télécharger cette publication

Transcription

R. GIORGI ET COLLABORATEURS
REVUE DES MODELES REGRESSIFS DE SURVIE
Revue comparative des modèles régressifs de survie brute et de survie
relative
Regression models for crude and for relative survival: a comparative review
R. GIORGI(1), A. ARMANET(1), J. GOUVERNET(1), P. BONNIER(2), M. FIESCHI(1)
(1) Laboratoire d’Enseignement et de Recherche sur le Traitement de l’Information
Médicale, Faculté de médecine, Université de la méditerranée, 27 Bd Jean Moulin, 13005
Marseille, France. Email : [email protected]
(2) Service de Gynécologie-Obstétrique, Hôpital de la Conception, 147 Bd Baille, 13005
Marseille, France.
Background: Statistical analysis of lifetime data is frequently used in the biomedical
field. Our objective is to present a comparative review of the different regression models
according to the survival concept (crude survival or relative survival) in order to express
guidelines.
Methods: In a methodological point of view, we present and compare a regressive
crude survival model (Cox model) and regressive relative survival models for grouped
data (Hakulinen and Tenkanen) and for individuals data (Esteve et al.). Our study is
illustrated by an analysis of survival data of 3,555 incident cases of breast cancer
identified by a hospital registry. Comportment of the models was studied in situation where
censors rates ranged from 31.7 to 96.5%.
Results: Because relative survival analysis (Hakulinen and Tenkanen, Esteve et al.)
takes into account the natural mortality, the risk of death for women older than 50 years is
smaller than this for women aged from 35 to 49, which was not pointed out in the crude
survival analysis (Cox). Estimations obtained from Cox model are more accurate than
those obtained from both studied regressive relative survival models. Estimations obtained
from Esteve et al. model were not very different than those obtained from Hakulinen and
Tenkanen model and they were more accurate.
Conclusion: By definition, analysis of relative survival is more appropriate to estimate
survival for a specific cause of death. It is preferable to use models based on individual
estimation when the data set is small or when the number of individual per strata is small.
Crude survival. Relative survival. Survival analysis. Proportional hazards models. Non-proportional
hazards models.
Position du problème : L’analyse statistique des durées de vie est relativement
fréquente dans le domaine biomédical. L’objectif de cet article est de présenter une revue
comparative des différents modèles régressifs en fonction du type de survie analysée
(survie brute ou survie relative) afin de guider l’utilisateur dans son choix.
Méthodes : Nous présentons et comparons d’un point de vue méthodologique un modèle
régressif de survie brute (modèle de Cox) et les principaux modèles régressifs de survie
relative sur données groupées (Hakulinen et Tenkanen) et sur données individuelles
(Estève et coll.). Notre étude est illustrée à partir des 3 355 cas de cancer du sein
provenant d’un registre hospitalier. Les comportements sont étudiés dans des situations où
les taux de censures varient de 31,7 à 96,5 %.
Publié dans : Rev Epidemiol Sante Publique, 2005, 53 : 409-417
1
Résultats : L’analyse par la survie relative (Hakulinen et Tenkanen, Estève et coll.)
montre qu’une fois la mortalité naturelle prise en compte le risque de décès par cancer du
sein chez les patientes âgées de plus de 50 ans est plus faible que celui des patientes de la
tranche d’âge 35 - 49 ans, ce qui n’était pas mis en évidence dans l’analyse par la survie
brute (Cox). Les estimations obtenues par le modèle de Cox sont plus précises que celles
obtenues par les deux modèles régressifs de survie relative. Les estimations obtenues par
la méthode d’Estève et coll. sont peu différentes et plus précises que celles obtenues par la
méthode d’Hakulinen et Tenkanen.
Conclusion : L’analyse de la survie relative, par définition, est plus à même d’étudier
un phénomène de mortalité lié à une pathologie donnée. Il vaut mieux utiliser des modèles
basés sur l’estimation individuelle lorsque l’on dispose d’échantillons de faible taille ou
bien lorsque le nombre d’individus dans les différentes strates de l’étude est petit.
Survie brute. Survie relative. Analyse de survie. Modèles à taux proportionnels. Modèles à taux nonproportionnels.
Introduction
L’analyse statistique des durées de vie est fréquente dans le domaine biomédical. Les
différents modèles et méthodes existantes sont largement utilisés, que ce soit au cours
d’essais thérapeutiques ou bien dans les registres de populations (registres du cancer et
registres de morbidité) et d’une manière plus générale en épidémiologie descriptive ou
analytique. Le type de données ainsi étudiées ne se limite pas à l’événement fatal d’une
pathologie létale (la survenue du décès) mais peut s’étendre à tout autre événement faisant
intervenir le temps (la récidive ou la guérison d’une maladie donnée, la normalisation d’un
paramètre biologique après une certaine action, …).
