13/02/2014 Analyse de Survie (données censurées, courbes de survies, comparaisons) Pierre GILLOIS, Jean François TIMSIT UJF – CHUG Themas – TIMC Objectifs pédagogiques ¡ Connaître la définition d’une donnée censurée ¡ Comprendre l’intérêt et les limites de l’analyse pour données censurées ¡ Connaître les rudiments de l’élaboration d’une courbe de survie selon la méthode de Kaplan Meir ¡ Comprendre le principe du modèle de Cox et ses principales hypothèses 1 13/02/2014 Buts ¡ Comparer la survie de plusieurs groupes de sujets ¡ … ¡ Expliquer et prédire la durée de survie en fonction de certains facteurs: ¡ Études pronostiques (cf LOE?) Méthodes ¡ Prise en compte des décès ou de tout autre évènement binaire ¡ Tenir compte de la durée de surveillance ≠ variable quantitative classique ¡ tous les sujets ne meurent pas pendant l’étude ¡ les observations sont incomplètes +++ 2 13/02/2014 Définitions quelques dates ¡ Pour chaque sujet il faut connaître : ¡ La date de début d’observation (c’est la date d’origine), la date des dernières nouvelles et l’état aux dernières nouvelles. ¡ L’état = critère de jugement ( vivant / DCD) ¡ À partir de ces éléments, on calcule : ¡ Le temps de participation, le recul et la durée de surveillance. ¡ Date d’origine (time origin): ¡ Date qui définit pour chaque sujet le temps 0. ¡ Exemple : Date d’inclusion dans un essai, date de diagnostic de la première métastase. Dates Suite et Durée ¡ Date de Point (end-point) ¡ Date au-delà de laquelle on ne tiendra pas compte des informations et pour laquelle on cherchera à connaître l’état de chaque sujet. Date du bilan au-delà de laquelle on ne cherche pas à connaître l’état du sujet. ¡ Date de dernière nouvelles : ¡ Au moment de l’analyse, il faut disposer pour chaque sujet de la date des dernières nouvelles. Date la plus récente pour laquelle on connaît l’état du sujet. ¡ Si le sujet est décédé, la date des dernières nouvelles est le décès ¡ Durée de surveillance : ¡ Date des dernières nouvelles – Date d’origine 3 13/02/2014 Durées ¡ Temps de participation, durée (patient time) : ¡ Si les dernières nouvelles sont antérieures à la date de point: ¡ ti = D. Dernière Nouvelle – D. Origine. ¡ Si le sujet n’est pas décédé, il sera considéré comme perdu de vue (lost to follow-up) à la date de point. ¡ Si les dernières nouvelles sont postérieures à la date de point: ¡ ti = D. de Point – D. Origine. ¡ Si la date de point est la date de l’analyse, le temps de participation est égal à la durée de surveillance Les délais ¡ Recul : D.Point – D.Origine ¡ Ti temps de participation : durée de surveillance ¡ si DN < DP è Ti = DN - DO ¡ èSinon Ti = DP - DO ¡ si DC antérieur à DP èTi = durée de survie exacte ¡ Ti ≤ Recul DN DO Recul DP dcd Ti DP DO Ti Recul DN vv 4 13/02/2014 Données censurées à droite ¡ Deux types de censure différents ¡ PV : Perdus de Vue ¡ état inconnu à la date de point ¡ EV : Exclus Vivants ¡ sortent vivants de la surveillance (donc VV à DP) DP DN vv DO Ti ? PV Recul DN vv DP DO EV Ti Recul Données censurées à droite ¡ EV: un sujet DCD après D.Point est considéré comme vivant à D.Point DP vv DO DN Ti Recul EV ¡ Problème des perdus de vue ¡ Leur évolution est elle comparable aux autres ? 