ECTS
60 crédits
Durée
1 an
Structure de formation
Faculté de Médecine, Faculté de pharmacie
Présentation
Le Master Épidémiologie, Données de Santé, Biostatistique (EDSB) forme des spécialistes capables de concevoir des études, d’analyser des données complexes et d’en interpréter les résultats dans les domaines de la santé et des sciences du vivant. La formation repose sur trois grands champs complémentaires : l’épidémiologie, la biostatistique et la science des données. Elle vise à donner aux étudiants une double compétence associant leur expérience antérieure dans la compréhension des problématiques biologiques, médicales ou de santé publique et la maîtrise des méthodes quantitatives nécessaires à l’exploitation rigoureuse des données. Nos étudiants sont de véritables atouts dans les équipes travaillant en biologie/santé puisqu’ils ont la culture nécessaire pour maîtriser la problématique d’intérêt et la compétence pour construire les protocoles de recueil des données, et pour analyser et interpréter ces données de façon adéquate et autonome. Cette analyse adéquate des données en biologie/santé est un enjeu majeur pour la recherche des années à venir car les données sont de plus en plus volumineuses et nombreuses et des erreurs dans leur analyse peuvent conduire (et ont déjà conduit par le passé) à des conclusions erronées ou non reproductibles décrédibilisant l’ensemble de la filière recherche. Une expertise réelle en analyse de données est donc aujourd’hui indispensable pour permettre de répondre à des questions biologiques et/ou de santé complexes (recherche de biomarqueurs, identification des déterminants des maladies, évaluation de l’efficacité des interventions de santé, médecine personnalisée, données omiques…). Cet objectif est l’« ADN » de notre formation.
Le Master s’adresse notamment aux étudiants issus des filières de santé, des sciences de la vie, des sciences pour la santé souhaitant développer une expertise en analyse de données appliquée à la recherche. Le Master 1 est commun et apporte un socle méthodologique solide en épidémiologie, statistiques, programmation, gestion et analyse de données. Il conduit ensuite vers deux orientations principales en Master 2 :
- le parcours Analyse des données de santé, centré sur la recherche clinique, l’épidémiologie, la santé publique et l’exploitation des données de santé obtenues en conditions réelles (Real‑World Data (RWD) ; Real‑World Evidence (RWE));
- le parcours Data Scientist pour les sciences du vivant, orienté vers l’analyse de données biologiques complexes et les méthodes de data science appliquées aux sciences du vivant.
Cette organisation permet de construire progressivement des compétences allant de la conception d’une étude à l’analyse statistique, la modélisation, la validation, l’interprétation et la valorisation scientifique des résultats. Les enseignements mobilisent notamment R, SAS et Python, ainsi que des méthodes de modélisation, de machine learning et d’intelligence artificielle.
Le Master prépare à des activités dans la recherche académique ou hospitalière, les établissements de santé, les organismes de santé publique, l’industrie et les entreprises des sciences du vivant, ainsi qu’à une poursuite en doctorat.
Programme
Sélectionnez un programme
Master 1 Epidémiologie, Données de Santé, Biostatistique (EDSB)
Le Master 1 EDSB constitue le socle commun de la formation en épidémiologie, biostatistique et analyse de données appliquées à la santé et aux sciences du vivant. Il vise à donner aux étudiants les bases nécessaires pour comprendre, structurer et analyser des données issues de contextes variés : recherche clinique, études épidémiologiques, santé publique, biologie ou sciences du vivant.
Les enseignements portent notamment sur les statistiques inférentielles, le modèle linéaire général, l’épidémiologie quantitative, les essais cliniques randomisés, le data mining, les bases de données et l’analyse des données omiques. La formation comprend également un apprentissage pratique complet des principaux langages de programmation utilisés en analyse de données, avec R, SAS et Python, ainsi qu’une introduction au big data et à l’intelligence artificielle en santé.
L’objectif est de former des étudiants capables non seulement d’appliquer des méthodes statistiques, mais surtout capables de répondre à une question scientifique, parce qu’ils en auront compris les hypothèses, auront appris à choisir les méthodes appropriées pour traiter les données et appris ài nterpréter correctement les résultats et à évaluer de manière critique les analyses réalisées.
Le M1 développe ainsi un socle méthodologique commun avant la spécialisation en M2 vers l’analyse des données de santé, ou la data science appliquée aux sciences du vivant. Un stage d’initiation à la recherche de deux mois permet de mettre en pratique les connaissances acquises sur une problématique réelle de recherche.
Anglais
5 créditsCHOIX S1
2,5 créditsAu choix : 1 parmi 2
ASPECTS TECHNOLOGIQUES DU RECUEIL DE DONNEES OMIQUES
2,5 créditsGRANDS ENJEUX EN SANTE
2,5 crédits
INTRODUCTION STATISTIQUE INFERENTIELLE NIVEAU 1
2,5 créditsR-SAS NIVEAU1
2,5 créditsINTRODUCTION STATISTIQUE INFERENTIELLE NIVEAU 2
2,5 créditsDATA MINING
5 créditsINTRODUCTION EPIDEMIOLOGIE RECHERCHE CLINIQUE
2,5 créditsMATHEMATIQUES GENERALES
2,5 créditsBASE DE DONNEES NIVEAU1
2,5 créditsMODELE LINEAIRE GENERAL
2,5 crédits
R-SAS NIVEAU 2
2,5 créditsSTAGE
10 créditsPYTHON
2,5 créditsANALYSE STATISTIQUE DES DONNEES OMIQUES
2,5 créditsBIG DATA & INTELLIGENCE ARTIFICIELLE EN SANTE
2,5 créditsMETHODES EN EPIDEMIOLOGIE QUANTITATIVE NIVEAU DE BASE
2,5 créditsETUDE DE CAS (partie 1)
2,5 créditsESSAIS CLINIQUES RANDOMISES
2,5 créditsINGENIERIE DE PROJETS & COMMUNICATION
2,5 crédits
Master 2 Épidémiologie, données de santé, biostatistiques sous parcours Données de santé
Le Master 2 EDSB – Analyse des données de santé (ADS) forme à l’analyse et à l’interprétation des données issues de la recherche clinique, de l’épidémiologie et de la santé publique, avec une place importante accordée aux données de santé en vie réelle (Real-World Data, RWD) et à leur utilisation pour produire des connaissances en vie réelle (Real-World Evidence, RWE). Il s’adresse aux étudiants du Master 1 EDSB souhaitant développer une expertise méthodologique en recherche en santé, ainsi qu’aux médecins, pharmaciens et autres professionnels de santé désireux d’acquérir une réelle autonomie dans la conception et l’analyse de leurs travaux.