Les premiers modèles d’analyse de survie ont été développés afin de modéliser, d’une
manière unifactorielle, la survie observée dans le cadre de l’estimation de la survie
brute [1,2]. Puis, devant les besoins cliniques et épidémiologiques de prendre en compte
simultanément plusieurs facteurs, le modèle régressif semi-paramétrique de Cox [3] a été
développé, ce qui constitue une des recherches majeures en biostatistique [4,5].
Vers les années 1950 est apparu le concept de la survie relative [6] afin de tenir compte des
risques différentiels de décès pour fournir une estimation de la survie nette. Il s’agit en
effet de pouvoir estimer la survie pour une pathologie donnée en l’absence des autres
causes de décès. Des méthodes de calcul unifactoriel, reposant sur des statistiques non
paramétriques, ont ensuite été développées [7-9]. Là encore, les besoins d’estimer la survie
en fonction de plusieurs facteurs pronostiques à partir de modèles statistiquement puissants
sont à l’origine de modèles régressifs de survie relative [10,11].
Dans cet article nous présentons une revue à visée comparative des différents modèles de
régression en fonction du type de survie analysée (survie brute ou survie relative) afin de
2
guider l’utilisateur dans son choix. Les modèles régressifs étudiés sont, d’une part le
modèle de Cox [3] pour l’analyse de la survie brute, et d’autre part le modèle d’Estève et
coll. [10] et le modèle d’Hakulinen et Tenkanen [11] pour l’analyse de la survie relative.
Ces trois modèles reposent sur l’hypothèse des risques proportionnels qui considère que le
rapport des taux de décès entre deux sous-groupes de patients reste constant au cours du
temps. L’utilisation de ces modèles est illustrée à partir de données de cancer du sein.
Définitions des différents concepts de survie
Lorsque l’on parle d’analyse de survie d’un collectif il faut au préalable préciser du type de
survie dont il s’agit. En effet, on peut distinguer deux concepts selon que l’on parle de
survie brute ou de survie nette [12].
La survie brute (ou survie globale) représente la survie en prenant en compte toutes les
causes de décès. Par exemple, une personne présentant un cancer du sein est soumise à une
certaine force de mortalité liée à son cancer mais elle est également soumise à d’autres
forces de mortalités, spécifiques à sa personne ou non spécifiques, comme c’est le cas pour
l’ensemble de la population générale. La survie brute mesure la résultante de l’ensemble de
ces forces de mortalité.
Le concept de la survie nette diffère dans la mesure où l’on conçoit que la pathologie
faisant l’objet de l’étude de survie ne soit pas l’unique source de mortalité à laquelle sont
exposés, ou par laquelle sont décédés, les individus du collectif étudié. La survie nette
représente donc la survie d’une cause donnée lorsque toutes les autres causes de décès ont
été éliminées. Pour pouvoir l’estimer, on considère que la cause spécifique de décès que
l’on étudie est indépendante des autres causes de décès. La survie nette peut être estimée
par deux méthodes : (1) La méthode de la survie spécifique nécessite de savoir si la cause
du décès est directement imputable à la pathologie étudiée (les décès pour d’autres causes
sont traités comme des données censurées) ; (2) La méthode de la survie relative, ou survie
corrigée, ne nécessite pas de savoir si la cause du décès est directement imputable à la
pathologie étudiée puisque la survie observée du collectif étudié est « corrigée » par sa
survie attendue issue des tables de mortalité de la population générale.
Méthodes d'estimation
Survie brute
Modèle de Cox
3
Le modèle régressif semi-paramétrique de Cox établit une relation entre le risque
instantané et les facteurs pronostiques qui agissent sur la survie brute. Ce modèle s’écrit :
λ(t,z) = λ0(t)exp(β’z)
où λ0(t), fonction laissée indéterminée et dépendant uniquement du temps, est le risque
instantané de base correspondant aux individus pour qui le vecteur-colonne des facteurs
pronostiques z est nul, et β’ est le vecteur-ligne des paramètres de régression du modèle.
Le paramètre βj représente l’effet propre du facteur pronostique zj sur le risque instantané.
Si zj est un facteur binaire dont les valeurs 0 ou 1 définissent deux groupes de patients,
exp(βjzj) est le risque relatif de décès entre ces deux groupes, ajusté sur les autres facteurs
inclus dans le modèle. Le modèle suppose que l’effet βj de chaque zj est constant au cours
du temps, de sorte que le rapport des risques instantanés correspondant à deux « profils »
de facteurs caractérisés par deux vecteurs z1 et z2 ne dépend que des valeurs des facteurs
qui composent z1 et z2 (modèle « à risques proportionnels »).
