Expert Senior en Analyse SPSS pour la Recherche Médicale

Vue d'ensemble

Ce skill transforme des fichiers SPSS (.sav) en rapports scientifiques complets au standard thèse/mémoire universitaire. Il couvre l'ensemble du pipeline analytique : lecture des données → analyses statistiques → figures → tableaux APA → interprétation rédigée → .docx.

---

Workflow Principal

1. LECTURE     → Charger et explorer le fichier .sav
2. NETTOYAGE   → Vérifier types, valeurs manquantes, outliers
3. ANALYSES    → Choisir et exécuter les tests appropriés
4. VISUALISATION → Générer figures (matplotlib/seaborn)
5. RAPPORT     → Assembler le .docx avec docx-js
6. LIVRAISON   → Présenter le fichier à l'utilisateur

---

Étape 1 — Lecture du Fichier SPSS

Installation des dépendances

pip install pyreadstat scipy statsmodels lifelines matplotlib seaborn pandas numpy --break-system-packages
npm install -g docx

Chargement du fichier .sav

import pyreadstat
import pandas as pd
import numpy as np

df, meta = pyreadstat.read_sav("/mnt/user-data/uploads/fichier.sav",
                                apply_value_labels=True)

# Explorer la structure
print(df.shape)
print(df.dtypes)
print(df.describe())
print("Valeurs manquantes:\n", df.isnull().sum())
print("Labels des variables:", meta.column_labels)

Si le fichier .sav n'est pas encore uploadé, demander à l'utilisateur de le fournir. Si c'est un .spv (output SPSS), lire la note dans references/spv-reading.md.

---

Étape 2 — Diagnostic des Données

Toujours effectuer avant toute analyse :

# Résumé automatique de qualité des données
def data_quality_report(df, meta):
    report = {}
    report['n_observations'] = len(df)
    report['n_variables'] = len(df.columns)
    report['missing'] = df.isnull().sum().to_dict()
    report['missing_pct'] = (df.isnull().sum() / len(df) * 100).round(2).to_dict()
    
    # Identifier variables numériques vs catégorielles
    report['numeric_vars'] = df.select_dtypes(include='number').columns.tolist()
    report['categorical_vars'] = df.select_dtypes(exclude='number').columns.tolist()
    
    return report

Règles de décision pour les valeurs manquantes :

• < 5% : exclure les cas (listwise)
• 5–20% : envisager imputation multiple

• 20% : signaler à l'utilisateur

---

Étape 3 — Analyses Statistiques

3A. Statistiques Descriptives

from scipy import stats

def descriptives_table(df, variables, group_var=None):
    """Génère un tableau descriptif complet style APA."""
    results = []
    for var in variables:
        col = df[var].dropna()
        row = {
            'Variable': var,
            'N': len(col),
            'Moyenne': round(col.mean(), 2),
            'ÉT': round(col.std(), 2),
            'Médiane': round(col.median(), 2),
            'Min': round(col.min(), 2),
            'Max': round(col.max(), 2),
            'Asymétrie': round(col.skew(), 3),
            'Kurtosis': round(col.kurt(), 3)
        }
        # Test de normalité (Shapiro si n<50, K-S sinon)
        if len(col) < 50:
            stat, p = stats.shapiro(col)
            row['Test normalité'] = f"Shapiro-Wilk W={stat:.3f}, p={p:.3f}"
        else:
            stat, p = stats.kstest(col, 'norm', args=(col.mean(), col.std()))
            row['Test normalité'] = f"K-S D={stat:.3f}, p={p:.3f}"
        results.append(row)
    return pd.DataFrame(results)

3B. Tests Paramétriques

import statsmodels.api as sm
from statsmodels.stats.multicomp import pairwise_tukeyhsd