5 13/02/2014 Exemple? Exemple 1 par tableau Exemple de calcul du temps de participation ti (en mois) et de l'état di en ti Etat à la date de point 1/4/1977 DCD le 1/7/1977 Vivant Vivant le 1/1/1978 Vivant DCD le 1/1/1977 DCD Vivant le 1/1/1977 Perdu de vue Numéro du Date et état aux Date Origine malade dernières nouvelles 1 2 3 4 01/01/1976 01/01/1977 01/01/1976 01/04/1976 ti di 15 3 12 9 0 0 1 0 6 13/02/2014 Illustrations ¡ Perdu de vue (PV): ¡ Sujet dont on ne connaît pas l’état à la date de point (sujet 4) ¡ Attention c’est une source de biais importants ¡ Exclu-vivant (EV): ¡ Un sujet vivant à la date de point (sujet 1 et 2) ¡ Les perdus de vue et les exclus vivants correspondent à des données censurées ¡ Recul: ¡ D. de Point – D. Origine : c’est le délai maximum potentiel d’observation du sujet Les fonctions qui en découlent 7 13/02/2014 Les fonctions de survie ¡ T : durée de vie +++ ¡ une variable aléatoire > 0 ¡ hypothèse : VA continue non négative ¡ proba de DCD à t supposée infiniment petite ¡ T peut être complètement définie à partir de 5 fonctions : f, h, F, S ou H ¡ Définition la plus concrète : h(t) (fonction de risque) Les fonctions de survie ¡ f(t) : densité de probabilité de T f(t) = lim [proba(t ≤ T ≤ t + dt)]/ dt] dt→0 ¡ proba de décéder dans un intervalle de temps qui tend vers 0 ¡ F(t) : fonction de répartition de T t F(t) = proba(T < t) = ∫ f(u)du 0 ¡ proba de décéder entre 0 et t 8 13/02/2014 Les fonctions de survie ¡ S(t) : fonction de survie S(t) = proba(T ≥ t) = 1 − F(t) ¡ proba de survivre entre 0 et t ¡ monotone décroissante et continue tel que S(0) =1 Lim (S(t) = 0 quand t-> infini ¡ courbes de survie Les fonctions de survie ¡ h(t) : risque instantané de décès ¡ = force de mortalité ¡ = fonction de risque ¡ = “hasard” (anglais) proba(t ≤ T < t + dt | T ≥ t) dt → 0 dt h(t) = lim ¡ proba conditionnelle de décéder dans l’intervalle [t ; t+dt] sachant qu’on est encore vivant au temps t ¡ H(t) : fonction de risque cumulée t H(T) = proba(T > t) = ∫0 h(u)du 9 13/02/2014 Représentation de h(t) 1 b a c 0 t ¡ a. le risque instantané de décès ne dépend pas du temps ¡ vrai de 5 à 15 ans chez l’homme ¡ b. le risque instantané augmente avec l’âge ¡ vieillissement ¡ c. le risque instantané diminue avec l’âge ¡ < 1 an Rappel Probabilités ¡ Probabilités conditionnelles et indépendance ¡ L'événement A est dit indépendant de B, si la probabilité de voir se réaliser A ne dépend pas de la réalisation ou de la nonréalisation de B. ¡ P(A/B) = P(A/non B) = P(A) ¡ Si, et seulement si, A et B sont indépendants, on a : ¡ P(A et B) = P(A) * P(B) 10 13/02/2014 Après l’observationnel les comparaisons? Deux approches: Intervalle fixe ou pas 11 13/02/2014 Comparaison de courbes de survies ¡ Application à la survie Kaplan-Meier ¡ Soit les événements Morts-Vivants ¡ P(Vivant) = 1 - P(Mort) ¡ Être vivant au jour J+1 c’est ne pas être mort au jour 0, 1,…J, J+1. ¡ Donc la probabilité d'être vivant au jour J et au jour J +1 est égale au produit des probabilités d'être vivant au jour 0 et jour 1 et… et au jour J+1. Courbe de survie ¡ Tableau des valeurs Jour Exposés DCD PDV P(DCD) P(Viv) 0 100 0 0 0 1 Pcum(Viv) 1 1 100 3 0 0,03 0,97 1*0,97 6 97 2 0 2/97 = 0,0206 0,9794 0,97*0,9794=0,95002 7 95 