Survie relative
La survie relative (Sc(t)) vise à « corriger » la survie observée du collectif étudié (So(t)) par
la survie attendue dans une population générale en l’absence de la maladie étudiée (Sa(t)).
La survie relative au temps t vaut :
S c (t ) =
S o (t )
S a (t )
(1)
En notant respectivement λo(t), λa(t) et λc(t) le risque instantané observé du collectif suivi,
attendu, et spécifique à la pathologie étudiée, la relation (1) est équivalente à :
λo(t) = λa(t) + λc(t)
(2)
Le calcul de Sa(t) ou λa(t) est effectué à partir des fonctions de survie, ou d’incidence,
issues des tables de mortalité de la population générale pour des sous-populations
présentant des caractéristiques identiques, excepté la maladie étudiée, à celles du collectif
suivi, comme le sexe et l’âge [7-9]. Les fonctions calculées sont alors considérées comme
des constantes, et non des estimations, égales à Sa(t) ou λa(t), en faisant l’hypothèse que le
risque étudié est faible par rapport à l’ensemble des autres causes compétitives de mortalité
de la population générale.
Pour exprimer la survie relative en fonction de facteurs pronostiques, les deux principaux
modèles de régression reposant sur les relations (1) ou (2) qui ont été décrits sont ceux de
Estève et coll. [10] et de Hakulinen et Tenkanen [11]. Tous deux sont des modèles
paramétriques à risques proportionnels, exponentiel par intervalle pour le premier, et
4
discret pour le second. Ils permettent d’exprimer l’excès de risque auquel est soumis le
collectif étudié.
Modèle d’Estève et coll.
Ce modèle régressif de survie relative repose sur l’équation (2) en exprimant λc(t) en
fonction des facteurs pronostiques selon une relation à risques proportionnels avec un
risque instantané de base constant par intervalles de temps. Chacun de ces intervalles,
notés [tk, tk+1), k = 0, …, K, avec t0 =0 et tk+1 = ∞ résulte d’un découpage a priori du temps
de suivi. Le modèle s’écrit :
λo(t ; x, z) = λa(x + t ; zs) + αkexp(β’z),
tk, ≤ t < tk+1 ;
k = 0, …, K
où x est l’âge des individus à l’entrée dans l’étude et qui vaut x + t après un suivi de
longueur t, zs est un sous vecteur de z (zs correspond le plus souvent au sexe) et αk
représente le risque instantané spécifique de base supposé constant sur le kème intervalle. Le
risque attendu λa(x + t ; zs) est connu pour chaque sujet du collectif étudié, et considéré
comme constant sur le kème intervalle, k = 1, ..., K+1 : c’est l’incidence obtenue à partir des
tables de mortalité de la population générale pour les sujets présentant les facteurs zs et
d’âge (x + tk) au temps calendaire correspondant à tk. Pour estimer les paramètres inconnus
et effectuer des tests d’hypothèse, la vraisemblance est maximisée sous le modèle en
imposant une contrainte de positivité aux paramètres αk.
Modèle d’Hakulinen et Tenkanen
Ce modèle, comme le précédent, repose sur l’équation (2) avec une expression à risques
proportionnels pour le risque spécifique selon :
λc(t ; z) = exp(µ(t) + β’z)
(3)
où µ(t) es tune fonction non précisée du temps. Le modèle est particulièrement adapté au
cas où les durées de suivi ne sont pas connues exactement, mais groupées par intervalles de
temps [tk, tk+1). Il utilise les probabilités conditionnelles de survies après tk +1 sachant que la
durée de survie est supérieure à tk, définies par :
{
= exp {− ∫
= exp {− ∫
Sok = exp − ∫
tk +1
tk
S ak
Sck
tk +1
tk
tk +1
tk
}
λ ( t ) dt}
λ ( t ) dt}
λo ( t ) dt
a
c
et qui conduisent finalement à définir le modèle qui s’écrit, compte tenu de (1) et (3) :
5
ln {− ln ( pok pak )} = γ k + β ' z
où exp ( γ k ) = ∫
tk +1
tk
exp {µ ( t )} dt . Il s’agit d’un modèle linéaire généralisé [13] avec une
fonction de lien ln(-ln) et une distribution binomiale des erreurs, à partir duquel une
vraisemblance portant sur les nombres de sujets à risque en chaque tk peut être calculée, et
maximisée pour conduire à l’estimation des paramètres βj et γk. Les constantes pak sont
calculées pour chaque sujet, de façon similaire à celle utilisée dans la méthode d’Estève et
coll., à partir des tables de mortalité de la population générale. Pour des raisons de
commodité informatique, les sujets peuvent être regroupés en strates définies par le
croisement de catégories obtenues à partir des valeurs des facteurs pronostiques, une strate
pouvant par ailleurs ne contenir qu’un seul sujet.
