Des chiffres aux résultats - Statistiques en pratique

Chez medXteam, les données cliniques sont au cœur de notre activité. En tant qu'organisme de recherche sous contrat (CRO), nous réalisons des essais cliniques (études) avec des dispositifs médicaux conformément au règlement MDR et à la norme ISO 14155, et nous proposons également un accompagnement pour la planification statistique et l'analyse des données d'étude. Cet article présente les principaux concepts statistiques des études cliniques, des explications de base et exemples pratiques aux sujets plus avancés.

Abréviations

BPC (Bonnes Pratiques Cliniques)

Règlement sur les dispositifs médicaux MDR ; Règlement UE 2017/745

Réglementations sous-jacentes

Règlement (UE) 2017/745 (RDM)
Règlement général sur la protection des données (RGPD)
Loi relative à la mise en œuvre des dispositifs médicaux (MPDG)
ISO 14155

1. Introduction

Les méthodes statistiques jouent un rôle central dans l'évaluation clinique des dispositifs médicaux. Elles sont essentielles à l'analyse des données, à l'interprétation des résultats et au respect des exigences réglementaires. Cet article aborde les sujets suivants :

• Intervalles de confiance
• erreurs de premier et de second ordre
• Critères d'acceptation
• Diagramme en boîte
• Forestplot
• Données connectées
• Sensibilité / Spécificité

2. De quoi s'agissait-il déjà à propos de l'intervalle de confiance ?

L'intervalle de confiance indique la plage de valeurs dans laquelle se situe, avec une probabilité donnée, un paramètre estimé, tel qu'une moyenne ou une taille d'effet. Il quantifie l'incertitude entourant une estimation et constitue donc un outil indispensable en statistique.

L'intervalle de confiance indique la précision d'une estimation. Plus l'intervalle est étroit, plus on peut être sûr que la valeur réelle est proche de la valeur estimée. À l'inverse, un intervalle large suggère une plus grande incertitude. Un intervalle de confiance est souvent donné avec un niveau de confiance de 95 %. Cela signifie que la valeur réelle se situera dans l'intervalle indiqué dans 95 cas sur 100 si l'étude est répétée dans des conditions identiques.

Exemple: 

Supposons qu'une étude indique un temps moyen de cicatrisation de 10 jours avec un intervalle de confiance de [8, 12] à un niveau de confiance de 95 %. Cela signifie que la vraie moyenne se situe dans cet intervalle avec une probabilité de 95 %.

2.1 Étude approfondie

Comment fonctionnent les intervalles de confiance et pourquoi sont-ils essentiels ?

• Principe de base de l'intervalle de confiance : L'intervalle de confiance repose sur l'incertitude inhérente à tout échantillon. Il permet de quantifier cette incertitude en définissant une plage dans laquelle la valeur réelle d'un paramètre a de fortes chances de se situer. Plus les données collectées sont nombreuses et plus leur variance est faible, plus l'intervalle est précis (c'est-à-dire étroit).
• Interprétation d'un intervalle de confiance à 95 % : cela ne signifie pas que la valeur réelle se situe dans l'intervalle « avec une probabilité de 95 % ». Cela signifie plutôt que si l'on répétait le processus de collecte de données un nombre infini de fois, l'intervalle contiendrait la valeur réelle dans 95 % des cas.

• Quels facteurs influencent la largeur d'un intervalle de confiance ?La largeur de l'intervalle dépend de trois facteurs principaux :
• Taille de l'échantillon :Les grands échantillons fournissent des estimations plus précises car l'influence des fluctuations aléatoires est réduite. Cela conduit à des intervalles de confiance plus étroits. Avec de petits échantillons, les intervalles sont plus larges car l'incertitude est plus grande.
• Variabilité des données :si les données présentent une plus grande dispersion (c’est-à-dire si les valeurs sont largement dispersées autour de la moyenne), les intervalles sont plus larges car l’incertitude concernant la valeur réelle augmente.
• Niveau de confiance choisi :Un niveau de confiance plus élevé (par exemple, 99 % au lieu de 95 %) entraîne des intervalles plus larges, car une plus grande part d’incertitude est prise en compte. Inversement, un niveau de confiance plus faible (par exemple, 90 %) entraîne des intervalles plus étroits.

Implications pratiques : Un intervalle particulièrement large indique que des données supplémentaires sont nécessaires pour mieux cerner la valeur réelle.