0 3 0 1 10 92 … … … … • Jour = délai en jours entre l'entrée dans l'étude et la survenue de l'événement. • Exposés = nombre de personnes exposées au risque au jour j • DCD = Nombre de décès (événements) constatés au jour J • PDV = Nombre de perdus de vue au jour J 12 13/02/2014 Courbe de survie ¡ Tableau des valeurs Jour Exposés DCD PDV P(DCD) P(Viv) Pcum(Viv) 0 100 0 0 0 1 1 1 100 3 0 0,03 0,97 1*0,97 6 97 2 0 2/97 = 0,0206 0,9794 0,97*0,9794=0,95002 7 95 0 3 0 1 10 92 … … … … • P(DCD) = probabilité de mourir au jour J (Nombre de décès parmi les exposés au jour j) • P(Viv) = Probabilité au jour j d'être en vie = 1-P(DCD) • Pcum(Viv) = Probabilité cumulée de survie au jour J = Probabilité d'être en vie au jour J0 et J1 … et Jn. Survie = Probabilité, Pourcentage Paramètre de position doit être associé à un paramètre de dispersion 13 13/02/2014 Estimation de l’intervalle de confiance de la survie ¡ Méthode de Greenwood " % d1 d2 di ' Surviei * $$1± εα + +.... + n1 ( n1 − d1 ) n2 ( n2 − d2 ) ni ( ni − di ) '& # ¡ Faire le calcul pour J6 avec alpha = 0,05 ¡ Epsilon 5% = 1,96 0, 95002 * (1±1, 96 ) * 3 2 + 100(100 − 3) 97(97 − 2) Comparaison? 14 13/02/2014 Comparaison de courbes de survies ¡ Position du problème ¡ On désire comparer l'évolution de 2 groupes de sujets. ¡ Pour cela, on pourrait comparer les pourcentages de décès survenant dans chacun de ces groupes; ou encore, comparer les taux de survie à un instant donné. ¡ Ces solutions ne permettent pas de tenir compte des moments auxquels les décès se produisent. ¡ Le test qui permet de tenir compte du nombre de décès et de leur délai est le test du Logrank. Comparaison de courbes de survies ¡ Éléments nécessaires à la comparaison : ¡ Deux tableaux de survie ¡ Dates ¡ Jour, ¡ Effectifs ¡ Nombre de sujets soumis au risque juste avant ce jour, ¡ Nombre d'événement ce jour, ¡ Perdus de vue, ¡ Probabilités ¡ Probabilité élémentaire, ¡ Probabilité globale 15 13/02/2014 Principe du test comparaison ¡ Principe du test ¡ Si les deux courbes de survie sont identiques, les risques à un moment donné sont les mêmes dans les deux groupes. ¡ Ainsi, si au jour 97, 176 sujets sont soumis au risque dans le groupe 1 et 162 dans le groupe 2, le nombre total d'exposés est de 176+162 = 338. ¡ Si au jour 97, on a deux décès en tout, le risque élémentaire est de 2/338 soit 0,0059. ¡ Sous cette hypothèse, on aurait du obtenir dans le premier groupe 176*0,0059 = 1,04 décès et 2-1,04 = 0,96 dans le second groupe, n’est-ce pas? Oui en effet. Les hypothèses ¡ Hypothèse nulle ¡ Les événements surviennent avec la même fréquence dans les deux groupes et au même moment. Survie A = Survie B ¡ Hypothèses alternatives ¡ Les événements ne surviennent pas avec la même fréquence ou pas au même moment dans les deux groupes, Survie A ≠ Survie B 16 13/02/2014 Comparaison de courbes de survies ¡ Statistique : Khi 2 ¡ Calcul du total des événements attendus dans un des groupes EA ¡ Par différence EB = Total des événements - EA ¡ Khi 2 avec DDL = 1 Khi 2 = 2 (O A - E A) E A * EB EA + E B • Si Khi 2 > Khi 2 alpha, rejet de H0 Exemple ¡ Groupe 1 : 100 Groupe 1 Délai Exposés 1 100 12 100 15 99 18 95 24 92 28 88 36 83 DCD PDV 0 0 1 0 0 4 3 0 4 0 0 5 5 PDCV 0,0000 0,0100 