Application aux données de cancer du sein
Données utilisées
Nous avons utilisé les données de survie de 3 355 cas de cancer infiltrant du sein
diagnostiqués entre 1970 et 2002 et identifiés de manière prospective par le registre des
tumeurs du sein de l’hôpital de la Conception, Marseille, France (PB).
Pour étudier le comportement des différents modèles en fonction du taux de censures, nous
avons considéré différents temps après le diagnostic (5, 10, 15 et 20 ans) pour censurer les
patientes encore en vie. Par exemple, une patiente décédée dans la 12ème année de la
maladie a été considérée comme censurée lorsque le suivi individuel a été limité aux 5 et
aux 10 premières années, mais plus au-delà.
L’analyse porte sur 4 facteurs pronostiques, renseignés au moment du diagnostic : l’âge
(≤ 34 ans, 35 - 49 ans, 50 - 69 ans et ≥ 70 ans), la taille de la tumeur (< 2 cm, ≥ 2 cm et
taille inconnue), la notion d’envahissement ganglionnaire (absence, présence ou notion
inconnue) et la notion d’extension métastatique à distance (absence ou présence).
Logiciels statistiques utilisés
L’analyse des données par le modèle de Cox a été réalisée avec le logiciel SPSS [14]. Pour
le modèle d’Hakulinen et Tenkanen nous avons utilisé la version 3 du logiciel SURV [15]
(les données ont été groupées dans autant de strates qu’il y a de combinaisons possibles
entre les 4 facteurs pronostiques étudiés, soit 72 strates) couplée avec le logiciel SAS [16]
afin d’obtenir les estimations dans le modèle linéaire généralisé. Les estimations du
modèle d’Estève et coll. ont été obtenus avec la fonction RSURV [17] sous le logiciel SPLUS [18].
6
Description de la population
La distribution des facteurs pronostiques et le nombre de décès aux différents temps
considérés et correspondants à chacune des catégories de ces facteurs sont rapportés dans
le tableau I. Les taux de censures varient entre 31,7% et 96,5% en fonction des facteurs
pronostiques du cancer du sein aux différents temps considérés (5, 10, 15 et 20 ans).
Comparaisons des modèles régressifs de survie brute et de survie relative
Lorsque les quatre facteurs pronostiques sont inclus dans l’analyse, on observe une
certaine stabilité des estimations des risque relatifs (RR) ajustés obtenus en fonction des
différents temps de suivi (5, 10, 15 et 20 ans) pour chacun des trois modèles considérés. De
même, les différences observées des estimations des RR ajustés entre les trois modèles sont
retrouvées aux différents temps de suivi. Cette stabilité dans l’estimation des RR est en
faveur du respect de l’hypothèse de proportionnalité des taux de décès dans ce jeu de
données.
Tableau I : Distribution des facteurs pronostiques des 3 355 cas de cancer du sein et taux brut de
décès à 5, 10, 15 et 20 ans.
Facteurs
pronostiques
Age
N
(%)
Décès à
5 ans
(%)
Décès à
10 ans
(%)
Décès à
15 ans
(%)
Décès à
20 ans
(%)
142
(4,2%)
36
(25,4%)
54
(38,0%)
60
(42,3%)
61
(43,0%)
35 - 49
1 023 (30,5%)
113
(11,0%)
158
(15,4%)
170
(16,6%)
178
(17,4%)
50 - 69
1 670 (49,8%)
167
(10,0%)
232
(13,9%)
257
(15,4%)
267
(16,0%)
520 (15,5%)
59
(11,3%)
81
(15,6%)
83
(16,0%)
83
(16,0%)
< 2 cm
1 538 (45,8%)
54
(3,5%)
91
(5,9%)
106
(6,9%)
109
(7,1%)
≥ 2 cm
1 388 (41,4%)
187
(13,5%)
264
(19,0%)
285
(20,5%)
294
(21,2%)
429 (12,8%)
134
(31,2%)
170
(39,6%)
179
(41,7%)
186
(43,4%)
Non envahis 1 675 (49,9%)
67
(4,0%)
113
(6,7%)
131
(7,8%)
143
(8,5%)
Envahis
264
(18,2%)
361
(24,8%)
385
(26,5%)
391
(26,9%)
(6,7%)
44
(19,5%)
51
(22,6%)
54
(23,9%)
55
(24,3%)
3 188 (95,0%)
274
(8,6%)
411
(12,9%)
456
(14,3%)
475
(14,9%)
(5,0%)
101
(60,5%)
114
(68,3%)
114
(68,3%)
114
(68,3%)
3 355 (100%)
375
(11,2%)
525
(15,6%)
570
(17,0%)
589
(17,6%)
≤ 34
≥ 70
Taille
Inconnue
Ganglions
Inconnu
1 454 (43,3%)
226
Métastases
Absence
Présence
Total
167
7
Tableau II : Estimations des risques relatifs (RR) de décès ajustés, avec intervalles de confiance à
95 % (IC 95 %), avec le modèle de Cox, le modèle d’Hakulinen et Tenkanen, le modèle d’Estève et
coll. pour chaque facteurs pronostiques dans l’étude à 10 ans de 3 355 cas de cancers du sein.
