20150202_2036_Annonce_master_2014-2015

Sujet de MASTER 2 ou niveau ingénieur
en Biostatistique
UTILISATION DES CRITERES DE JUGEMENT INTERMEDIAIRES DANS LA
PREDICTION DE LA SURVIE DES PATIENTS EN ONCOLOGIE
Dans les essais cliniques sur le cancer, le critère de jugement clinique le plus
fréquemment utilisé pour évaluer l'effet de nouveaux traitements est la survie
globale. Cependant, ce critère de jugement nécessite d’inclure un grand nombre de
patients et de les suivre suffisamment longtemps pour mettre en évidence une
différence significative de l’effet d’un traitement. L’utilisation d’un autre critère
observable, tel que la progression du cancer, permettrait donc de raccourcir la durée
de l'essai clinique tout en apportant des conclusions plus tôt sur le critère d’intérêt
principal.
Prentice a initialement proposé que pour qu’un critère de substitution soit validé, il
faut qu’il prédise le critère de jugement principal, puis le traitement doit avoir un effet
significatif à la fois sur le critère de substitution et sur le critère principal, enfin le
l’effet du traitement sur le critère de substitution doit capturer tout l’effet traitement
sur le critère de jugement principal (Prentice, 1989). Cette dernière condition a été
démontrée comme irréaliste, et par conséquent d‘autres définitions ont été
proposées. Bien que les critères de validation soient encore un sujet de recherche
intense, le consensus actuel serait de baser la validation sur une approche de
« corrélation » à deux niveaux (Buyse, SMMR 2008). Au premier niveau, individuel,
le critère candidat doit être associé au critère principal, telle que la survie, sans faire
référence à des effets traitements. D’autre part, l’effet du traitement sur le critère de
substitution doit être étroitement corrélé à l’effet du traitement sur le critère principal.
Cet aspect de la substitution est généralement évalué au niveau essai puisque cela
concerne un groupe de patients d’un essai clinique. Récemment, plusieurs travaux
ont été proposés pour valider des critères de substitution (tels que la réponse au
traitement, la survie sans événement, les temps de progression ou de récidives)
dans l’analyse de données de méta-analyses ou d’études multicentriques
(Burzykowski, Molenberghs, & Buyse, 2005; Burzykowski, Molenberghs, Buyse,
Geys, & Renard, 2001; Buyse et al., 2007; Michiels et al., 2009). La validation de
critères de substitution a fait l’objet de plusieurs publications mais les méthodes ne
sont toujours pas satisfaisantes notamment en terme d’identifiabilité dans des
schémas de méta-analyse (Li, Taylor, Elliott, & Sargent, 2011) ou des problèmes de
convergence de l’algorithme. Ces problèmes démontrent du besoin de développer
une nouvelle méthodologie de validation des critères de substitution. Ceci fera l’objet
du stage.

Objectifs
Notre objectif est de proposer des nouvelles méthodes de validation d’un critère de
substitution pour la survie globale après un premier cancer. Ces méthodes seront
appliquées sur des essais cliniques.
Compétences requises :
Très bonnes connaissances en biostatistique (modélisation) et bonne
connaissance de la programmation sous R. Master 2 en Biostatistique, école
d’ingénieur en statistique ou équivalent.
Ce projet se poursuivra par une thèse de doctorat.
Structure d’accueil :
Centre de Recherche INSERM U897 – Equipe Biostatistique
ISPED – Université Bordeaux Segalen
146, rue Léo Saignat
33076 Bordeaux Cedex
http://biostat.isped.u-bordeaux2.fr
Encadrement : Virginie Rondeau (INSERM, U897, Bordeaux)
Collaboration avec l’IGR (Stefan Michiels de Institut Gustave Roussy, Villejuif).
Durée du stage : 5-6 mois
Gratification du stage : selon les grilles prévues par l’INSERM (~450 euros /
mois)
Contact :
Virginie Rondeau
[email protected]-bordeaux2.fr
Tel: [phone]
REFERENCES :
1. Burzykowski, T., Molenberghs, G., & Buyse, M. (2004). The validation of surrogate end
points by using data from randomized clinical trials: a case-study in advanced colorectal
cancer. Journal of the Royal Statistical Society: Series A (Statistics in Society), 167(1),
103–124. doi:10.1111/j.1467-985X.2004.00293.x
2. Burzykowski, T., Molenberghs, G., & Buyse, M. (2005). The evaluation of surrogate
endpoints (p. 408). New York: Springer.
3. Burzykowski, T., Molenberghs, G., Buyse, M., Geys, H., & Renard, D. (2001). Validation
of surrogate end points in multiple randomized clinical trials with failure time end points.
Applied Statistics, 50(4), 405–422. Blackwell Publishers.