2.2 Méthodes alternatives d'estimation des intervalles de confiance

La méthode classique suppose que les données sous-jacentes suivent une loi normale et que la taille de l'échantillon est suffisamment grande. D'autres approches peuvent être utilisées lorsque ces hypothèses ne sont pas vérifiées ou lorsque les échantillons sont petits

• Amorçage :Cette méthode est idéale lorsque l'hypothèse de normalité n'est pas vérifiée ou lorsque les échantillons sont de petite taille. Elle consiste à tirer de manière répétée un grand nombre d'échantillons avec remise à partir des données disponibles. Pour chacun de ces échantillons, le paramètre d'intérêt (par exemple, la moyenne) est calculé. La distribution de ces estimations sert ensuite de base au calcul de l'intervalle de confiance.
  • Avantages :Robuste face aux perturbations de distribution ; applicable de manière flexible.
  • Exemple d'application :Pour les données non normalement distribuées, telles que les valeurs de pression artérielle très asymétriques, le bootstrapping fournit une estimation précise.
• intervalles de confiance bayésiens (intervalles crédibles) :Contrairement aux statistiques classiques, l'approche bayésienne utilise les probabilités. Elle introduit des connaissances a priori sur le paramètre via une distribution a priori. Celle-ci est combinée aux données d'observation (vraisemblance) pour calculer la distribution a posteriori. L'intervalle de crédibilité indique alors l'intervalle dans lequel la valeur réelle se situe avec une certaine probabilité.
  • Avantages :Intégration des connaissances antérieures ; meilleure interprétabilité avec des échantillons de petite taille.
  • Exemple d'application :Si des études antérieures montrent qu'un dispositif médical entraîne généralement un temps de cicatrisation d'environ 10 jours, cette information peut être incluse dans l'analyse afin de réduire l'incertitude.

2.3 Pertinence pratique des intervalles de confiance dans la recherche clinique

• Pertinence clinique versus signification statistique :les intervalles de confiance fournissent davantage d’informations qu’une valeur p. Alors qu’une valeur p indique seulement si un effet est statistiquement significatif, l’intervalle de confiance indique également si cet effet est cliniquement pertinent. Par exemple, un dispositif médical pourrait entraîner une réduction statistiquement significative du temps de cicatrisation, mais cette réduction pourrait être si faible qu’elle serait cliniquement non pertinente.
• Évaluation des incertitudes :Les décisions réglementaires impliquent souvent de vérifier si la limite inférieure de l'intervalle de confiance est supérieure à un certain seuil considéré comme cliniquement significatif.

3. Erreurs du premier et du second ordre

Les tests statistiques comportent un risque d'erreurs car les décisions sont prises à partir de données d'échantillon qui ne reflètent que partiellement la réalité. Les erreurs de premier et de second ordre sont donc des concepts importants en statistique et particulièrement pertinents en recherche clinique, où des décisions erronées peuvent avoir des conséquences importantes.

Deux types d'erreurs peuvent survenir dans les tests statistiques :

• Erreur du premier ordre (erreur alpha) : elle se produit lorsque l’hypothèse nulle est rejetée alors qu’elle est vraie. On parle également de « fausse alarme ». Exemple : un dispositif médical inefficace est classé comme efficace.
• Erreur de second ordre (erreur bêta) : cette erreur se produit lorsque l’hypothèse nulle est retenue alors que l’hypothèse alternative est vraie. On parle alors de « non-détection d’un effet ». Exemple : un dispositif médical efficace n’est pas détecté.

Maintenir un équilibre entre ces types d'erreurs est essentiel à la planification des essais cliniques. Le seuil de signification et la puissance statistique y jouent un rôle central.

Exemple: 

Un nouveau dispositif médical est en cours d'essai. Une erreur alpha conduirait à l'approbation d'un produit inefficace, tandis qu'une erreur bêta pourrait classer un produit efficace comme inefficace.

Implications pratiques : Si une erreur alpha est problématique d’un point de vue réglementaire et économique, une erreur bêta peut entraver l’innovation médicale.