Facteurs
pronostiques
Modèle de Cox
RR
IC 95 %
p
RR
IC 95 %
0,003 b
Age
≤ 34
Estève et coll.
Hakulinen & Tenkanen
p
RR
IC 95 %
< 10-4 b
p
< 10-4 b
1,67
1,22 - 2,28
0,01
1,67
1,20 - 2,33
0,002
1,66
1,20 - 2,30
0,002
35 - 49 a
1
-
-
1
-
-
1
-
-
50 - 69
0,98
0,80 - 1,21
0,87
0,67
0,51 - 0,87
0,002
0,76
0,60 - 0,97
0,026
≥ 70
1,21
0,92 - 1,59
0,18
0,39
0,21 - 0,74
0,004
0,44
0,26 - 0,75
0,003
< 10-4 b
Taille
< 10-4 b
< 10-4 b
< 2 cm a
1
-
-
1
-
-
1
-
-
≥ 2 cm
2,45
1,92 - 3,14
< 10-4
3,30
2,22 - 4,88
< 10-4
3,05
2,13 - 4,36
< 10-4
Inconnue
4,09
3,13 - 5,34
< 10-4
5,83
3,88 - 8,76
< 10-4
5,36
3,70 - 7,76
< 10-4
< 10-4 b
Ganglions
Non envahis a
< 10-4 b
< 10-4 b
1
-
-
1
-
-
1
-
-
Envahis
2,40
1,93 - 3,00
< 10-4
2,98
2,11 - 4,22
< 10-4
2,91
2,11 - 4,02
< 10-4
Inconnu
2,37
1,67 - 3,36
< 10-4
3,15
1,93 - 5,13
< 10-4
3,08
1,95 - 4,85
< 10-4
< 10-4 b
Métastases
Absence a
1
-
-
< 10-4 b
1
-
-
< 10-4 b
1
-
-
Présence
7,09 5,67 - 8,87 < 10-4
9,14 6,95 - 12,02 < 10-4
8,62 6,66 - 11,17 < 10-4
a) Catégorie de référence. b) Valeur de p pour le test global de la variable.
Le tableau II fournit les estimations des RR ajustés, avec intervalles de confiance à 95 %
(IC), obtenues avec les trois modèles lorsque l’on s’intéresse à la survie à 10 ans (des
résultats similaires ont été trouvés lors des analyses effectuées à 5, 15 et 20 ans ; données
non montrées). Si l’on compare les résultats obtenus avec le modèle de Cox aux résultats
obtenus avec les deux modèles régressif de survie relative le principal résultat concerne
l’estimation du risque de décès lié à l’âge des patientes. En effet, l’analyse par le modèle
régressif de survie brute (Cox) montre un effet non significatif pour la tranche d’âge 50 69 ans et celle supérieure à 70 ans. En revanche, l’analyse par les modèles régressifs de
survie relative (Hakulinen et Tenkanen, Estève et coll.) conclue à un effet protecteur
significatif pour ces deux tranches d’âge. Une fois la mortalité naturelle prise en compte,
l’excès de risque de décès par cancer du sein chez les patientes âgées de plus de 50 ans est
8
plus faible que celui des patientes de la tranche d’âge 35 - 49 ans. En ce qui concerne les
autres facteurs pronostiques, les estimations obtenues par le modèle régressif de survie
brute et par les modèles régressifs de survie relative vont dans le même sens, les RR
estimés pour l’analyse de la survie brute étant inférieurs à ceux obtenus pour l’analyse de
la survie relative.
Nous pouvons également constater (tableau II) que l’écart est faible entre les estimations
des RR ajustés obtenus par la méthode d’Hakulinen et Tenkanen d’une part et par la
méthode d’Estève et coll. d’autre part. Les IC à 95 % obtenus avec la méthode d’Estève et
coll. sont moins larges que ceux obtenus avec la méthode d’Hakulinen et Tenkanen. Par
ailleurs, les estimations obtenues par le modèle de Cox sont plus précises que celles
obtenues par les deux modèles régressifs de survie relative.
Discussion
Nous pouvons dégager un certain nombre de points à partir de cette revue comparative des
principaux modèles régressifs de survie brute et de survie relative.