4. Buyse, M., Burzykowski, T., Carroll, K., Michiels, S., Sargent, D. J., Miller, L. L., Elfring,
G. L., et al. (2007). Progression-free survival is a surrogate for survival in advanced
colorectal cancer. Journal of Clinical Oncology, 25(33), 5218–5224.
5. Cook, R. J., & Lawless, J. F. (2001). Some comments on e ciency gains from auxiliary
information for right-censored data, 96, 191–202.
6. Faucett, C. L., Schenker, N., & Taylor, J. M. G. (2002). Survival analysis using auxiliary
variables via multiple imputation, with application to AIDS clinical trial data. Biometrics,
58(1), 37–47.
7. Fleming, T. R., Prentice, R. L., Pepe, M. S., & Glidden, D. V. (1994). Surrogate and
auxiliary endpoints in clinical trials, with potential applications in cancer and aids
research. Statistics in medicine, 13(9), 955–968.
8. Hsu, C., & Taylor, J. M. G. (2009). Nonparametric comparison of two survival functions
with dependent censoring via nonparametric multiple imputation, (November 2008),
462–475. doi:10.1002/sim
9. Huang, X., & Liu, L. (2007). A joint frailty model for survival and gap times between
recurrent events. Biometrics, 63(2), 389–397.
10. Kalbfleisch, J. D., Schaubel, D. E., Ye, Y., & Gong, Q. (2013). An Estimating Function
Approach to the Analysis of Recurrent and Terminal Events. Biometrics, 1–9.
doi:10.1111/biom.12025
11. Li, Y., Taylor, J. M. G., Elliott, M. R., & Sargent, D. J. (2011). Causal assessment of
surrogacy in a meta-analysis of colorectal cancer trials. Biostatistics (Oxford, England),
12(3), 478–92. doi:10.1093/biostatistics/kxq082
12. Mauguen, A., Rachet, B., Mathoulin-Pélissier, S., MacGrogan, G., Laurent, A., &
Rondeau, V. (2013). Dynamic prediction of risk of death using history of cancer
recurrences in joint frailty models. Statistics in medicine, 32(30), 5366–80.
doi:10.1002/sim.5980
13. Mazroui, Y., Mathoulin-Pélissier, S., Macgrogan, G., Brouste, V., & Rondeau, V. (2013).
Multivariate frailty models for two types of recurrent events with a dependent terminal
event : Application to breast cancer data. Biometrical Journal, 55(6), 886–884.
doi:10.1002/bimj.200100000
14. Mazroui, Y., Mathoulin-Pélissier, S., Soubeyran, P., & Rondeau, V. (2012). General joint
frailty model for recurrent event data with a dependent terminal event: Application to
follicular lymphoma data. Statistics in Medicine, 897(December 2010), n/a–n/a.
doi:10.1002/sim.4479
15. Michiels, S., Le Maître, A., Buyse, M., Burzykowski, T., Maillard, E., Bogaerts, J.,
Vermorken, J. B., et al. (2009). Surrogate endpoints for overall survival in locally
advanced head and neck cancer: meta-analyses of individual patient data. The lancet
oncology, 10(4), 341–50. doi:10.1016/S1470-2045(09)70023-3
16. Murray, S., & Tsiatis, a a. (2001). Using auxiliary time-dependent covariates to recover
information in nonparametric testing with censored data. Lifetime data analysis, 7(2),
125–41.
17. Pignon, J. P., le Maitre, A., Maillard, E., & Bourhis, J. (2009). Meta-analysis of
chemotherapy in head and neck cancer (MACH-NC): an update on 93 randomised trials
and 17,346 patients. Radiotherapy & Oncology, 92(1), 4–14.
18. Pignon, J.-P., le Maître, A., & Bourhis, J. (2007). Meta-Analyses of Chemotherapy in
Head and Neck Cancer (MACH-NC): an update. International journal of radiation
oncology, biology, physics, 69(2 Suppl), S112–4. doi:10.1016/j.ijrobp.2007.04.088
19. Prentice, R. L. (1989). surrogate endpoints in clinical trials: definition and operational
criteria. Statistics in medicine, 8, 431–440.
20. Proust, C., & Jacqmin-Gadda, H. (2005). Estimation of linear mixed models with a
mixture of distribution for the random effects. Computer methods and programs in
biomedicine, 78(2), 165–73. doi:10.1016/j.cmpb.2004.12.004

21. Rondeau, V., & Gonzalez, J. R. (2005). frailtypack: A computer program for the analysis
of correlated failure time data using penalized likelihood estimation. Computer Methods
and Programs in Biomedicine, 80(2), 154–164. Elsevier.
22. Rondeau, V., Mathoulin-Pelissier, S., Jacqmin-Gadda, H., Brouste, V., & Soubeyran, P.
(2007). Joint frailty models for recurring events and death using maximum penalized
likelihood estimation: application on cancer events. Biostatistics (Oxford, England), 8(4),
708–21. doi:10.1093/biostatistics/kxl043
23. Rondeau, V., Mazroui, Y., & Gonzalez, J. R. (2012). FRAILTYPACK: An R package for
the analysis of correlated data with frailty models using the penalized likelihood
estimation. Journal Of Statistical Software, VV(II), 4–5.
24. Rondeau, V., Michiels, S., Liquet, B., & Pignon, J. P. (2008). Investigating trial and
treatment heterogeneity in an individual patient data meta-analysis of survival data by
means of the penalized maximum likelihood approach. Statistics in medicine, 27(11),
1894–910. doi:10.1002/sim.3161
25. Rondeau, V., Pignon, J.-P., & Michiels, S. (2011). A joint model for the dependence
between clustered times to tumour progression and deaths: A meta-analysis of
chemotherapy in head and neck cancer. Statistical methods in medical research.
doi:10.1177/0962280211425578
26. Rotolo, F., Rondeau, V., & Legrand, C. (2013). Incorporation of nested frailties into
semiparametric multi-state models Statistics in Medicine. Submitted.
doi:10.1002/sim.0000