3.1 Étude approfondie

• Relation entre les erreurs alpha et bêta :Il existe une relation directe entre ces deux types d’erreurs. Si le seuil de signification (alpha) est choisi de manière plus stricte afin de réduire la probabilité d’une erreur alpha (par exemple, de 0,05 à 0,01), le risque d’une erreur bêta augmente souvent. Inversement, un seuil alpha moins strict réduit l’erreur bêta, mais accroît le risque de détecter des effets erronés.
• Puissance statistique : La puissance statistique mesure la capacité d’un test à détecter un effet réel. Une puissance de 80 % signifie qu’un effet réel est manqué dans 20 % des cas (erreur bêta).
• La puissance statistique d'un test dépend de plusieurs facteurs, notammentla taille de l'échantillon, la taille de l'effet et le seuil de signification choisi. Un échantillon plus grand augmente la probabilité de détecter de petits effets et réduit le risque d'erreur bêta.
• Ajustement pour analyses multiples :
• Analyses intermédiaires :Dans les études comportant des analyses de données régulières, la probabilité d’une erreur alpha peut augmenter car chaque analyse comporte un risque de détecter un effet aléatoire. Des méthodes telles que la méthode d’O’Brien-Fleming utilisent des seuils plus stricts lors des analyses préliminaires afin de contrôler le taux d’erreur global.
• Correction de Bonferroni :cette méthode divise le seuil de signification par le nombre de comparaisons afin de limiter le taux d’erreur global. Toutefois, cette approche est prudente et peut réduire la puissance statistique lors de la réalisation d’un grand nombre de tests.
• Perspective bayésienne :

Au lieu d'utiliser des seuils de signification rigides, les statistiques bayésiennes évaluent les probabilités. Par exemple : quelle est la probabilité qu'un effet dépasse un seuil cliniquement pertinent ? Cela peut conduire à des résultats plus souples et interprétables, notamment avec de petits échantillons.

• Courbes ROC :

La courbe ROC (Receiver Operating Characteristic) illustre le compromis entre la sensibilité (vrais positifs) et la spécificité (faux positifs). Elle permet d'identifier les seuils qui minimisent les erreurs alpha et bêta.

4. Critères d'acceptation

Les critères d'acceptation définissent les conditions dans lesquelles un résultat clinique est considéré comme positif. Ils sont essentiels à l'interprétation des résultats d'une étude et à la décision quant à l'efficacité et à l'innocuité d'un dispositif médical.

Les critères d'acceptation définissent les résultats requis pour atteindre un objectif précis. Ils influencent la planification de l'étude, la formulation des hypothèses et, en définitive, la décision d'approbation d'un produit.

Exemple: 

Un dispositif médical est en cours de développement afin de réduire le temps de cicatrisation post-opératoire. Le critère d'acceptation est une réduction d'au moins 20 % du temps de cicatrisation moyen par rapport au traitement standard. L'étude vérifiera si l'intervalle de confiance du résultat dépasse ce seuil.

4.1 Études complémentaires

1. Tests de non-infériorité, de supériorité et d'équivalence :

• Test de non-infériorité :démontre que le nouveau produit n’est pas pire qu’un traitement existant, dans une marge de tolérance acceptable.
• Test de supériorité :prouve que le produit est nettement meilleur.
• Test d'équivalence :Vérifie si le produit est similaire dans une plage définie (par exemple ±10%).
  2. Approches bayésiennes :
• Au lieu de fixer un seuil d'acceptation, les méthodes bayésiennes calculent la probabilité que l'effet réel soit supérieur à un seuil prédéfini. Cela permet une analyse dynamique et probabiliste.
  3. Signification clinique :
• Un effet statistiquement significatif ne satisfait pas automatiquement aux critères d'acceptation, car sa pertinence clinique doit également être évaluée. Par exemple, une réduction de la douleur de 1 % peut être statistiquement significative, mais cliniquement non significative.
  4. Analyse coûts-avantages :
• Des critères d'acceptation stricts peuvent améliorer la qualité de l'évaluation, mais nécessitent souvent des échantillons plus importants, ce qui augmente le coût et la durée de l'étude.

5. Comment lire un diagramme en boîte ?

Un diagramme en boîte, aussi appelé boîte à moustaches, est un outil statistique polyvalent qui permet de visualiser facilement la distribution des données. Il aide à identifier d'un coup d'œil les tendances centrales, la variabilité et les valeurs aberrantes potentielles, et s'avère particulièrement utile pour les comparaisons entre groupes.