# --- t-test indépendant ---
def run_ttest(df, var, group_var):
    groups = [g[var].dropna() for _, g in df.groupby(group_var)]
    # Vérifier homogénéité des variances (Levene)
    lev_stat, lev_p = stats.levene(*groups)
    equal_var = lev_p > 0.05
    t_stat, p_val = stats.ttest_ind(*groups, equal_var=equal_var)
    # Cohen's d
    n1, n2 = len(groups[0]), len(groups[1])
    pooled_std = np.sqrt(((n1-1)*groups[0].std()**2 + (n2-1)*groups[1].std()**2) / (n1+n2-2))
    cohens_d = (groups[0].mean() - groups[1].mean()) / pooled_std
    return {'t': round(t_stat, 3), 'df': n1+n2-2, 'p': round(p_val, 3),
            "Cohen's d": round(cohens_d, 3), 'Levene p': round(lev_p, 3)}

# --- ANOVA à un facteur ---
def run_anova(df, var, group_var):
    groups = [g[var].dropna().values for _, g in df.groupby(group_var)]
    f_stat, p_val = stats.f_oneway(*groups)
    # Eta-carré
    grand_mean = df[var].mean()
    ss_between = sum(len(g) * (g.mean() - grand_mean)**2 for g in groups)
    ss_total = sum((x - grand_mean)**2 for g in groups for x in g)
    eta_sq = ss_between / ss_total
    # Post-hoc Tukey si significatif
    posthoc = None
    if p_val < 0.05:
        tukey = pairwise_tukeyhsd(df[var].dropna(), df.loc[df[var].notna(), group_var])
        posthoc = str(tukey)
    return {'F': round(f_stat, 3), 'p': round(p_val, 3),
            'η²': round(eta_sq, 3), 'Post-hoc': posthoc}

3C. Régressions

import statsmodels.formula.api as smf

# --- Régression Linéaire Multiple ---
def run_linear_regression(df, outcome, predictors):
    formula = f"{outcome} ~ {' + '.join(predictors)}"
    model = smf.ols(formula, data=df).fit()
    results = {
        'R²': round(model.rsquared, 3),
        'R² ajusté': round(model.rsquared_adj, 3),
        'F': round(model.fvalue, 3),
        'F p-value': round(model.f_pvalue, 4),
        'AIC': round(model.aic, 2),
        'Coefficients': model.summary2().tables[1].round(3)
    }
    return model, results

# --- Régression Logistique ---
def run_logistic_regression(df, outcome, predictors):
    formula = f"{outcome} ~ {' + '.join(predictors)}"
    model = smf.logit(formula, data=df).fit(disp=False)
    # Odds Ratios avec IC 95%
    odds_ratios = pd.DataFrame({
        'OR': np.exp(model.params),
        'IC 95% inf': np.exp(model.conf_int()[0]),
        'IC 95% sup': np.exp(model.conf_int()[1]),
        'p-value': model.pvalues
    }).round(3)
    # Pseudo R² (Nagelkerke)
    n = len(df.dropna(subset=[outcome]+predictors))
    r2_cox = 1 - np.exp(-(model.llf - model.llnull) * 2 / n)
    r2_nagelkerke = r2_cox / (1 - np.exp(2 * model.llnull / n))
    return model, odds_ratios, round(r2_nagelkerke, 3)

3D. Analyses de Survie

from lifelines import KaplanMeierFitter, CoxPHFitter
from lifelines.statistics import logrank_test

# --- Kaplan-Meier ---
def run_kaplan_meier(df, duration_col, event_col, group_col=None):
    kmf = KaplanMeierFitter()
    results = {}
    if group_col:
        groups = df[group_col].unique()
        fitters = {}
        for g in groups:
            mask = df[group_col] == g
            kmf_g = KaplanMeierFitter()
            kmf_g.fit(df[mask][duration_col], df[mask][event_col], label=str(g))
            fitters[g] = kmf_g
        # Log-rank test
        if len(groups) == 2:
            g1, g2 = groups
            results['logrank'] = logrank_test(
                df[df[group_col]==g1][duration_col], df[df[group_col]==g2][duration_col],
                df[df[group_col]==g1][event_col],   df[df[group_col]==g2][event_col]
            )
        results['fitters'] = fitters
    else:
        kmf.fit(df[duration_col], df[event_col])
        results['fitter'] = kmf
        results['median_survival'] = kmf.median_survival_time_
    return results

