Variable selection with FDR control for high dimensional competing risk data

<div> Dans les études biomédicales, les données de grande dimension sont courantes (génomique, transcriptomique, protéomique, métabolomique, etc.), et les outcome sont souvent sujets à des risques concurrents. Le modèle de Fine-Gray pénalisé peut être utilisé pour sélectionner les covariables ayant les effets les plus forts sur l'outcome lors de l'analyse de données de risques concurrents en grande dimension. Cependant, la sélection des variables influentes reste un défi, car les modèles pénalisés peuvent inclure de nombreuses variables non pertinentes, ce qui ralentit l'identification de biomarqueurs. Nous proposons d'utiliser Integrated Path Stability Selection (IPSS) pour améliorer la sélection de variables et réduire les faux positifs, tout en contrôlant le False Discovery Rate (FDR). Grâce à des simulations, nous montrons que cette méthode permet de réduire drastiquement le nombre de faux positifs par rapport aux techniques existantes, tout en conservant une performance robuste dans l'identification des vrais positifs et dans les capacités prédictives. Cela souligne son potentiel pour améliorer l'analyse des données avec risques concurrents en grande dimension dans la recherche biomédicale. Enfin, la méthode est validée par une étude de cas réelle. </div>