0,0000 0,0316 0,0435 0,0000 0,0602 PiVI 1,0000 0,9900 1,0000 0,9684 0,9565 1,0000 0,9398 PcVi 1,0000 0,9900 0,9900 0,9587 0,9171 0,9171 0,8618 PiVI 1,0000 1,0000 0,9931 1,0000 1,0000 0,9929 0,9571 PcVi 1,0000 1,0000 0,9931 0,9931 0,9931 0,9861 0,9438 ¡ Groupe 2 = 150 Gpe 2 Exposés 1 150 12 150 15 145 18 144 24 144 28 141 36 140 Délai DCD PDV PDCV 0 0 0,0000 0 5 0,0000 1 0 0,0069 0 0 0,0000 0 3 0,0000 1 0 0,0071 6 0 0,0429 17 13/02/2014 Exemple ¡ Attendus Délai Exposés 1 12 15 18 24 28 36 250 250 244 239 236 229 223 Total Khi 2 = DCD PDV 0 1 1 3 4 1 11 21 0 5 4 0 3 5 0 PDCD Attendus Gpe 1 0,0000 0,0040 0,0041 0,0126 0,0169 0,0044 0,0493 2 (O A - E A) E A * EB EA + E B 0,00 0,40 0,41 1,19 1,56 0,38 4,09 8,036 = Attendus Gpe 2 0,00 0,60 0,59 1,81 2,44 0,62 6,91 12,964 (13 - 8,036) 2 8,036 * 12,964 21 = 4,97 DDL = 1 Khi 2 > 3,84 Il existe une différence significative entre les 2 groupes au seuil de risque 5% Méthode actuarielle Intervalles Fixés 18 13/02/2014 Méthode actuarielle ¡ Semblable à la méthode Kaplan-Meier mais les intervalles de temps ne sont plus déterminés par la survenue des événements. ¡ La taille des intervalles de temps est fixée a priori : 1 semaine, 1 mois,1 an… ¡ On calcule la probabilité de survie dans chaque intervalle => moins exacte que Kaplan-Meier. ¡ Le nombre d’exposés dans l’intervalle est le nombre de personnes exposées en début d’intervalle moins la moitié des perdus de vue dans l’intervalle. ¡ Puis les calculs sont identiques. JFT 19 13/02/2014 Exemple 2, survie du cancer broncho-pulmonaire ¡ Survie de leurs patients atteints de cancer bronchopulmonaire. ¡ Inclusion prospective des patients au 1er janvier 1998. ¡ L’événement étudié: la survenue du décès. ¡ Au bout de 5 ans d’étude, une première analyse des résultats est effectuée. ¡ On fait le point au 31 décembre 2002: ¡ Si DCD date de décès ¡ Sinon vivant au 31/12/2002 ¡ si les dernières nouvelles sont antérieures: date des dernières nouvelles: patients sont dits « perdus de vue » à la date de point que constitue le 31/12/02. Dans notre population ¡ Soit 180 DC/ 250, un QCM? Vous pensez? A. Que la mortalité à 5 ans est de 180/250 soit 78% B. Que la survie à 5 ans est 70/250 soit 28% C. Que le taux de survie est de 22% en moyenne sur 2ans et demi de suivi D. Que le taux brut de survie est de 22% dans la cohorte 20 13/02/2014 Courbes de survie de Kaplan Meier et test du logrank ¡ Soit 2 groupes: Chimio d’un cancer broncho-pulmonaire ¡ Groupe A n=50: ¡ 40 DC, durée moyenne de suivi 48 ± 6 mois ¡ Groupe B n=50: ¡ 10 DC, durée de suivi 12 ± 3 mois Qu’est ce qui est mieux? A. Groupe B, DC 20% vs 80%!! test du Chi 2=33.6, p<10-4 B. Groupe A, durée de suivi plus long (t test: -35.77, p<10-4) C. C’est pareil 4 fois moins de DC mais 4 fois moins de durée de suivi D. J’sais pas Données censurées/ données brutes Date des dernières nouvelles Date d’inclusion Patient 10 Patient 9 Patient 8 Patient 7 Patient 6 Patient 5 Patient 4 Patient 3 Patient 2 Patient 1 Date d’origine Date du point temps 1/0198 01/01/99 01/01/00 01/01/01 01/01/02 01/01/03 Echelonnement dans le temps de l’inclusion des patients dans la cohorte Durées de suivi (mois) Patient 10 Patient 9 Patient 8 Patient 7 Patient 6 Patient 5 Patient 