Un diagramme en boîte offre une représentation compacte de la distribution d'un ensemble de données. Ses principaux composants sont :

• Médiane :La ligne au milieu du rectangle représente la valeur centrale des données.
• Quartiles :Le bord inférieur de la boîte est le 1er quartile (Q1), le bord supérieur le 3e quartile (Q3).
• Écart interquartile (EIQ) :L'intervalle entre Q1 et Q3 comprend les 50 % centraux des données.
• Moustiquaire :Les lignes au-dessus et en dessous de la boîte indiquent les valeurs de données en dehors de l’IQR, jusqu’à une limite définie (souvent 1,5 fois l’IQR).
• Valeurs aberrantes :les points de données situés en dehors de cette limite sont affichés séparément sous forme de points.

Exemple 

Imaginons que nous disposions de données sur le temps de guérison de deux groupes de patients (groupe A et groupe B) :

• Le groupe A présente des temps de cicatrisation plus courts avec une faible variabilité, ce qui donne une boîte compacte avec des moustaches courtes.
• Le groupe B présente de plus grandes différences entre les patients, ce qui se traduit par une boîte plus large et des moustaches plus longues.

Une comparaison directe des deux diagrammes en boîte permet de voir rapidement quel groupe est le plus homogène et s'il existe des valeurs aberrantes extrêmes.

5.1 Étude complémentaire

1. Interprétation détaillée :

• Médiane :Indique la tendance centrale des données et est robuste face aux valeurs aberrantes.
• IQR :Indique la dispersion des 50 % des données centrales et donne une impression de la variabilité.
• Moustaches et fugitifs :Aider à identifier les valeurs extrêmes susceptibles de fausser l'analyse.
  2. Comparaison de groupes : Les diagrammes en boîte sont idéaux pour illustrer les différences entre groupes, par exemple pour comparer l’effet d’un dispositif médical sur différentes tranches d’âge. Les différences de hauteur de la boîte ou des moustaches peuvent indiquer une variabilité ou des effets systématiques.
  3. Visualisations améliorées :
• Diagrammes en violon :combinaison d’un diagramme en boîte et d’un diagramme de densité, illustrant la distribution complète des données. Particulièrement utiles pour les distributions multimodales (par exemple, deux pics dans les données).
• Diagrammes en boîte parallèles :La juxtaposition de plusieurs diagrammes en boîte facilite la comparaison directe des groupes.
  4. Utilisation dans les essais cliniques :
• Analyse des valeurs aberrantes :Dans un essai clinique, les valeurs aberrantes peuvent indiquer des patients qui répondent exceptionnellement bien ou très mal à un traitement. Ces résultats peuvent fournir des indications sur les différences individuelles importantes pour les recherches ultérieures.
• Stratification:Les diagrammes en boîte peuvent être utilisés pour stratifier et représenter visuellement les données par sous-groupes (par exemple, groupes d'âge, sexe).
  5. Robustesse : La boîte à moustaches est particulièrement robuste car la médiane et les quartiles sont insensibles aux valeurs aberrantes. Cependant, les distributions fortement asymétriques (par exemple, avec de longues « queues » d’un côté) peuvent être trompeuses. Dans ce cas, d’autres représentations, comme le diagramme en violon, peuvent s’avérer utiles.

6. Comment lire un diagramme forestier ?

Le diagramme en forêt est un outil indispensable en méta-analyse, permettant la présentation et l'interprétation des résultats de plusieurs études ou sous-groupes. Il affiche les estimations et leurs intervalles de confiance dans un seul diagramme.

Le diagramme forestier se compose de :

• Points d'estimation :Ces points ou carrés représentent l'effet (par exemple, moyenne, rapport de cotes) de chaque étude ou sous-groupe.
• Intervalles de confiance :Les lignes horizontales indiquent l’incertitude de l’estimation.
• Ligne verticale :elle représente le point « sans effet », par exemple un rapport de cotes de 1 ou une taille d’effet de 0.
• Effet global :Un losange en bas indique la moyenne pondérée de toutes les études, la largeur du losange représentant l’intervalle de confiance.

Exemple

Une méta-analyse examine l'efficacité d'un pansement sur le temps de cicatrisation des plaies dans différentes études.

• L’étude A montre une réduction significative du temps de cicatrisation des plaies, avec un intervalle de confiance entièrement situé en dessous de la ligne « aucun effet ».
• L'étude B présente un large intervalle de confiance qui inclut à la fois des effets positifs et négatifs, ce qui suggère une incertitude dans les résultats.
• L'effet global (losange) se situe également en dessous de la ligne, ce qui indique une efficacité significative du patch.

