux terme.
Intervenant 1
Je t'avoue que dit comme ça, on a l'impression que les laboratoires cachent des informations gênantes.
Intervenant 2
C'est une confusion hyper fréquente. Mais en statistique médicale, une donnée censurée désigne une réalité beaucoup plus banale et surtout très frustrante, l'information incomplète.
Intervenant 1
Genre un patient qui disparaît dans la nature.
Intervenant 2
Exactement. Imagine une étude clinique prévue sur cinq ans. Si un patient déménage au bout de deux ans, on perd sa trace. On ne sait pas s'il a fini par guérir ou faire une rechute.
Intervenant 1
Ah la galère ! Mais on ne peut pas simplement l'effacer des tableurs, sinon on fausse tous les résultats finaux ?
Intervenant 2
Voilà toute la difficulté. Les modèles qu'elle enseignait permettaient d'intégrer mathématiquement ce temps de participation partielle, sans biaiser la conclusion globale.
Intervenant 1
C'est super ingénieux !
Intervenant 2
Et à côté de ça, elle maîtrisait à la perfection ce qu'on appelle les essais de non-infériorité.
Intervenant 1
C'est-à-dire ?
Intervenant 2
L'enjeu n'est pas de prouver qu'un médicament est meilleur, c'est ça ?
Intervenant 1
C'est ça, simplement qu'il n'est pas moins efficace que le traitement standard.
Intervenant 2
Tout en étant, par exemple, moins cher ou avec beaucoup moins d'effets indésirables.
Intervenant 1
Ah, je vois. Et pour gérer toute cette incertitude, nos sources soulignent qu'elles s'appuyaient beaucoup sur la statistique bayésienne.
Intervenant 2
L'approche bayésienne, oui.
Intervenant 1
On entend super souvent ce terme en ce moment, mais concrètement, au milieu d'un essai clinique, ça marche comment ?
Intervenant 2
Eh bien, contrairement à la statistique, disons classique, qui attend patiemment la fin de l'étude pour livrer un verdict complètement figé, l'approche bayésienne est ultra dynamique.
Intervenant 1
Ah, ça évolue en cours de route.
Intervenant 2
Voilà, on part d'une probabilité initiale et ensuite chaque nouveau patient, chaque nouvelle donnée récoltée vient réajuster cette probabilité en temps réel.
Intervenant 1
Donc si les premiers résultats sont excellents ou au contraire totalement catastrophiques, on s'en rend compte direct.
Intervenant 2
C'est ça, le modèle permet de le détecter beaucoup plus vite. C'est vraiment le moteur de la preuve scientifique moderne pour le coup.
Intervenant 1
Et le plus impressionnant, c'est que ce savoir, il n'est pas resté coincé dans les amphis. En 1987, elle publie chez Lavoisier son ouvrage « Méthodes statistiques appliquées à la recherche clinique ».
Intervenant 2
Coécrit avec Robert Flamand et Agnès Laplanche.
Intervenant 1
Un véritable best-seller, oui, une bible du domaine. Ce qui nous amène vraiment à l'idée maîtresse. L'héritage de Catherine Com-Nougué prouve qu'une théorie mathématique tire toute sa puissance de sa transmission.
Intervenant 2
Complètement. En formant des générations à ses outils, elle a indirectement impacté la santé de millions de personnes. Sans cette rigueur, l'approbation d'un médicament, c'est ni plus ni moins qu'un pari.
Intervenant 1
En enseignant ses probabilités, elle a littéralement sécurisé le parcours des patients d'aujourd'hui.
Intervenant 2
Ce qui amène d'ailleurs une question assez provocatrice pour demain, tu sais.
Intervenant 1
Ah bon ? Laquelle ?
Intervenant 2
Ces outils bayésiens et de non-infériorité ont façonné la médecine jusqu'à aujourd'hui. Mais avec l'arrivée massive de l'intelligence artificielle, qui peut analyser des millions de dossiers en une fraction de seconde... On
Intervenant 1
change d'échelle,
Intervenant 2
oui. La question se pose. Est-ce que ces nouveaux algorithmes vont simplement automatiser les principes rigoureux enseignés par Catherine Com-Nougué ? Ou est-ce qu'ils vont inventer une toute nouvelle façon, peut-être beaucoup plus opaque, de définir la preuve médicale ?
À écouter ensuite
Des épisodes qui partagent une playlist, une figure ou un domaine avec celui-ci.
31 juil. 2026 · 6 min
30 avr. 2026 · 5 min
22 avr. 2026 · 21 min
12 févr. 2026 · 21 min
12 févr. 2026 · 19 min
11 févr. 2026 · 16 min