4 Patient 3 Patient 2 Patient 1 45 70 34 90 50 93 62 65 96 155 temps 0 1 an 2 ans 3 ans 4 ans 5 ans Description des durées de suivi 21 13/02/2014 Notion de Censure (censored data) ¡ Censure à droite= évènement non survenu à la fin de la période d’observation ¡ Censure à droite= événement non survenu à la date des dernières nouvelles ¡ Censure à gauche= décès survenue avant la date du point sans que l’on en connaisse la date Estimation de survie Kaplan Meier ¡ être encore en vie après un instant t, c’est être en vie juste avant cet instant t et ne pas mourir à cet instant. ¡ P(VV à t) /VV juste avant t S(t)=∏ ni −di ni ti <t ni est le nombre de sujets à risque à l’instant ti et di est le nombre de décès au temps ti. 22 13/02/2014 Numéro du Durées Nombre de Nombre de Probabilité de Probabilité patient de suivi patients à décès survie à chaque cumulée de survie en mois risque instant ti à l’instant ti ti ni di qi = S(ti) ni − d i ni Patient 8 14 10 0 1 1 Patient 10 17 9 1 0,889 0,889 Patient 6 18 8 1 0,875 Patient 4 26 7 1 0,857 0,667 Patient 9 28 6 0 1 0,667 Patient 3 30 5 0 1 0,667 Patient 7 36 4 0 1 0,667 Patient 2 38 3 1 0,667 0,445 Patient 5 40 2 0 1 0,445 Patient 1 60 1 0 1 0,445 0,778 (0,889X0,875) A 60 mois, la probabilité cumulée de survie est le produit des qi soit S(t) = 0,889 x 0,875 x 0,857 x 0,667 = 0,445 NB: taux brut de survie = 6/10 (60%) alors que estimation de survie à 60 mois =44.5% Méthode de Kaplan-Meier Probabilité cumulée de survie Si ça nʼ’est pas le cas faites lʼ’examen 12-3-Limiter Attention au max aux durées les perdus dʼ’inclusion de vue diagnostique à intervalle fixe,fixe préférer Préférer un temps trop longues de suivi (28j) les à méthodes un temps variableactuarielles (sortie hôpital) mois 10 10 8 5 2 1 HYPOTHESES: • - Censure non informative+++: le risque de survenue de l’événement après la censure pour un sujet i est identique à celui des sujets encore exposés au risque (la malades ne reviennent pas en CS car ils sont guéris!!! Ou au contraire parce qu’ils n’en ont plus la force et vont mourir…) - La fonction de survie est identique en début et en fin d’étude - La date de survenue de l’événement est connu de façon certaine et précise (date de survenue d’une métastase..) 23 13/02/2014 Probabilité cumulée de survie Méthode actuarielle mois ¡ Intervalle de temps fixé à priori (par ex: consultation tous les 6 mois)[ti, ti+1[ ¡ Vi:nb de sujet vivants juste avant ti ¡ Di: nb de DCD dans [ti, ti+1[ ¡ Li: nb de personne dont la durée de participation s’arrete dans [ti, ti+1[ ¡ Ni: nb de sujet qui en moyenne sont exposés:Ni=Vi-Li/2 ¡ Survie (ti+1)/(ti)=(Ni-Di)/Ni et S(ti+1)=S(ti) X S(ti+1/ti) En résumé ¡ Si on s’intéresse à la survenue au cours du temps d’un événement (décès, récidive tumorale, métastases, etc…) à terme générique de « données de survie ». ¡ A la fin de la période de suivi l’événement d’intérêt n’est pas survenu pour tous les patients: le temps de survie est dit censuré. ¡ 4 informations essentielles ¡ Une date origine à laquelle débute la période d’observation ¡ La date des dernières nouvelles, soit la date de décès, soit la date à laquelle on dispose des dernières données relatives à l’état du patient sachant qu’il n’est pas décédé ¡ Un événement « en tout ou rien » (binaire) correspondant à la survenue ou non de l’événement à la date des dernières nouvelles. ¡ La date de point ou date de fin d’observation. Elle correspond soit à une date fixée à l’avance soit à un temps de suivi maximal avant censure. ¡ En présence de données censurées, estimation de la survie à méthode de Kaplan-Meier: ¡ Postulat: être encore en vie après un instant t, c’est être en vie juste avant cet instant t et ne pas mourir à cet instant à Ainsi la survie à un instant quelconque est le produit de probabilités conditionnelles de survie de chacun des instants précédents. 24 13/02/2014 Soit 10 patients suivis pour un cancer anaplasique à petites cellules et 10 patients suivis pour un cancer épidermoïde ProbabilitÈcumulÈe de survie 0.6 0.8 1.0 groupe ÈpidermoÔ de groupe anaplasique 0.0 0.2 0.4 Médiane de survie 23 mois Médiane de survie 38 mois 0 10 20 30 40 50 60 Mois Ces 2 survies sont elles différentes? ¡ Hypothèses ¡ H0: les 2 courbes de survie ne diffèrent pas significativement, au risque de se tromper alpha de 5% ¡ H1: les 2 courbes de survie différent significativement 25 13/02/2014 Comparaison de courbes de survie: test du Logrank ¡ H0: égalité des fonctions de survie dans les groupes ¡ àComparaison de la survie observée pour chaque groupe à une proportion attendue identique Groupe A Groupe B Total Décès dAi dBi di Survie nAi - dAi nBi – dBi ni – di Total nAi nBi ni nBi × d i ni ¡ EA=Σea et EB=Σeb et Oa et Ob= somme des décès 2 2 observés eAi = n Ai × d i ni Χ2 = eBi = (OA − E A ) (OB − EB ) + EA EB ≈ Loi Chi2 à 1 ddl Par exemple: Groupe A Durées de suivi en mois Etat à la fin du suivi* Patient 8 14 0 Probabilité cumulée de survie 1 Groupe B Durées de suivi en mois Etat à la fin du suivi* Patient 2 6 0 Probabilité cumulée de survie 1 Patient 10 17 1 0,889 Patient 4 7 Patient 6 18 1 1 0,889 0,778 Patient 1 15 1 Patient 4 26 0,778 1 0,667 Patient 3 16 1 Patient 9 0,667 28 0 0,667 Patient 10 21 1 0,556 Patient 3 30 0 0,667 Patient 8 23 1 0,444 Patient 7 36 0 0,667 Patient 9 24 1 0,333 Patient 2 38 1 0,445 Patient 6 30 1 0,222 Patient 5 40 0 0,445 Patient 7 35 1 0,111 Patient 1 60 0 0,445 Patient 5 50 1 0 Groupe A Temps Groupe B Ensemble Nombre Nombre Nombre Nombre Nombre Nombre Probabilité Nombre de décès Nombre de décès de de décès de de décès total de total de de décès attendus dans le attendus dans le patients observés patients observés patients décès au temps t i groupe A groupe B à risque d Ai à risque d Bi à risque observés ni di n Ai n Bi (n Ai x d i ) / n i 1X10 19 di / ni (n B i x d i ) / n i 6 10 0 10* 0 20 0 0 0 0 7 10 0 9 1 19 1 0,053 0,526 0,474 14 10* 0 8 0 18 0 0 0 0 15 9 0 8 1 17 1 0,059 0,529 0,471 16 9 0 7 1 16 1 0,063 0,563 0,438 17 9 1 6 0 15 1 0,067 0,600 18 8 1 6 0 14 1 0,071 0,571 21 7 0 6 1 13 1 0,077 0,538 0,462 23 7 0 5 1 12 1 0,083 0,583 0,417 24 7 0 4 1 11 1 0,091 0,636 0,364 26 7 1 3 0 10 1 0,1 0,700 0,300 28 6* 0 3 0 9 0 0 0 0 30 5* 0 3 1 8 1 0,125 0,625 0,375 35 4 0 2 1 6 1 0,167 0,667 0,333 36 4* 0 1 0 5 0 0 0 0 38 3 1 1 0 4 1 0,25 0,750 0,250 40 2* 0 1 0 3 0 0 0 0 50 1 0 1 1 2 1 0,50 0,500 0,500 60 1* 0 0 0 1 0 0 0 0 1X9 17 1X9 19 0,400 0,429 26 13/02/2014 Groupe A Temps Groupe B Ensemble