6.1 Étude complémentaire

1. Analyse de l'hétérogénéité :

• Test Q de Cochran :vérifie si la variation entre les études est supérieure à celle attendue par hasard.
• Statistique I² :indique le pourcentage de variabilité expliqué par l’hétérogénéité. Une valeur élevée (par exemple, supérieure à 50 %) suggère qu’un modèle à effets aléatoires est plus approprié.

2. Modèles à effets fixes vs modèles à effets aléatoires :

• Modèle à effets fixes :suppose que toutes les études mesurent le même effet réel et que les différences ne surviennent que par hasard.
• Modèle à effets aléatoires :Elle tient compte du fait que les études peuvent porter sur des populations et dans des conditions différentes, et permet une plus grande variabilité entre les études.
  5. Graphiques de forêt bayésienne :
• Les approches bayésiennes exploitent les connaissances a priori pour mieux modéliser l'incertitude. Le diagramme en forêt permet de visualiser les distributions a posteriori et les intervalles de crédibilité, offrant ainsi une interprétation plus approfondie.

4. Interprétation en pratique :

• Un graphique en forêt permet d'évaluer la cohérence des résultats. Les études dont les intervalles de confiance ne franchissent pas la ligne « absence d'effet » apportent des preuves solides. Des résultats divergents entre les différentes études peuvent indiquer des différences méthodologiques ou des effets spécifiques à la population.

7. Que sont les données liées ?

Les données liées sont des mesures qui ne sont pas indépendantes les unes des autres. Cela se produit souvent dans les essais cliniques lorsque, par exemple, le même patient est mesuré à plusieurs reprises (avant et après un traitement) ou lorsque des observations existent au sein de paires ou de groupes (jumeaux ou dispositifs testés sur le même patient).

Dans le cas de données corrélées, une mesure influence directement une autre. Les exemples les plus connus sont les mesures avant-après ou les échantillons appariés. Il est alors essentiel d'utiliser des méthodes statistiques qui tiennent compte de cette dépendance, sous peine de tirer des conclusions erronées.

• Scénario typique :collecte de données avant et après le traitement d’un patient. Les deux mesures provenant du même patient, elles ne sont pas indépendantes.

Exemple

Une étude évalue l'efficacité d'un nouveau pansement pour accélérer la cicatrisation post-opératoire. Le temps de cicatrisation est mesuré chez les mêmes patients avant et après l'application du pansement. Ces deux mesures étant effectuées chez le même patient, elles sont corrélées. Une simple comparaison des moyennes, sans tenir compte de cette corrélation, conduirait à des résultats biaisés. Il convient donc d'utiliser un test t de Student apparié pour analyser correctement les différences de temps de cicatrisation.

7.1 Études complémentaires

1. Pourquoi la dépendance est-elle importante ?Des données indépendantes respectent l’hypothèse fondamentale de nombreux tests statistiques. Cependant, avec des données corrélées, cette dépendance enfreint cette hypothèse. Par conséquent, une analyse spécifique est nécessaire pour éviter des résultats biaisés.
2. Méthodes statistiques appropriées :

• Test t apparié :ce test compare les moyennes de deux groupes apparentés en analysant les différences entre les paires.
• Test de Wilcoxon des rangs signés :il s’agit de l’alternative non paramétrique lorsque les données ne suivent pas une distribution normale.
• Modèles linéaires mixtes (LMM) :Ces modèles sont particulièrement utiles dans les études complexes comportant plusieurs points de mesure ou groupes. Ils permettent d’analyser simultanément les effets aléatoires (par exemple, les différences individuelles) et les effets fixes (par exemple, le traitement).

3. Structure de variance-covariance : Dans les modèles avancés tels que l’ANOVA à mesures répétées, la relation entre les mesures doit être correctement modélisée. Différentes hypothèses concernant la structure (par exemple, symétrie composée ou structures autorégressives) influencent les résultats.
4. Défis pratiques :

• Valeurs manquantes :les données liées sont particulièrement sensibles aux biais lorsque des mesures sont manquantes. Des méthodes telles que l’imputation multiple ou l’estimation du maximum de vraisemblance peuvent contribuer à minimiser les distorsions.
• Complexité :L'analyse de données connexes nécessite souvent des logiciels spécialisés et une connaissance des méthodes statistiques avancées.

