Introduction à l’analyse de survie

Temps jusqu’à évènement, censure, Kaplan-Meier et modèle de Cox

Analyser un délai jusqu’à un évènement en présence de censure : estimateur de Kaplan-Meier, test du log-rank et modèle de Cox à risques proportionnels.
AstuceObjectifs du chapitre

À la fin de ce chapitre, vous devez savoir :

  • reconnaître une situation où une analyse de survie est adaptée
  • définir les concepts clés de l’analyse de survie (évènement, censure, troncature, fonction de survie…)
  • estimer une fonction de survie à l’aide de l’estimateur de Kaplan-Meier
  • comparer des fonctions de survie
  • écrire et interpréter un modèle à risques proportionnels semi-paramétrique de Cox
  • évaluer les hypothèses de proportionnalité des risques et de log-linéarité, discuter la censure non informative et adapter l’analyse en cas de non-respect

L’analyse de survie (ou analyse des données de survie) étudie le temps avant la survenue d’un évènement au sein d’un ou plusieurs groupes d’individus. Cette analyse est réalisée dans le contexte d’études longitudinales (ex., étude de cohorte, essai clinique).

Le mot “survie” est historique. L’évènement peut être :

Les données de survie comportent généralement trois types d’informations :

L’objectif est alors d’estimer la probabilité de survenue de l’évènement en fonction du temps.

Deux jeux de données nous accompagnent :

install.packages(c(
  "survival", "survminer", "timereg",
  "ggplot2", "dplyr", "tidyr", "patchwork"
))

timereg n’est nécessaire que pour le test du supremum (vérification de la log-linéarité, section 6.2).

Plan du chapitre

  1. Pourquoi l’analyse de survie ?
  2. Concepts clés de l’analyse de survie
  3. Estimation de Kaplan-Meier de la fonction de survie
  4. Comparaison de fonctions de survie
  5. Modèle de Cox à risques proportionnels
  6. Adéquation aux hypothèses d’application du modèle
  7. Pour aller plus loin