Introduction à R

Cet article suppose que vous avez parcouru Pourquoi apprendre à coder ? et l’introduction au SQL. SQL sort les données de la base ; R prend ensuite le relais pour les analyser.

Pourquoi R en recherche clinique

R a été créé par et pour des statisticiens. C’est ce qui explique sa popularité en santé :

• Les méthodes statistiques (tests, régressions, modèles de survie…) y sont disponibles nativement ou via des librairies éprouvées.
• Les graphiques produits sont d’excellente qualité et largement acceptés dans les revues scientifiques.
• C’est souvent le langage enseigné en médecine et en santé publique, donc celui de vos futurs collègues et encadrants.

RStudio, l’environnement de travail

On n’écrit presque jamais du R « à nu ». On utilise RStudio, un logiciel gratuit qui rassemble dans une même fenêtre l’éditeur de code, la console qui exécute les commandes, les graphiques et l’aide. C’est là que vous passerez tout votre temps.

Le tidyverse : filtrer et transformer

Le tidyverse est un ensemble de librairies qui rend R lisible pour les débutants. Sa librairie centrale, dplyr, fournit un petit vocabulaire de verbes qui correspondent aux gestes du SQL : filter() (filtrer les lignes), select() (choisir les colonnes), group_by() + summarise() (agréger).

On les enchaîne avec le pipe |>, qui se lit « ensuite » : prends les données, ensuite filtre, ensuite regroupe…

library(dplyr)

# À partir d'un tableau `patients` (sexe, age, creatinine)
patients |>
filter(sexe == "F", age > 65) |>      # ensuite : garder les femmes de plus de 65 ans
group_by(sexe) |>                     # ensuite : regrouper par sexe
summarise(
  n = n(),                            # nombre de patientes
  creat_moy = mean(creatinine, na.rm = TRUE)  # créatinine moyenne
)

Si vous avez lu l’article SQL, vous reconnaissez la logique : c’est le même raisonnement — filtrer, regrouper, résumer — dans une syntaxe différente. L’option na.rm = TRUE demande d’ignorer les valeurs manquantes dans le calcul de la moyenne, un point traité dans l’article sur la qualité des données.

Visualiser avec ggplot2

ggplot2, autre pilier du tidyverse, construit un graphique par couches : on déclare les données, ce qu’on met en abscisse et en ordonnée, puis le type de tracé.

R

library(ggplot2)

ggplot(patients, aes(x = age, y = creatinine)) +
geom_point() +                        # un nuage de points
geom_smooth(method = "lm") +          # une tendance linéaire
labs(
  title = "Créatinine selon l'âge",
  x = "Âge (années)",
  y = "Créatinine (µmol/L)"
)

Résultat

Chaque + ajoute une couche. On obtient une figure propre en quelques lignes, exportable directement pour un article ou une présentation.

head(patients)      # les premières lignes
summary(patients)   # min, max, moyenne, valeurs manquantes par colonne
nrow(patients)      # nombre de lignes

Ressources pour se former

R et Linkr

Les analyses statistiques que vous concevez dans le Study Designer — définition de la population, calcul de variables — correspondent à ce que vous feriez en R après extraction. Comprendre R vous permet de prolonger une analyse au-delà de ce qu’un outil graphique propose, et de vérifier vos résultats.