8. Différence entre sensibilité et spécificité

La sensibilité et la spécificité sont des mesures fondamentales pour évaluer la qualité d'un test diagnostique. Elles décrivent dans quelle mesure un test est capable d'identifier les personnes malades et d'exclure correctement les personnes saines.

Sensibilité : Proportion de personnes réellement malades correctement identifiées par le test (vrais positifs). Elle mesure la capacité à éviter de passer à côté de personnes malades.

Spécificité : Proportion d’individus réellement sains correctement identifiés comme tels (vrais négatifs). Elle décrit la capacité du test à éviter les faux positifs.

Pourquoi est-ce important ? Un test parfait aurait une sensibilité et une spécificité de 100 %. En pratique, cependant, des compromis sont souvent nécessaires, par exemple lors des dépistages de masse où un test à haute sensibilité est préférable pour éviter de passer à côté de personnes malades.

Exemple

 Un test permettant de diagnostiquer une maladie rare comprend :

• Sensibilité de 90 % :sur 100 patients réellement malades, le test en identifie correctement 90 ; 10 sont classés à tort comme sains.
• Spécificité de 80 % :sur 100 individus sains, 80 sont correctement identifiés comme sains ; 20 sont classés à tort comme malades.

8.1 Études complémentaires

1. Relation avec la prévalence :

• Les valeurs prédictives positives et négatives (VPP et VPN) dépendent directement de la prévalence de la maladie. Un test à haute sensibilité pourrait produire de nombreux faux positifs en cas de faible prévalence.

2. Courbes ROC et seuils :

• La courbe ROC (Receiver Operating Characteristic) illustre l'évolution de la sensibilité et de la spécificité d'un test en fonction de différents seuils. Le seuil optimal maximise la sensibilité et la spécificité tout en minimisant les faux positifs et les faux négatifs. L'aire sous la courbe ROC (AUC) est une mesure de la performance globale du test.

3. Compromis entre sensibilité et spécificité :

• Les tests à haute sensibilité (par exemple, les tests de dépistage) ont souvent une spécificité plus faible et produisent davantage de faux positifs. Les stratégies de tests combinés (par exemple, un test de dépistage sensible suivi d'un test de confirmation spécifique) peuvent améliorer la précision du diagnostic.

4. Analyse bayésienne :

• Les analyses bayésiennes permettent de calculer la probabilité qu'un patient soit effectivement malade, à partir d'un résultat de test positif et de la prévalence connue. Cela contribue à éclairer les décisions diagnostiques.

5. Applications pratiques :

• Des tests de diagnostic tels que les tests antigéniques COVID-19 ou les mammographies de dépistage.
• Évaluation de nouveaux dispositifs ou méthodes de diagnostic dans le cadre d'essais cliniques.

9. Conclusion

Les méthodes statistiques sont des outils indispensables à la recherche clinique et au développement des dispositifs médicaux. Elles permettent une analyse précise des données, la quantification des incertitudes et une prise de décision éclairée. Du calcul des intervalles de confiance à la correction des erreurs de premier et de second ordre, en passant par l'interprétation des diagrammes en boîte et des diagrammes en forêt, les statistiques offrent un large éventail de techniques pour améliorer la qualité et la validité des études cliniques. L'application ciblée de ces méthodes permet non seulement de démontrer l'efficacité et la sécurité des dispositifs médicaux, mais aussi de satisfaire aux exigences réglementaires et, en définitive, d'optimiser la prise en charge des patients. Dans un monde où les données jouent un rôle de plus en plus important, les statistiques demeurent une composante essentielle de la médecine factuelle.

10. Comment nous pouvons vous aider

Nous serions ravis de vous accompagner dans le développement, la mise en œuvre et l'utilisation d'un système basé sur une base de données. En tant que votre CRO, nous prendrons également en charge la gestion et le suivi complets des données via le système EDC.

Nous vous accompagnons tout au long de votre projet de dispositif médical, depuis la consultation initiale gratuite jusqu'à la documentation technique, en passant par l'aide à la mise en place d'un système de gestion de la qualité, la planification et l'exécution des études, toujours en nous référant en priorité aux données cliniques du produit : du début à la fin.

Avez-vous déjà quelques premières questions ?

Vous pouvez obtenir une première consultation gratuite ici: consultation initiale gratuite