Analyses de survie | pvalue.io
15783
post-template-default,single,single-post,postid-15783,single-format-standard,bridge-core-1.0.4,cookies-not-set,woocommerce-no-js,ajax_fade,page_not_loaded,,qode-title-hidden,transparent_content,columns-4,qode-theme-ver-18.0.9,qode-theme-bridge,disabled_footer_top,qode_header_in_grid,wpb-js-composer js-comp-ver-5.7,vc_responsive

Analyses de survie

  • Si la variable est binaire et qu’il existe une possibilité de passer de manière définitive d’un état à un autre, on réalise des analyses de survie
  • La particularité de ce type d’analyses est qu’elle peut prendre en compte les perdus de vue
  • Le modèle statistique le plus utilisé pour réaliser des analyses de survie est le modèle de Cox
  • Lorsqu’il n’existe qu’une variable explicative et qu’elle est qualitative, un modèle de Cox donne le même résultat qu’un test du log-rank
Dans un effort de simplification, nous appellerons Y la variable que l’on souhaite expliquer par des facteurs X. (Faites appel à vos lointains souvenirs : Y = aX +b)
Si par exemple on souhaite expliquer la probabilité de décéder en fonction du traitement, Y est l’état (mort/vivant), X est le traitement.

A quoi servent les analyses de survie ?

Les analyses de survie d’une manière générale permettent de prendre en compte des événements et des non-événements. Les non-événements sont appelés des censures. Il existe deux types de censures : les perdus de vue, qui sont les patients qui sortent de l’étude avant la fin de l’étude, et les patients qui ne subissent pas l’événement pendant toute la durée de l’étude.
Les analyses de survie les plus simples font appel à un test du log-rank. Ce test relie la probabilité d’événement à un seul facteur de risque. Il s’agit d’un test univarié.
A moins que les patients aient été séparés en deux groupes aléatoirement pour être exposés ou non à un facteur (comme un médicament) lors d’un essai randomisé, il existe très probablement des facteurs de confusion. Un test du log-rank n’est alors pas adapté.
Le modèle de Cox est un modèle multivarié et peut ainsi prendre en compte les facteurs de confusion. Il est simple à mettre en œuvre, utilisé constamment dans les études cliniques (références); en revanche, ses conditions de validité sont assez strictes.

Comment réaliser des analyses de survie avec pvalue.io ?

    1. Sélectionnez votre variable à expliquer (Y), qui mesure l’événement, et vos variables explicatives (X)
    2. Définissez le sens de l’événement (de Y=0 à Y=1 ou de Y=1 à Y=0 )
    3. Définissez la variable représentant la durée de participation à l’étude ou bien la date d’entrée du patient et sa date de sortie
    4. Vérifiez qu’il n’y a pas d’erreurs d’après l’analyse descriptive (en regardant les graphiques et les tableaux générés)
    5. Vérifiez les conditions d’application et coupez vos variables si nécessaires

Il est possible qu’à l’issue de cette vérification, pvalue.io vous oriente vers un statisticien. C’est le cas si les conditions de validité ne sont pas respectées. Une solution ne peut en effet pas être proposée par pvalue.io car elle nécessite des transformations mathématiques plus ou moins complexes qui ne sont pas standardisables et/ou difficiles à interpréter.

Comment interpréter les résultats d’une analyse de survie ?

Par défaut, les logiciels de statistique fournissent pour chaque variable X incluse dans le modèle de Cox, un coefficient, l’intervalle de confiance de ce coefficient et un petit p. Il est toutefois d’usage de présenter l’exponentielle de ce coefficient qui est le hazards ratio (HR).
Si le hazards ratio est supérieur à 1 : le facteur augmente la probabilité d’occurrence de l’évènement, et inversement.
Si l’intervalle de confiance de ce hazards ratio ne comprend pas 1, on dit qu’il est statistiquement significatif et p est inférieur à 0.05.

Pour une variable quantitative

L’augmentation d’une unité d’une variable qualitative, toutes les autres variables ne bougeant pas, multiplie le risque d’évènement par le Hazards ratio.

Pour une variable qualitative

Le risque associé à la catégorie correspondante est multiplié par la valeur du Hazards Ratio par rapport à la catégorie de référence.

Dans le tableau suivant, nous voulions connaître les facteurs de risque de décès chez les patients ayant un cancer du colon.

Hazards Ratio [IC] p p global
Age 1.00 [0.996, 1.01] 0.5
Nodes 1.04 [1.02, 1.06] <0.001
Rx Lev vs Obs 0.974 [0.84, 1.1] 0.7 <0.001
Lev+5FU vs Obs 0.637 [0.54, 0.75] <0.001
Sex 1 vs 0 0.970 [0.85, 1.1] 0.7

Nous concluons ainsi :

  • L’âge n’a pas d’influence sur le risque de décéder (p >0.05)
  • Rx = Lev+5FU est un facteur protecteur (p <0.001) : par rapport à Rx = Obs, le risque de l’événement est multiplié en moyenne par 0.637 [0.54, 0.75]
  • Le risque d’événement est significativement différent selon Rx (toutes classes confondues) (p <0.001)
  • Nodes est un facteur de risque de décéder (p <0.001) : lorsque Nodes passe de 1 à 2, le risque de l’événement est multiplié en moyenne par 1.04 [1.02, 1.06]
  • Le sexe n’a pas d’influence sur le risque de décéder (p >0.05)
Aucun commentaire

Poster un commentaire

Ce site utilise Akismet pour réduire les indésirables. En savoir plus sur comment les données de vos commentaires sont utilisées.