La formation vise à maîtriser l’ensemble de la chaîne méthodologique : formulation de la question de recherche, choix du design, organisation et structuration des données, définition du plan d’analyse, traitement statistique, interprétation des résultats et discussion de leurs limites. Elle associe un socle solide en biostatistique classique — modèles généralisés et mixtes, analyse de survie, machine learning — à une formation approfondie en épidémiologie et recherche clinique : méthodes en épidémiologie quantitative avancée, biostatistique appliquée au diagnostic et au pronostic, méta-analyse et biostatistique pour la recherche clinique.
La formation aborde également les méthodes actuelles d’analyse des données de santé : nouveaux designs en recherche clinique, données observationnelles et médico-administratives, essais émulés, bras synthétiques, données synthétiques, entrepôts de données de santé (EDS), SNDS, standards de données et intelligence artificielle générative appliquée aux données de santé. Une place importante est donnée aux cas d’usage, à la manipulation de données, à la programmation et à l’utilisation raisonnée de l’IA pour l’analyse.
Le second semestre est consacré à un stage de recherche d’au moins quatre mois, conduit jusqu’à la rédaction d’un mémoire sous forme d’article scientifique et à sa soutenance.
Ce parcours permet aux étudiants en santé de s’orienter vers une carrière hospitalo-universitaire. Les étudiants issus d’autres filières peuvent accéder à des postes d’ingénieur d’étude, de biostatisticien ou de méthodologiste dans des organismes publics de santé, de recherche et d’expertise, dans des unités de recherche travaillant sur les données de santé ou dans les structures de soutien méthodologique à la recherche clinique des établissements de santé. Une poursuite en doctorat permet également d’envisager une carrière de chercheur en épidémiologie, biostatistique ou sciences des données de santé.
SEMINAIRES DE RECHERCHE
2,5 créditsMACHINE LEARNING NIVEAU 1: APPLICATION AU PRONOSTIC
2,5 créditsMODELE LINEAIRE GENERALISE ET MIXTE
5 créditsANALYSE DES DONNEES CENSUREES
2,5 crédits
Master 2 Epidémiologie, Données de Santé, Biostatistique (EDSB) sous parcours Data Analyst pour les Sciences du Vivant
Le Master 2 EDSB – Data Scientist pour les Sciences du Vivant forme des data scientists capables d'intervenir sur un large panel de données issues de la biologie, de la santé et plus largement des sciences du vivant. Il offre une formation généraliste, adaptée à la diversité des données et des contextes rencontrés en recherche comme en entreprise : données expérimentales, industrielles, pharmacologiques, omiques ou issues de dispositifs de mesure complexes.
Le parcours accorde une place centrale au machine learning, avec une progression allant des méthodes d'apprentissage jusqu'au deep learning. Il conserve un socle commun avec le parcours Analyse des données de santé (modèles linéaires généralisés et mixtes, analyse des données censurées), qui garantit une solide culture en biostatistique. Il l'élargit à des problématiques propres à l'industrie et aux sciences du vivant : statistiques pour l'industrie, planification du recueil de données, bases de données avancées, et modélisation en pharmacocinétique combinant modèles mixtes et machine learning. Les enseignements mobilisent R et Python.
La formation repose largement sur l'apprentissage par projet. Des études de cas et des projets menés en collaboration avec d'autres formations placent les étudiants dans des situations proches de la réalité professionnelle : travail en équipe, dialogue avec des spécialistes d'autres disciplines, gestion d'un projet d'analyse de bout en bout. Des séminaires de recherche complètent cette ouverture.
Le parcours est ouvert à l'apprentissage, qui permet aux étudiants d'acquérir une expérience professionnelle significative dès le M2. Les autres étudiants effectuent un stage de six mois en laboratoire de recherche ou en entreprise. Cette organisation prépare à des postes de data scientist, biostatisticien ou ingénieur d'études dans les laboratoires de recherche académique ou hospitalière, l'industrie pharmaceutique, voire l’agroalimentaire ou les biotechnologies ou encore à une poursuite en doctorat.
ANALYSE DES DONNEES CENSUREES
2,5 créditsSTATISTIQUES TEMPORELLES
2,5 créditsMODELE LINEAIRE GENERALISE ET MIXTE
5 créditsApplication modèle mixte & machine learning
2,5 créditsETUDE DE CAS PARTIE 2
5 créditsMACHINE LEARNING NIVEAU 1: APPLICATION AU PRONOSTIC
2,5 créditsBASES DE DONNEES NIVEAU 2
2,5 créditsMACHINE LEARNING NIVEAU 2
2,5 créditsRECUEIL PLANIFIE DE DONNEES
2,5 créditsSTATISTIQUES POUR L'INDUSTRIE
2,5 créditsSEMINAIRES DE RECHERCHE
2,5 crédits
Stage Master 2
25 créditsStage M2 EDSB
30 crédits