Survie brute
La stabilité dans l’estimation des RR ajustés que nous avons constaté dans notre étude à
différents temps de suivi est en faveur du respect de l’hypothèse de proportionnalité des
taux. Un écart à cette hypothèse remettrait en cause l’utilisation du modèle de Cox à taux
proportionnels pour ce jeu de données. Différentes méthodes ou tests ont été développés
pour vérifier cette hypothèse [3,19-28] et différents modèles ont été élaborés pour prendre
en compte une modification du rapport des taux de décès au cours du temps [3,26,29-36].
Dans leur étude, réalisée sur des données réelles de registre de population concernant le
cancer du colon, Quantin et coll. [37] ont comparé les estimations obtenues avec un
modèle de Cox à taux proportionnels classique à celles obtenues à partir de modèles qui
généralisent le modèle de Cox en permettant une modification au cours du temps du
rapport du taux de décès [3,26,36]. Les auteurs ont ainsi évalué les avantages et les limites
de différents modèles à taux non-proportionnels et ils ont ainsi mis en évidence l’intérêt de
modéliser la variation du rapport du taux de décès au cours du temps dans cette pathologie.
Survie nette
Les résultats présentés dans le tableau II ont montré que les estimations obtenues pour le
modèle d’Estève et coll. étaient plus précises que celles obtenues pour le modèle
d’Hakulinen et Tenkanen. Cette notion de précision, qui a été montrée par ailleurs dans une
étude basée sur des données de simulation [38], n’est pas intrinsèque aux modèles et
9
dépend de l’estimateur de la matrice de variance-covariance du logiciel utilisé pour estimer
les paramètres du modèle. Cette étude a également montré que, dans une situation de
proportionnalité des taux de décès, le modèle d’Estève et coll. a une certaine robustesse par
rapport à l’hypothèse d’indépendance entre le taux de censures et le taux de décès [38].
D’un point de vue mathématique, ces deux modèles sont similaires à une transformation
ln{-{ln}} près. Les différences que l’on peut noter entre ces deux modèles portent sur la
façon d’estimer les paramètres puisque le modèle d’Estève et coll. utilise la vraisemblance
totale basée sur des données individuelles alors que celui d’Hakulinen et Tenkanen utilise,
dans le cadre des modèles linéaires généralisés, des données groupées. Cette approche peut
donc conduire à un manque de précision dans l’estimation des paramètres et à un manque
de puissance statistique lorsque les unités d’observations (strates par intervalles de temps)
comportent peu d’individus. De plus, dans le modèle d’Estève et coll. les patients peuvent
être ajustés individuellement (de la même manière que dans le modèle de Cox) ce qui évite
les éventuels problèmes consécutifs au groupement de patients hétérogènes en terme de
survie lorsque l’analyse est réalisée sur données groupées. Dans certains registres de
population de grande taille, les données sont enregistrées par intervalles de temps et c’est
alors le modèle pour données groupées d’Hakulinen et Tenkanen qui s’appliquerait plutôt
que celui d’Estève et coll., alors que dans d’autres cas où les données individuelles sont
disponibles, c’est le modèle d’Estève et coll. qui doit être choisi.
A partir de données réelles du registre Finlandais de cancer, une étude a comparé les
résultats obtenus avec le modèle d’Hakulinen et Tenkanen aux résultats de trois autres
modèles régressifs (sur données groupées et sur données individuelles) proposés alors. Ces
quatre approches ont donné des résultats sensiblement similaires [39].
Comme le modèle de Cox, le modèle d’Hakulinen et Tenkanen et le modèle d’Estève et
coll. reposent sur l’hypothèse des taux proportionnels de décès. A notre connaissance, il
n’y a pas à ce jour de développements théoriques qui ont été réalisés pour prendre en
compte la non proportionnalité des taux avec le modèle d’Hakulinen et Tenkanen. Les
logiciels utilisés pour obtenir les estimations dans le modèle linéaire généralisé (SAS,
GLIM, …) permettent d’introduire une interaction entre le temps et un facteur pronostique
pour modéliser une modification du rapport des taux de décès au cours du temps.
Cependant, il a été montré qu’une limite de cette méthode était d’imposer a priori une
contrainte paramétrique sur la forme de l’interaction, aussi bien dans le cadre de la survie
brute [37] que dans celui de la survie relative [40]. Des extensions au modèle d’Estève et
coll. ont été proposées pour prendre en compte la modification du rapport des taux de
10
décès au cours du temps [40-42]. Une version du logiciel RELSURV [43] permet également
l’introduction d’une interaction entre le temps et un facteur pronostique et la fonction
RSURV [17], utilisable avec le logiciel S-PLUS ou R, permet de modéliser la modification
du rapport des taux de décès au cours du temps avec un modèle régressif de survie relative
utilisant des fonctions B-splines [42] ainsi que l’étude de la survie relative avec plusieurs
évènements du même type (par exemple, la récidive du cancer).
