Les tests psychométriques ont souvent des propriétés métrologiques (effets plafond/plancher, curvilinéarité) qui font que les méthodes classiques d'analyse ne sont pas adaptées. C'est le cas en particulier pour le Mini-Mental State Examination (MMSE), un test psychométrique très utilisé en épidémiologie pour décrire le déclin cognitif chez les personnes âgées. Ces propriétés sont corrigées par le modèle mixte à processus latent, qui définit une transformation reliant les observations au processus latent sous-jacent au test et décrit simultanément la trajectoire du processus latent en fonction de variables explicatives et de fonctions du temps par un modèle linéaire mixte. Mais ce type de modèle reste compliqué à mettre en place dans les analyses statistiques des études épidémiologiques. L'objectif du stage était donc de déterminer s'il était possible de définir une fois pour toutes une transformation du MMSE pour corriger ses propriétés métrologiques, permettant ainsi d'utiliser un modèle linéaire mixte sur données pré-transformées pour étudier l'impact de covariables sur le déclin cognitif. La variabilité de ces transformations estimées sur des populations différentes et des structures de régression différentes a pu être appréciée sur 3 grands jeux de données de vieillissement cognitif : PAQUID, 3~Cités et REAL. Nous avons observé que les transformations issues de structures de modèles différentes et estimées sur une même population étaient très similaires. Par contre, une plus grande variabilité a été observée entre les populations. À partir de ces cohortes, nous avons montré par validation croisée que la variabilité de la transformation a néanmoins un impact modéré sur l'estimation des coefficients de régression. Nous avons alors proposé la pré-transformation du MMSE comme la moyenne, pour chaque score, des valeurs transformées estimées dans la validation croisée. Une validation externe de cette transformation a enfin été effectuée. Elle a montré que l'utilisation de la pré-transformation du MMSE sur des cohortes en population générale n'engendre pas de biais très importants, les écarts entre les estimations du modèle mixte à processus latent et celles d'un modèle linéaire mixte sur les données pré-transformées n'étant pas très importants. De plus, en comparaison avec les autres méthodes généralement utilisées, la pré-transformation proposée améliore les résultats. Pour une cohorte de sujets déjà déments, son utilisation semble moins pertinente.