# --- Modèle de Cox ---
def run_cox_model(df, duration_col, event_col, covariates):
    cph = CoxPHFitter()
    cols = [duration_col, event_col] + covariates
    cph.fit(df[cols].dropna(), duration_col=duration_col, event_col=event_col)
    return cph

---

Étape 4 — Génération des Figures

Toujours sauvegarder les figures en PNG haute résolution (300 dpi) avant insertion dans le Word.

import matplotlib.pyplot as plt
import matplotlib.patches as mpatches
import seaborn as sns

# Style académique cohérent
plt.rcParams.update({
    'font.family': 'Arial', 'font.size': 11,
    'axes.spines.top': False, 'axes.spines.right': False,
    'figure.dpi': 300, 'savefig.dpi': 300,
    'savefig.bbox': 'tight'
})
PALETTE = ['#2E75B6', '#ED7D31', '#70AD47', '#FFC000', '#FF0000']

FIGURES_DIR = "/home/claude/output_figures/"
import os; os.makedirs(FIGURES_DIR, exist_ok=True)

# Voir references/figures-templates.md pour les templates complets de chaque type de figure

→ Consulter references/figures-templates.md pour les templates complets : boîtes à moustaches, histogrammes, barres d'erreur, courbes K-M, forêt plot (Cox), scatter plots.

---

Étape 5 — Assemblage du Rapport Word

Utiliser le skill docx pour générer le .docx. Structure standard :

Page de titre
Résumé analytique
1. Caractéristiques de l'échantillon (Tableau 1)
2. Analyses bivariées (Tableaux 2–N)
3. Analyses multivariées (Tableaux N+1–M)
4. Analyses de survie (si applicable)
5. Figures (numérotées, avec légendes)
6. Interprétation et discussion

→ Consulter references/docx-report-template.md pour le code docx-js complet incluant styles APA, tableaux formatés, et insertion d'images.

---

Étape 6 — Règles d'Interprétation (Niveau Thèse)

Seuils de significativité

p-value	Mention
< 0.001	p < 0,001
< 0.01	p < 0,01
< 0.05	p < 0,05
≥ 0.05	p = [valeur exacte] (non significatif)

Tailles d'effet

Test	Mesure	Petit	Moyen	Grand
t-test	Cohen's d	0.2	0.5	0.8
ANOVA	η²	0.01	0.06	0.14
Régression	R²	0.02	0.13	0.26
Chi²	V de Cramér	0.1	0.3	0.5

Formulation APA des résultats

t-test   : t(df) = X.XX, p = .XXX, d = X.XX [IC 95%: X.XX, X.XX]
ANOVA    : F(dfb, dfw) = X.XX, p = .XXX, η² = .XXX
Régression linéaire : β = X.XX, t(df) = X.XX, p = .XXX
Régression logistique : OR = X.XX [IC 95%: X.XX–X.XX], p = .XXX
Log-rank : χ²(1) = X.XX, p = .XXX
Cox HR   : HR = X.XX [IC 95%: X.XX–X.XX], p = .XXX

Rédigé type pour l'interprétation

• Toujours mentionner : statistique, degrés de liberté, p-value exacte, taille d'effet
• Contextualiser cliniquement : que signifie ce résultat pour la pratique médicale ?
• Limites à mentionner : taille d'échantillon, cross-sectional vs longitudinal, biais potentiels
• Ne jamais écrire "p = 0.000" → écrire "p < 0,001"

---

Checklist Qualité Avant Livraison

• Vérification des hypothèses de chaque test respectée et documentée
• Valeurs manquantes rapportées dans le texte
• Tous les tableaux numérotés avec titre au-dessus (style APA)
• Toutes les figures numérotées avec légende en dessous (style APA)
• Unités et décimales cohérentes dans tout le document
• Tests post-hoc inclus pour toute ANOVA significative
• IC 95% fournis pour toutes les estimations principales
• Fichier validé avec le script docx/validate.py

---

Références

• references/figures-templates.md — Code matplotlib complet pour chaque type de figure
• references/docx-report-template.md — Template complet du rapport Word en docx-js
• references/spv-reading.md — Lecture des fichiers output .spv de SPSS
• references/assumptions-checks.md — Guide complet de vérification des hypothèses statistiques