Nombre Nombre Nombre Nombre Nombre Nombre Probabilité Nombre de décès Nombre de décès de de décès de de décès total de total de de décès attendus dans le attendus dans le patients observés patients observés patients décès au temps t i groupe A groupe B à risque d Ai à risque d Bi à risque observés ni di n Ai n Bi (n Ai x d i ) / n i di / ni (n B i x d i ) / n i 6 10 0 10* 0 20 0 0 0 0 7 10 0 9 1 19 1 0,053 0,526 0,474 14 10* 0 8 0 18 0 0 0 0 15 9 0 8 1 17 1 0,059 0,529 0,471 16 9 0 7 1 16 1 0,063 0,563 0,438 17 9 1 6 0 15 1 0,067 0,600 0,400 18 8 1 6 0 14 1 0,071 0,571 0,429 21 7 0 6 1 13 1 0,077 0,538 0,462 23 7 0 5 1 12 1 0,083 0,583 0,417 24 7 0 4 1 11 1 0,091 0,636 0,364 26 7 1 3 0 10 1 0,1 0,700 0,300 28 6* 0 3 0 9 0 0 0 0 30 5* 0 3 1 8 1 0,125 0,625 0,375 35 4 0 2 1 6 1 0,167 0,667 0,333 36 4* 0 1 0 5 0 0 0 0 38 3 1 1 0 4 1 0,25 0,750 0,250 40 2* 0 1 0 3 0 0 0 0 50 1 0 1 1 2 1 0,50 0,500 0,500 60 1* 0 0 0 1 0 0 0 0 7,789 5,211 Total 4 9 Χ2 = 13 (4 − 7,8) 2 (9 − 5,2) 2 + = 4,6 7,8 5,2 P=0.03 donc Significatif (<0,05), rejette H0 Attention, il ne s’agit pas ici d’un Chi2 simple cf (tables de contingence). Ici on calcule, pour chaque temps de décès, les décès observées et les décès estimés. la différence entre les décès observés et estimés est positive ou négative. On fait la somme de ces différences, en respectant le signe. 27 13/02/2014 Test de logrank ¡ Vrai si absence de censure informative ¡ Il est à préférer au test de Wilcoxon (Gehan) ou au test de peto-prentice (poids différents au décès tardifs) ¡ Attention aux courbes de survies qui se croisent (en moyenne le test sera NS mais il existe peut être des intervalles de temps ou un des groupes est supérieur à l’autre ¡ Utilisation d’un logiciel recommandé!!! 0.0 0.2 0.4 0.6 0.8 1.0 ProbabilitÈcumulÈe de survie 0 20 40 60 80 Mois Principe des modèles pour données censurées h(t) = h0 (t)exp(β ' Zi ) Et Zi (β0 + β 1VAR1 + β 2Var2 + β 3Var3….) 28 13/02/2014 Hazard ratio et risque relatif ¡ Le HR est le rapport des risques instantané en présence de l’exposition et en son absence. ¡ Comme la prévalence de l’événement à un instant t est petit, c’est très proche du RR Censure non informative ¡ Hypothèse de tous les modèles de survie++++ ¡ Hypothèse que si un individu i est censuré au temps t son risque d’événement au temps t+1 est identique à celui des individus encore exposés au temps t+1 ++++ ¡ Censure, fixée à priori, non dépendant de l ’état du patient au temps t….. 29 13/02/2014 Exo ¡ Le cancer du pancréas est une affection grave, d'évolution fatale en l'absence de traitement. Une étude de la survie de 100 patients après pancréatectomie donne des résultats qui vous sont présentés ci‑dessous. ¡ Complétez ce tableau. Données 30 13/02/2014 Survie ¡ Exposés [ti - ti+1] = Exposés [ti-1 - ti] - PV [ti-1 - ti] - DCD [ti-1 - ti] ¡ p(DCD) = DCD / Exposés ¡ p(survie inst) = 1 - p(DCD) ¡ p(survie cum) = Π (survies inst) [produit…] Délai Exposé PV DCD p(DC) p(survie) survie cum 0 1 3 10 15 16 20 50 60 100 100 99 97 95 90 89 89 88 0 0 2 0 2 1 0 1 88 0 1 0 2 3 0 0 0 0 0.000 0.010 0.000 0.021 0.032 0.000 0.000 0.000 0.000 1.000 0.990 1.000 0.979 0.968 1.000 1.000 1.000 1.000 1.000 0.990 0.990 0.970 0.939 0.939 0.939 0.939 0.939 31