Survie brute versus survie nette
Notre étude, comme d’autres [10,41,42,44], retrouve, au travers du facteurs pronostic âge,
l’importance de l’analyse de la survie relative pour séparer l’impact des facteurs
pronostiques sur la mortalité spécifique de leurs effets sur les autres causes de décès. Une
étude basée sur des données de simulation a montré que, dans une situation où la mortalité
spécifique était connue, le modèle de Cox sous-estimait l’impact de l’âge sur la mortalité
spécifique (Communication orale : Le Teuff G, Quantin C, Bolard P, Abrahamowicz M.
Comparison of Cox and relative survival models when estimating the effect of prognostic
factors on disease-specific mortality: a simulation study. 25th annual conference of the
International Society for Clinical Biostatistics, Leiden, Netherlands, Agust 2004.).
Cependant, la comparaison entre l’analyse de la survie brute et l’analyse de la survie nette
n’est pas aisée et théoriquement pas toujours justifiée dans la mesure où ces deux types
d’analyses fournissent deux informations différentes. Dans certains cas la survie observée
sera suffisante pour étudier la survie d’un groupe de patients ; dans d’autres cas la prise en
compte de l’évolution de la mortalité naturelle liée à l’âge devra être prise en compte. Dans
certains cas la cause exacte de décès sera connue ; dans d’autres cas cela ne sera pas
possible. Il en résulte que le choix de la méthode utilisée reste dépendant du problème posé
et des données disponibles [45].
Remerciements
Nous remercions les deux lecteurs anonymes pour leurs commentaires constructifs qui ont
permis d’améliorer cet article.
REFERENCES :
1. Böhmer PE. Theorie der unabhängigen Wahrscheinlichkeiten Rapports. In: Mémoires
et procès verbaux du septième congrès international d’actuaires. Amsterdam 1912; 2:
327-43.
11
2. Kaplan EL, Meier P. Non parametric estimation from incomplete observations. J Am
Stat Assoc 1958; 53: 457-481.
3. Cox DR. Regression models and life table (with discussion). J R Stat Soc 1972; B34:
187-202.
4. Andersen PK. Survival analysis 1982-1991: the second decade of the proportional
hazards regression model. Stat Med 1991; 10: 1931-41.
5. Richardson S. Développements récents de la biostatistique. Rev Epidemiol Sante
Publique 1996; 44: 482-93.
6. Berkson J, Gage RP. Calculation of survival rates for cancer. Proceeding of the Staff
Meeting of the Mayo Clinic 1950; 25: 270-86.
7. Ederer F, Heise H. The effect of eliminating deaths from cancer in general population
survival rates, methodological note 11, End Result Evaluation Section, National Cancer
Institute, 1959.
8. Ederer F, Axtell LM, Cutler SJ. The relative survival rate: a statistical methodology. J
Natl Cancer Inst Monogr 1961; 6: 101-21.
9. Hakulinen T. Cancer survival corrected for heterogeneite in patient withdrawal.
Biometrics 1982; 38: 933-42.
10. Estève J, Benhamou E, Croasdale M, Raymond L. Relative survival and estimation of
net survival: elements for further discussion. Stat Med 1990; 9: 529-38.
11. Hakulinen T, Tenkanen L. Regression analysis of relative survival rates. Appl Statist
1987; 36: 309-17.
12. Estève J, Benhamou E, Raymond L. Statistical methods in descriptive epidemiology.
IARC Scientific Publication n°128, International Agency for Research on Cancer,
Lyon, 1994.
13. McCullagh P, Nelder JA. Generalized linear models. New York: Chapman and hall,
1989.
14. SPSS pour Windows version 11.0. SPSS Inc, 1989-2001.
15. Dickman PW, Hakulinen T, Voutilainen ET. Surv3: relative survival analysis program,
version 3.01. Helsinki: Finnish cancer registry, 2002.
16. SAS Institute Inc, Version 8, Cary, NC: SAS Institute Inc, 2000.
17. Giorgi R, Payan J, Gouvernet J. RSURV: a function to perform relative survival analysis
with S-PLUS or R. Comput Methods Programs Biomed 2005 (sous presse).
18. S-PLUS 6.0. Professional release 2. Insightful Corp, 1988-2001.
12
19. Kay R. Proportional hazard regression models and the analysis of censored survival
data. Appl Stat 1977; 26: 227-237.
20. Schoenfeld D. Chi-squared goodness-of-fit tests for the proportional hazards regression
model. Biometrika 1980; 67: 145-153.
21. Kalbleisch JD, Prentice R. The statistical analysis of failure time data. Wiley, New
York, 1980.
22. Andersen PK, Gill RD. Cox’s regression model for counting processes: a large-sample
study. Ann Stat 1982; 10: 1100-1120.
23. Schoenfeld D. Partial residuals for the proportional hazards regression model.
Biometrika 1982; 69: 239-241.
24. Nagelkerke NJD, Oostings J, Hart AAM. A simple test for goodness of fit of Cox’s
proportional hazards model. Biometrics 1984; 40: 483-486.
25. Wei LJ. Testing goodness of fit for proportional hazard model with censored
observations. J Am Stat Assoc 1984; 9: 649-652.
26. Moreau T, O'Quigley J, Mesbah M. A global goodness of fit statistic for the
proportional hazards model. Appl Stat 1985; 34: 212-218.
27. O’Quigley J, Pessione F. Score test for homogeneity of regression effect in the
proportional hazards model. Biometrics 1989; 45: 135-144.
28. Gill R, Schumacher M. A simple test of the proportional hazard assumption.
Biometrika 1987; 74: 289-300.
29. Zucker DM, Karr AF. Nonparametric survival analysis with time-dependent covariate
effects: a penalized partial likelihood approach. Ann Stat 1990; 18: 329-353.
30. Gray RJ. Flexible methods for analyzing survival data using splines, with applications
to breast cancer prognosis. J Am Stat Assoc 1992; 87: 942-951.
31. Hastie TJ, Tibshirami RJ. Varying-coefficient models (with discussion). J R Stat Soc
1993, B55: 757-796.
32. Hess K. Assessing time-by-covariate interactions in proportional hazards regression
models using cubic spline functions. Stat Med 1994; 13: 1045-1062.
33. Kooperberg C, Stone CJ, Truong YK. Hazard regression. J Am Stat Assoc 1995; 90:
78-94.
34. Verweij JM, Houwelingen HC. Time-dependent effects of fixed covariates in Cox
regression. Biometrics 1995; 51: 1550-1556.
13
35. Heinzl H, Kaider A. Assessing interactions of binary time-dependent covariates with
time in Cox proportional hazards regression models using cubic spline functions. Stat
Med 1996; 15: 2589-2601.
36. Abrahamowicz M, MacKenzie T, Esdaile JM. Time-dependent hazard ratio: modeling
and hypothesis testing with application in lupus nephritis. J Am Stat Assoc 1996; 91:
1432-1439.
37. Quantin C, Abrahamowicz M, Moreau T, Bartlett G, MacKenzie T, Tazi MA, et al.
Variation over time of the effects of prognostic factors in a population-based study of
colon cancer: comparison of statistical models. Am J Epidemiol 1999; 150: 1188-1200.
38. Giorgi R, Hedelin G, Schaffer P. Relative survival: comparison of regressive models
and advice for user. J Epidemiol Biostat 2001; 6: 455-462.
39. Dickman PW, Sloggett A, Hills M, Hakulinen T. Regression models for relative
survival. Stat Med 2004; 23: 51-64.
40. Bolard P, Quantin C, Esteve J, Faivre J, Abrahamowicz M. Time dependent hazard
ratio in relative survival with application in colon cancer. J Clin Epidemiol 2001; 54:
986-96.
41. Bolard P, Quantin C, Abrahamowicz M, Esteve J, Giorgi R, Chadha-Boreham H, et al.
Assessing time-by-covariate interactions in relative survival models using restrictive
cubic spline functions: application to colon cancer. J Cancer Epidemiol Prev. 2002; 7:
113-22.
42. Giorgi R, Abrahamowicz M, Quantin C, Bolard P, Estève J, Gouvernet J, et al.. A
relative survival regression model using B-spline functions to model non-proportional
hazards. Stat Med 2003; 22: 2767-84.
43. Hédelin
G.
RELSURV
2.0
a
program for
relative
survival.
Laboratoire
d’épidémiologie et de santé publique, Faculté de médecine, F-67085 Strasbourg Cedex,
France, 1997.
44. Monnet E, Boutron MC, Arveux P, Milan C, Faivre J. Different multiple regressions
models for estimating survival: use in a population-based series of colorectal cancer. J
Clin Epidemiol 1992; 45: 267-73.
45. Hédelin G. Les modèles de survie relative et leurs applications. Thèse de Doctorat de
Biostatistique, Université de Strasbourg, 2000.
14

télécharger cette publication

Transcription

Documents pareils

pogo 1 N°245 a vendre

Pronostic du cancer du sein à l Institut de Carcinologie Salah Aza

Prise en charge oncologique – C KALIFA

(A. Anou). - SOCIÉTÉ ALGÉRIENNE D`HÉPATO

Dossier Presse Compilation Decolonisons SurvieBAT alege

Chien Carcinome nasopharyngé

Quelques hôtels, restaurants et campings à Millau et alentours